基于LRPBP及WSVM的股票预测研究

摘要

股票预测是对证券市场中的股票进行分析和研究，主要包括对股票股价的预测、对股票未来涨跌波动趋势的判断等。计算机技术的快速发展，使得机器学习、神经网络、数据挖掘等研究方法被越来越多地应用在股票预测当中。本文重点研究了通过纹理图像特征提取方法和SVM对股票进行预测和分析。
　　股票的走势图是股票涨跌波动的重要判断途径之一，能够很好地反映一只股票在当前市场环境下的波动情况。股票的走势图具有图像局部变化明显、图像颜色表示意义简洁明了、图像内容简单等特点。所以论文首先采用纹理图像特征提取分类方法LRPBP实现了对股票走势图的分类，接着改进LRPBP中的相似度度量方法，并采用改进后的LRPBP设计了股票走势图的分类预测方法，相关实验结果证明了该方法的有效性。
　　多尺度小波支持向量机(Wavelet Support Vector Machine,WSVM)能够很好地处理非线性数据，并且比传统的神经网络需要较少的参数，在有限的数据训练中能够取得更好的效果。论文通过构造WSVM对股票交易历史数据进行训练，并预测未来数日的股价。通过与BP神经网络、SVM的股票预测方法的对比实验，验证了多尺度WSVM具有更高的准确率和更低的误差。从而证明了多尺度WSVM在股票预测中具有良好的效果，预测的股价值也更具可信度。
　　最后结合对股票走势图预测和股价预测的结果，论文提出了一种新的综合股票预测框架。该框架通过在同一时间范围下，使用预测得到的走势图对预测的股价曲线进行指导，从而对预测结果进行判断，最终得到更优的预测结果。实验结果证明，该方法具有较好的适用性，通过对预测结果进行综合判断，能够更好地避免预测失败的情况发生，从而提高了预测的准确性。

目录

声明

第一章 绪论

1.1 研究背景和意义

1.2 股票预测研究现状

1.3论文主要工作

1.4 论文的组织结构

第二章 相关技术简介

2.1图像纹理特征描述

2.2 SVM技术

2.3 本章小结

第三章 LRPBP的改进及在股票预测中的应用

3.1 LRPBP算法

3.2 LRPBP算法改进

3.3 LRPBP改进算法在股票预测中的应用

3.4本章小结

第四章 基于多尺度WSVM和LRPBP的股票预测

4.1 多尺度WSVM

4.2 多尺度WSVM在股票预测中的应用

4.3 综合股票预测框架

4.4 综合股票预测实验及分析

4.5 本章小结

第五章 总结与展望

5.1 论文总结

5.2 研究展望

参考文献

在学期间的研究成果

致谢