本文關(guān)鍵詞：基于隱馬爾科夫模型（HMM）的股票價(jià)格預(yù)測分析，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著經(jīng)濟(jì)的不斷發(fā)展,作為“晴雨表”的股票市場逐漸受到關(guān)注,股票投資成為一種重要的投資方式。股票價(jià)格的預(yù)測研究工作對于國家宏觀經(jīng)濟(jì)調(diào)控和個(gè)人投資都具有重要的指導(dǎo)意義。本文深入分析了當(dāng)前股票市場面臨的問題以及股票價(jià)格預(yù)測的相關(guān)方法,提出了運(yùn)用隱馬爾科夫模型(HMM)對股票價(jià)格進(jìn)行預(yù)測的可行性。首先,文章詳細(xì)介紹了HMM的理論框架,包括HMM的概念、原理、三個(gè)經(jīng)典問題以及對應(yīng)的解決算法。其中,三個(gè)經(jīng)典問題分別為評估問題、解碼問題和學(xué)習(xí)問題,其對應(yīng)的算法為前向—后向(Forward-backward)算法、Viterbi算法和Baum-Welch算法。其次,在已有的理論基礎(chǔ)上,將HMM運(yùn)用于股票價(jià)格預(yù)測中。具體解法是以股票價(jià)格的開盤價(jià)、收盤價(jià)、最高價(jià)和最低價(jià)為觀測序列,運(yùn)用BIC、OEHS準(zhǔn)則等標(biāo)準(zhǔn)確定隱狀態(tài)個(gè)數(shù);通過Baum-Welch算法,對HMM的初始參數(shù)進(jìn)行重估;選擇Viterbi算法對數(shù)據(jù)模式進(jìn)行識別,并運(yùn)用極大似然概率估計(jì)方法,找出與目標(biāo)序列相似的模式,借助單日預(yù)測方法對未來一天的收盤價(jià)格進(jìn)行預(yù)測;并用絕對平均誤差對模型的預(yù)測精度進(jìn)行測定。第三,優(yōu)化傳統(tǒng)的隱馬爾科夫模型。一方面,對原始數(shù)據(jù)進(jìn)行小波去噪處理,去除干擾噪聲,留存有用信息;另一方面,改進(jìn)預(yù)測計(jì)算方法,運(yùn)用多日加權(quán)預(yù)測法進(jìn)行預(yù)測。第四,運(yùn)用MATLAB 2010a軟件對模型的預(yù)測過程進(jìn)行實(shí)證分析。根據(jù)當(dāng)前政策導(dǎo)向,選取農(nóng)業(yè)銀行(601288)和民生銀行(600016)兩支股票,結(jié)合小波分析、加權(quán)預(yù)測法和傳統(tǒng)的HMM,運(yùn)用改進(jìn)的HMM對股票價(jià)格進(jìn)行預(yù)測。同時(shí),也分別運(yùn)用傳統(tǒng)的HMM模型、ARIMA模型、GARCH模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測,通過絕對平均誤差測定各個(gè)模型的預(yù)測精度。實(shí)證結(jié)果表明,相對于其他預(yù)測模型而言,改進(jìn)的HMM的預(yù)測精度較好,且15日加權(quán)的預(yù)測效果已達(dá)到較好水平。最后,給出全文結(jié)論。說明改進(jìn)的HMM在股票價(jià)格預(yù)測中具有較強(qiáng)的優(yōu)越性和應(yīng)用價(jià)值,為股票價(jià)格的預(yù)測打開了新的研究思路。
【關(guān)鍵詞】：隱馬爾科夫模型 股票價(jià)格預(yù)測 小波分析 絕對平均誤差
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F224;F830.9
【目錄】：

