小波神经网络和ARMA模型在股票预测中的研究与应用

摘要

本论文在全面研究股票市场及其问题的基础上,把股票的小波神经网络预测方法与ARMA时间序列预测方法用贝叶斯组合理论相结合,构造出一个综合且准确率较高的股票组合预测模型,并对模型性能的改善和提高进行了深入研究。 总结国内外股票市场预测决策的理论方法,由于计算机与人工智能技术的飞速发展,针对传统神经网络收敛速度与训练算法的不足,本文采用嵌套式的小波神经网络即用小波函数直接代替隐含层函数构成神经网络模型,兼具有小波理论与神经网络的优点,有更灵活有效的函数逼近能力和滤波作用。训练算法在原有BP算法的基础上采用引入动量项和变学习速率的方法,并修正了小波基函数的伸缩平移参数,改善了收敛性能且减少了网络训练时间。 时间序列分析法中ARMA(自回归滑动平均模型)模型较为成熟,文中详细阐述了股票ARMA预测模型的确定、检验与分析。 决策者面临决择的预测方式可能不只一种,且各有千秋,在预测过程中,对于相同的数据,不同的预测方法所针对的信息不尽相同,因而得到的预测结果也不相同。文中采用贝叶斯组合理论组合小波神经网络和ARMA模型的预测结果,对股票的收盘价进行预测,综合利用这两种预测方法所提供的信息,解决了多模式预测问题且提高了预测精度。 通过MATLAB和SPSS软件对单个模型进行仿真,并计算出组合模型的预测价格,对比结果说明组合模型的预测效果较好,准确率较高。本文最后对研究工作进行了总结,指出了今后需进一步深入研究的问题。

目录

文摘

英文文摘

声明

第1章绪论

1.1课题研究的背景和意义

1.2国内外股票预测研究及应用现状

1.2.1股票预测研究常用的变量

1.2.2股票技术分析法

1.2.3国内外的股票分析软件

1.2.4现阶段股票研究存在的问题

1.3本文的主要内容和创新之处

1.3.1论文的主要内容

1.3.2论文的创新之处

第2章人工神经网络与小波理论

2.1人工神经网络的概述

2.1.1人工神经网络的发展

2.1.2人工神经网络的原理

2.1.3人工神经网络的拓扑特性

2.1.4网络的学习算法[10]

2.2 BP神经网络及BP算法

2.2.1 BP学习算法

2.2.2 BP网络的缺陷与改进算法

2.3小波理论

2.3.1小波函数

2.3.2连续小波变换

2.3.3离散小波变换

2.3.4多分辨分析

2.3.5 Mallat算法

2.4本章小结

第3章小波神经网络

3.1小波神经网络的基本概念

3.1.1小波神经网络的结合方式

3.1.2小波神经网络的特点

3.2小波神经网络的学习算法

3.2.1小波神经网络的改进学习算法

3.2.2学习算法的推导

3.3网络拓扑结构及参数初始值的选取

3.3.1隐含层层数及节点数的选择

3.3.2参数初始值的选取

3.4本章小结

第4章股价组合预测模型的设计与实现

4.1小波神经网络的预测

4.1.1股票数据的选择

4.1.2股票数据的预处理[34]

4.1.3网络拓扑结构的设计

4.1.4网络的训练过程

4.2时间序列ARMA模型的预测

4.2.1ARMA(p，g)模型

4.2.2ARMA(p，g)模型的识别

4.2.3ARMA(p，g)模型的初估计

4.3组合预测模型

4.4模型误差评价标准

4.5本章小结

第5章系统实例仿真及结果分析

5.1研究对象

5.2长江实业收盘价的预测及分析

5.2.1小波神经网络预测

5.2.2 ARMA模型预测

5.2.3组合预测

5.3中国石化收盘价的预测及分析

5.3.1小波神经网络预测

5.3.2 ARMA模型预测

5.3.3组合预测

5.4本章小结

结论

参考文献

附录

攻读硕士学位期间所发表的学术论文

致谢