本文關(guān)鍵詞：基于RBF-GARCH模型的股指預(yù)測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：自股市建立以來,對股市預(yù)測的研究便一直受到廣泛的關(guān)注。但由于股市同時(shí)受到很多因素的影響,對股指的有效預(yù)測就顯得比較困難。目前對股指的預(yù)測有很多種方法,其中使用最多的方法為神經(jīng)網(wǎng)絡(luò)和時(shí)間序列分析。本文針對這兩種方法各自的特點(diǎn),首次提出了基于RBF神經(jīng)網(wǎng)絡(luò)的GARCH模型。該模型是將傳統(tǒng)的GARCH模型中的均值方程由ARMA模型替換成一個(gè)RBF神經(jīng)元模型。本文首先對現(xiàn)階段股指預(yù)測的兩個(gè)主要方法：神經(jīng)網(wǎng)絡(luò)和時(shí)間序列分析進(jìn)行介紹和討論。神經(jīng)網(wǎng)絡(luò)方法中,通過實(shí)證對比發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)在股指預(yù)測方面要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。時(shí)間序列的GARCH族模型中,實(shí)證分析表明GARCH和EGARCH這兩個(gè)模型在股指預(yù)測上擬合較好。本文將神經(jīng)網(wǎng)絡(luò)與GARCH族模型相結(jié)合,提出了一種新的用于非線性時(shí)間序列預(yù)測的模型,即RBF-GARCH模型。該模型很好的結(jié)合了股市所特有的非線性和波動(dòng)集群性,克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)“黑箱子”的缺陷。它的均值方程中高斯基函數(shù)中心和寬度采用K-均值聚類算法求得,高斯基函數(shù)的系數(shù)和方差方程中的參數(shù)通過極大似然估計(jì)來獲得。為了提高預(yù)測效果,布谷鳥優(yōu)化算法也被引入到本文當(dāng)中。最后通過與RBF神經(jīng)網(wǎng)絡(luò),GARCH模型和未經(jīng)布谷鳥優(yōu)化的RBF-GARCH模型對比,發(fā)現(xiàn)經(jīng)布谷鳥優(yōu)化后的RBF-GARCH模型對股指的預(yù)測值最接近真實(shí)值。本文中所有模型的實(shí)證數(shù)據(jù)均采用上證指數(shù)的日收盤價(jià)序列。
【關(guān)鍵詞】：股指預(yù)測 RBF-GARCH模型 K-均值聚類 極大似然 布谷鳥算法
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：F830.91;TP18
【目錄】：

• 摘要3-4
• ABSTRACT4-6
• 第一章 緒論6-10
• 1.1 研究背景及意義6
• 1.2 國內(nèi)外研究現(xiàn)狀6-8
• 1.3 本文研究內(nèi)容與創(chuàng)新點(diǎn)8-10
• 第二章 神經(jīng)網(wǎng)絡(luò)基本理論及實(shí)證研究10-21
• 2.1 神經(jīng)網(wǎng)絡(luò)基本原理10-13
• 2.2 BP神經(jīng)網(wǎng)絡(luò)13-15
• 2.3 RBF神經(jīng)網(wǎng)絡(luò)15-17
• 2.4 BP網(wǎng)絡(luò)與RBF網(wǎng)絡(luò)的實(shí)證對比分析17-21
• 第三章 GARCH模型的基本理論及實(shí)證研究21-33
• 3.1 GARCH族模型21-23
• 3.2 模型的評估23-25
• 3.3 GARCH模型的實(shí)證分析25-33
• 第四章 RBF-GARCH模型的建立及實(shí)證研究33-46
• 4.1 模型建立33-34
• 4.2 K-均值聚類34
• 4.3 極大似然估計(jì)34-37
• 4.4 布谷鳥優(yōu)化算法37-39
• 4.5 實(shí)證分析39-46
• 第五章 結(jié)論與展望46-48
• 5.1 結(jié)論46
• 5.2 展望46-48
• 參考文獻(xiàn)48-50
• 致謝50

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 解光軍,莊鎮(zhèn)泉;差分RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測算法及其應(yīng)用[J];信息與控制;2000年05期

  本文關(guān)鍵詞：基于RBF-GARCH模型的股指預(yù)測研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：364475