基于时-空融合的股票投资决策模型及实现

摘要

本文主要研究了在信息融合的模型框架下，整合BP神经网络、现代资产组合理论，对股票时序数据进行自动分析.由BP神经网络进行个股时间融合，完成个股的合理预测；由资产组合理论进行空间融合，完成全局的可靠决策. 本文对时间序列预测中产生的问题进行了分析，指出在股价预测中一般时间序列模型操作性差的问题，结合信息融合的思想，提出了新的时间序列模型：波幅-频率时间序列预测方法，并设计了与之相适应的时序数据切片-重构预处理算法.该模型(算法)克服了一般时间序列模型用于股票预测时操作性差的问题，具有较高的抗干扰能力，平衡了操作性与精确性之间的矛盾. 为了实现基于BP神经网络的时间融合，对BP神经网络的缺陷作了深入研究，提出引入“学习效果阶段评价”和“病态神经元检查矫正”机制的PEBP(PhaseEvaluatedBP)模型，通过大量的改进实验获得了一个性能明显优于传统BP的PEBP具体算法，实验表明PEBP突破了BP神经网络在实际应用中的性能瓶颈，克服了BP公认的3个缺陷. 为了实现可靠的决策，建立了基于资产组合理论的空间融合模型，把不同个股视作不同信源，从中遴选股票、组合股票权重配比，生成抗风险能力高的全局决策方案.模拟投资实验表明，基于资产组合理论的空间融合在股票投资决策中对降低投资风险有效.

目录

文摘

英文文摘

原创性声明及本论文使用授权说明

第一章绪论

第二章基于时-空融合的股票投资决策模型

第三章模型的关键问题及解决策略

第四章股票投资决策时-空融合模型的实现

4.1软件实现基础

4.2预处理：数据切片、重构的实现

4.3时间融合PEBP系统实现

4.4 PEBP训练算法的进一步改进

4.5空间风险权重配置与融合系统实现

4.6本章小结

第五章应用与验证

第六章结论和展望

参考文献

作者在攻读硕士学位期间的工作和成果

致 谢