• 摘要2-3
• Abstract3-6
• 第一章 引言6-13
• 1.1 研究背景與意義6-7
• 1.2 國內(nèi)外研究現(xiàn)狀7-11
• 1.2.1 金融時(shí)間序列的研究成果7
• 1.2.2 隱馬爾科夫模型的國內(nèi)外研究動(dòng)態(tài)7-11
• 1.3 本文研究內(nèi)容11-12
• 1.4 本文創(chuàng)新之處12-13
• 第二章 預(yù)測股票價(jià)格的方法13-20
• 2.1 股票價(jià)格預(yù)測面臨的問題13-14
• 2.2 預(yù)測分析方法14-19
• 2.2.1 定性預(yù)測分析14-15
• 2.2.2 定量預(yù)測分析15-19
• 2.3 預(yù)測方法的比較19-20
• 第三章 隱馬爾科夫模型理論20-30
• 3.1 馬爾科夫過程20-21
• 3.2 隱馬爾科夫模型原理21-23
• 3.3 隱馬爾科夫模型結(jié)構(gòu)23-24
• 3.4 隱馬爾科夫模型的三個(gè)經(jīng)典問題24-26
• 3.4.1 評估問題（Evaluation）24-25
• 3.4.2 解碼問題（Decoding）25-26
• 3.4.3 學(xué)習(xí)問題（Learning）26
• 3.5 隱馬爾科夫模型算法26-30
• 3.5.1 前向 后向（Forward-backward）算法26-27
• 3.5.2 Viterbi算法27-28
• 3.5.3 Baum Welch算法28-30
• 第四章 隱馬爾科夫模型在股價(jià)預(yù)測中的應(yīng)用30-39
• 4.1 傳統(tǒng)的隱馬爾科夫模型30-34
• 4.1.1 模型設(shè)定標(biāo)準(zhǔn)30-32
• 4.1.2 模型參數(shù)估計(jì)32-33
• 4.1.3 模式識別33
• 4.1.4 股票價(jià)格預(yù)測33-34
• 4.1.5 預(yù)測精度檢驗(yàn)34
• 4.2 改進(jìn)的隱馬爾科夫模型34-36
• 4.2.1 小波分析34-35
• 4.2.2 改進(jìn)的預(yù)測方法35-36
• 4.3 HMM的MATLAB函數(shù)36-39
• 第五章 隱馬爾科夫模型股價(jià)預(yù)測的實(shí)證研究39-52
• 5.1 樣本選取說明39-41
• 5.2 小波去噪41-42
• 5.3 隱馬爾科夫模型建立42-46
• 5.4 其他模型預(yù)測46-51
• 5.4.1 ARIMA模型預(yù)測結(jié)果46-48
• 5.4.2 GARCH模型預(yù)測結(jié)果48-50
• 5.4.3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果50-51
• 5.5 模型的預(yù)測精度比較51-52
• 第六章 結(jié)論與研究展望52-53
• 6.1 結(jié)論52
• 6.2 研究展望52-53
• 參考文獻(xiàn)53-56
• 攻讀學(xué)位期間的研究成果56-57
• 附錄57-63
• 致謝63-64

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳菊珍;徐曄;龔新橋;;灰色預(yù)測在股票價(jià)格預(yù)測中的應(yīng)用[J];統(tǒng)計(jì)與決策;2007年01期

2 施航;馬琳達(dá);;人工神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測中的應(yīng)用[J];電腦開發(fā)與應(yīng)用;2007年09期

3 王晴;;組合模型在股票價(jià)格預(yù)測中應(yīng)用研究[J];計(jì)算機(jī)仿真;2010年12期

4 胡俊;桂霏;楊桂元;;組合模型對股票價(jià)格預(yù)測的比較研究[J];重慶科技學(xué)院學(xué)報(bào)(社會(huì)科學(xué)版);2012年04期

5 劉小蘭;;改進(jìn)支持向量機(jī)的股票價(jià)格預(yù)測研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2012年09期

6 李忍東;饒佳藝;嚴(yán)亞寧;;基于智能計(jì)算的股票價(jià)格預(yù)測[J];科技通報(bào);2013年04期

7 徐維維;高風(fēng);;灰色算法在股票價(jià)格預(yù)測中的應(yīng)用[J];計(jì)算機(jī)仿真;2007年11期

8 朱嘉瑜;葉海燕;高鷹;;基于隱馬爾可夫模型的股票價(jià)格預(yù)測組合模型[J];計(jì)算機(jī)工程與設(shè)計(jì);2009年21期

9 王玲;;最優(yōu)組合模型在證券市場預(yù)測中的應(yīng)用研究[J];計(jì)算機(jī)仿真;2012年01期

10 劉斐弘;;神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測中的應(yīng)用——基于三種網(wǎng)絡(luò)的比較分析[J];時(shí)代金融;2012年15期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前1條

1 于志軍;楊善林;;基于誤差校正的GARCH股票價(jià)格預(yù)測模型[A];“兩型社會(huì)”建設(shè)與管理創(chuàng)新——第十五屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集（上）[C];2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 黃冉;基于隱馬爾科夫模型（HMM）的股票價(jià)格預(yù)測分析[D];青島大學(xué);2015年

2 沈志剛;支持向量回歸機(jī)在股票價(jià)格預(yù)測中的分析與應(yīng)用[D];暨南大學(xué);2007年

3 呂欣;基于神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測模型及系統(tǒng)的研究[D];吉林大學(xué);2010年

4 高立剛;支持向量機(jī)及其在股票價(jià)格預(yù)測方面的應(yīng)用[D];北京工業(yè)大學(xué);2006年

5 胡藝博;基于小波—粒子濾波算法的股票價(jià)格預(yù)測研究[D];吉林大學(xué);2008年

6 陳麗瓊;函數(shù)型數(shù)據(jù)分析方法在股票價(jià)格預(yù)測上的應(yīng)用[D];廈門大學(xué);2014年

7 唐廣宇;股票價(jià)格預(yù)測的時(shí)間序列組合模型方法[D];湘潭大學(xué);2013年

8 張克宜;基于改進(jìn)GM（1，N）和優(yōu)化SVM組合模型的股票價(jià)格預(yù)測[D];哈爾濱工業(yè)大學(xué);2013年

9 姜愛宇;部分線性模型在股票價(jià)格預(yù)測中的應(yīng)用研究[D];遼寧師范大學(xué);2012年

10 王毅;集成時(shí)序分析與形態(tài)理論的證券價(jià)格預(yù)測方法[D];合肥工業(yè)大學(xué);2005年

  本文關(guān)鍵詞：基于隱馬爾科夫模型（HMM）的股票價(jià)格預(yù)測分析，由筆耕文化傳播整理發(fā)布。

本文編號：289454