数据挖掘方法在沪深300指数收益率波动预测的应用研究

摘要

中国的证券市场经过了十几年的迅猛发展，吸引了越来越多的投资者将资金投入到了证券市场当中，想要从中获得巨大的回报。同时在近几年，数据挖掘技术也取得了巨大的进步，它具有在海量数据中发掘潜在的信息的能力，被广泛的进行运用，尤其运用在证券领域中。 沪深300指数从2005年成立以来，就成为了一个能够表现出上海和深圳股指的良好的指数。选择标准是规模大，流动性好的股票，覆盖了沪深两市达到60％以上的市值，又是即将推出的股指期货的标的物。而对股指收益率的预测可以从两个角度入手：从收益率的来源看，影响股票的收益率的来源可以从外部环境、监管部门、上市公司的基本面、投资者的行为、技术分析、相关投资品价格等角度进行分析。从波动的时间序列特性上来看，股票收益率的时间序列除了具有非线性，非平稳性的一般时间序列所具有的特性之外，还具有尖峰厚尾、高噪音、波动聚集性等特征。因此对股票的收益率的时间序列的预测更具有难度和挑战性，并具有很广泛的应用价值和广阔的市场前景。 针对上面的两个角度，本文尝试着利用数据挖掘方法进行了分析预测。首先从上述的六个波动来源找到一些具有代表性的指标，利用数据挖掘中的Logistic，决策树和神经网络方法对股指的未来的走势进行了分析和预测。并找到了波动率来源的一些特点，并发现神经元网络在预测的效果良好。随后利用BP神经网络中的自适应、自学习、非线性的优化与GARCH模型中的刻画时间序列中自相关性、波动聚集性、尖峰厚尾性的特性相结合。建立了BP-AR-GARCH模型，在预测中取得了良好的效果。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究目的与意义

1.2文献综述

1.2.1数据挖掘在证券领域中的应用研究现状

1.2.2证券领域的三个分析角度及相应的数据挖掘技术

1.2.3波动率预测的研究进展

1.3本文的研究内容与创新点

1.4研究框架与结构安排

第二章股票投资与预测概述

2.1证券投资与证券分析方法

2.2影响股票价格波动的因素

2.3研究股票收益率波动的方法

2.3.1 ARCH系模型族

2.3.2随机波动性模型

2.3.3数据挖掘神经网络方法

2.4股市预测面临的主要难题

2.5利用数据挖掘方法对股市预测的可行性

第三章数据挖掘技术

3.1数据挖掘产生的背景

3.2知识发现和知识发现过程

3.3数据挖掘的功能

3.4数据挖掘工具Clementine简介

3.5数据挖掘的方法

3.5.1 Logistic方法

3.5.2决策树方法

3.5.3神经元网络方法

第四章沪深300指数波动来源分析与预测

4.1预测对象

4.2变量选取

4.3数据的来源与预处理

4.3.1节日效应与空缺值处理

4.3.2数据的基本统计量审核

4.3.3属性离散化

4.3.4数据集划分与数据集的平衡

4.4建模

4.4.1 Logistic建模

4.4.2决策树建模

4.4.3神经网络建模

4.5模型的预测与评价

4.5.1预测评价的方法

4.5.2三类模型预测结果的比较

4.5.3模型优劣性比较总结

4.6小结

第五章BP-AR-GARCH模型在沪深300指数的运用

5.1模型建立的依据

5.2数据预处理方法

5.3预测模型的评测方法

5.4实证分析过程

5.4.1数据统计量分析

5.4.2模型估计过程

5.4.3模型结果的分析与评价

5.5 小结

第六章总结与展望

附录

参考文献

致谢