基于小波分析与支持向量机的股票预测方法研究

摘要

作为市场经济的产物，股票市场的发展与市场经济的发展相辅相成。对股票形势的预测，逐渐成为了国内外学者研究和探索的一个重要方向。近年来，各类专家学者对股票市场的研究方法不再是局限于传统的基本面分析、技术面分析、演化分析等方法，更多的将眼光投向了新兴的数学方法和机器学习等现代技术分析方法上，例如时间序列预测法、神经网络预测法、模糊时间序列预测、混沌时间序列预测法等。 本文提出一种基于小波分析的ARIMA-SVR股票预测模型，首先对原始数据进行小波分解和小波重构，得到即重构部分和误差部分。重构部分体现的主要是数据长期走向的趋势，误差部分则体现了精确数据与大体走势的偏差，原始数据就是这两部分之和。然后对重构部分和误差部分分别使用ARIMA模型和SVR模型进行建模预测，将分别的预测结果综合得到最终的预测结果。 本文选取浦发银行2014年1月2日至2016年8月3日之内，交易日的每日收盘价作为实验数据，利用前600条数据预测后30条数据对三种预测模型的过程进行详细讲解。然后使用对浦发银行、桂林旅游、海澜之家、深圳能源、江河集团、厦华电子、探路者和中信重工这八只股票的预测数据，将本文提出的基于小波分析的ARIMA-SVR股票预测模型与对原始数据单独使用ARIMA模型和单独使用SVR模型得到的结果进行对比。仿真结果表明本文提出基于小波分析的ARIMA-SVR股票预测模型得到的预测结果准确度更高，是一种有效的股票预测方法。

目录

声明

第一章 绪论

1.1 研究背景和意义

1.2 研究内容和结构安排

第二章 数据选取与实验准备

2.1 股票预测方法研究

2.2 数据选取与实验准备

2.3 本章小结

第三章 ARIMA(p,d,q)预测模型研究

3.1 时间序列预测模型

3.2 ARIMA模型总体流程

3.3 ARIMA预测模型在股票市场的应用

3.4 本章小结

第四章 SVR预测模型研究

4.1 支持向量回归

4.2 SVR预测模型

4.3 SVR预测模型在股票市场的应用

4.4 本章小结

第五章 基于小波分析的ARIMA-SVR预测模型研究

5.1 小波分析概述

5.2 基于小波分析的ARIMA-SVR预测模型

5.3 基于小波分析的ARIMA-SVR预测方法在股票市场的应用

5.4 本章小结

第六章 三种模型的对比与研究

6.1 实验结果汇总对比

6.2 三种预测模型对比研究

6.3 本章小结

第七章 总结与展望

7.1 工作总结

7.2 下一步的工作

致谢

参考文献

攻读硕士学位期间公开发表的学术论文