基于隐马尔科夫模型的股票价格指数预测

摘要

股票价格具有不确定性，如果投资者能够事先预测价格走势，就能够规避价格波动风险，减少投资损失，甚至获取超额收益。随着大数据的热潮，越来越多的统计学习模式应用到股票价格预测中，隐马尔科夫模型就是其中一个。隐马尔科夫模型在马尔科夫链的基础上发展而来，用来研究一组隐藏状态。该模型是一个双随机过程，由两部分构成:马尔科夫链和一般随机过程，分别用来描述状态之间的转移关系和状态、观测值之间的关系。本文基于隐马尔科夫模型对股票价格预测、股票市场状态等问题进行了实证研究，以股票价格指数——沪深300为研究对象，讨论了隐马尔科夫模型的相关理论在预测股票市场价格、状态方面的可行性，从而构建出适用于我国国情的股价预测模型。
　　本文实证过程主要包括数据选取及检验、隐状态数目确定、参数估计以及预测等步骤，并且从三个方面改进了基本的连续隐马尔可夫模型——基于人工神经网络算法优化模型输入、基于ISODATA算法优化模型初始值以及引入多日加权预测法预测股票价格，从而提出了一种改进的隐马尔科夫模型。本文改进的隐马尔科夫模型克服了基本模型不能预测具体价格数据的缺点，能够从全局和局部两个角度分别对市场状态和股指价格进行预测。与基本模型相比，改进模型预测误差大幅降低，MAPE值从1.24下降到0.75。实证结果表明，本文模型能够预测股票市场状态以及股票价格指数;股票市场处于某一状态（熊市或者牛市）会持续一段时间，从一个状态转移到另一个状态较为困难;本文改进的模型提高了预测准确性，对实际投资有一定的指导意义。

目录

声明

摘要

1．1 研究背景及其意义

1．1．1 量化投资研究背景与意义

1．1．2 股票价格指数研究背景与意义

1．1．3 统计学习模型在股票市场预测中的应用

1．2 文献综述

1．3 小结

2．1 马尔科夫链

2．2 隐马尔科夫模型定义及相关变量

2．3 隐马尔科夫模型的3个基本问题

2．4 模型的三种算法

2．4．1 概率计算算法

2．4．2 学习算法

2．4．3 解码算法

2．5 隐马尔科夫模型的优缺点及适用性

2．6 本章小结

第三章 改进的隐马尔科夫模型

3．1 混合高斯分布隐马尔科夫模型

3．2 连续隐马尔科夫模型的改进

3．2．1 ISODATA算法

3．2．2 人工神经网络算法优化模型输入

3．3 实证模型主要步骤

3．4 本文使用软件及代码说明

3．5 本章小结

4．1 数据选取及检验

4．2 基于AIC／BIC准则确定隐状态数目

4．2．1 AIC／BIC准则

4．2．2 隐状态数目确定

4．3 隐马尔科夫模型实证分析

4．3．1 高斯分布连续隐马尔科夫模型

4．3．2 混合高斯分布隐马尔科夫模型

4．3．3 改进隐马尔科夫模型

4．4 模型对比以及结果分析

4．5 本章小结

5．1 总结

5．2 不足及展望

参考文献

致谢

附录