本文關(guān)鍵詞：基于GM（1，1）動態(tài)等維殘差修正-BP神經(jīng)網(wǎng)絡組合預測模型

  更多相關(guān)文章： 組合預測 GM(1 1) 殘差修正 BP神經(jīng)網(wǎng)絡 誤差檢驗

【摘要】：金融投資中的影響因素是多樣的，在金融投資中起主要作用的是對股票價格的預測準確度，對股票價格的預測需要考慮的方面是多樣的，影響股票價格的不僅有國家的經(jīng)濟政策的因素還有投資人的決策因素等，在這些因素的影響下，股票價格并不是簡單的呈現(xiàn)線性關(guān)系的，金融行業(yè)中對股票價格的預測是常見的但是準確率確實不能保證，所以，股價預測就成了金融市場中亟待研究和解決的課題之一。 GM(1,1)模型和BP神經(jīng)網(wǎng)絡模型是股票預測中常用的預測模型，模型簡單，易于理解操作。但是單一預測的精度很難達到股民和投資者的精度要求，在實際中沒有多大的應用價值，為了更好的提高預測精度，，為廣大股民和股票投資者爭取實際利益，本文的研究工作如下： 在對GM(1,1)模型進行研究的基礎(chǔ)上進行了動態(tài)等維殘差修正，使其精度得到了有效的提高；為了能更好的滿足實際的需要和理論的研究需要，再次在殘差修正的基礎(chǔ)之上將GM(1,1)模型和BP神經(jīng)網(wǎng)絡模型串聯(lián)形成了組合模型，利用GM(1,1)動態(tài)等維殘差修正模型得到的預測數(shù)據(jù)作為輸入數(shù)據(jù)，而實際的每日股票收盤價作為目標數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡的訓練，通過訓練來建立組合預測模型，模型構(gòu)建完成后，輸入實際的日期數(shù)據(jù)便可得到要預測的當日股票收盤價，并利用上證交易所的股票亞寶藥業(yè)（SHA:600351）的數(shù)據(jù)對所建立的模型進行了實證分析，結(jié)果表明所建立的組合模型對實際的股票預測能夠起到很好的指導作用。
【關(guān)鍵詞】：組合預測 GM(1 1) 殘差修正 BP神經(jīng)網(wǎng)絡 誤差檢驗
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F832.51;TP18
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-14
• 1.1 股價預測研究的意義10
• 1.2 股價預測當前的研究現(xiàn)狀10-12
• 1.3 本論文的主要研究工作及章節(jié)安排12-14
• 第二章 股價預測分析14-18
• 2.1 股價預測概述14-15
• 2.1.1 國內(nèi)股價預測的特點14
• 2.1.2 股價預測的分類14
• 2.1.3 股票市場是可預測性14-15
• 2.2 股價變化的原因15-16
• 2.3 股價預測16
• 2.4 基于灰色預測的 BP 神經(jīng)網(wǎng)絡預測模型概述16-18
• 第三章 灰色 GM(1,1)模型的基本原理18-23
• 3.1 灰色系統(tǒng)概述18-19
• 3.2 GM(1,1)模型及其預測過程19-20
• 3.2.1 建立 GM(1,1)模型19-20
• 3.2.2 殘差修正過程20
• 3.3 GM(1,1)模型的檢驗20-22
• 3.3.1 精度檢驗21
• 3.3.2 關(guān)聯(lián)度檢驗21
• 3.3.3 后驗差檢驗21-22
• 3.4 GM(1,1)動態(tài)等維模型的構(gòu)建22-23
• 第四章 GM(1,1)動態(tài)等維-BP 神經(jīng)網(wǎng)絡組合預測模型23-32
• 4.1 BP 神經(jīng)網(wǎng)絡概述23
• 4.2 BP 神經(jīng)網(wǎng)絡模型工作的基本模式23-24
• 4.3 BP 神經(jīng)網(wǎng)絡算法24-26
• 4.4 BP 算法用在股市預測中的不足26-28
• 4.4.1 網(wǎng)絡的精確度不高26-27
• 4.4.2 輸入數(shù)據(jù)的確定27
• 4.4.3 參數(shù)的調(diào)節(jié)27-28
• 4.5 組合預測模型28-32
• 4.5.1 組合預測模型概念簡述28
• 4.5.2 組合預測模型的優(yōu)點28-29
• 4.5.3 組合預測模型的分類29
• 4.5.4 組合預測模型的預測過程29-30
• 4.5.5 組合預測模型的結(jié)果檢驗30-32
• 第五章 組合預測模型的實證預測與分析32-43
• 5.1 GM（ 1， 1）灰色預測模型實證分析32-35
• 5.2 BP 神經(jīng)網(wǎng)絡模型實證分析35-39
• 5.2.1 輸入數(shù)據(jù)的獲取35-36
• 5.2.2 BP 預測模型的預測過程36-39
• 5.3 動態(tài)等維 GM(1,1)-BP 組合模型的預測過程39-43
• 第六章 結(jié)論43-45
• 參考文獻45-48
• 附錄 A：GM(1,1) 的 matlab 程序48-50
• 致謝50

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 陶冶;馬健;;基于聚類分析和判別分析方法的股票投資價值分析──關(guān)于中小企業(yè)板的初步研究[J];財經(jīng)理論與實踐;2005年06期

2 王車效;;基于初值修正的非等距灰色預測模型[J];重慶師范大學學報(自然科學版);2006年03期

3 王艷玲;;灰色馬爾可夫預測模型在工業(yè)SO_2排放量中的應用[J];重慶師范大學學報(自然科學版);2008年02期

4 蚩志鋒;閆珍珠;黃彪;;基于遺傳算法與BP算法的水質(zhì)評價模型[J];重慶科技學院學報(自然科學版);2009年01期

5 王鳳琴,高穎,趙軍;基于遺傳算法的神經(jīng)網(wǎng)絡優(yōu)化[J];燕山大學學報;2001年03期

6 劉險峰,鄒積巖;基于灰色理論的蓄電池容量預測[J];大連理工大學學報;2005年05期

7 陳學永,王貴成,何聰惠;神經(jīng)網(wǎng)絡在振動攻絲工藝參數(shù)匹配中的應用[J];工具技術(shù);2003年03期

8 孫曉東;焦s

本文編號：681968