基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

上海股市若干问题分析

借助数学模型探讨股票投资问题.以每日获取最大利润为目标,建立线性规划模型;以市场布林线算法为评价标准划分时期,并建立不同时期的多指标模糊综合评价模型;采用三次指数平滑方法对上证指数进行预测并验证;根据股票价格偏离价值程度图,分析上海股市存在的泡沫情况.     

上证指数的预测分析

本文根据上海股市2005年6月到2009年8月的上证指数数据,通过建立数学模型的方法,对上海股票市场的走势情况作出了综合评价,建立短期内预测股市发展趋势模型对上证指数进行预测,并通过历史实际数据对模型进行了验证。     

基于对数周期幂律奇异性模型的资产价格泡沫预测

资产价格泡沫是全球学者一直关注的问题.对数周期幂律奇异性(log-periodic power-law singularity,LPPLS)模型是预测资产价格泡沫破裂的有效方法之一.在应用中,LPPLS模型预测泡沫破裂存在误差.主要原因是每一个泡沫形成时期都会有大量行政干预以及外部力量干扰,极少存在"完美"的泡沫,使得...     

微博情绪与中国股市:基于协整分析

从情绪的角度入手揭示股市涨跌变化的规律一直是心理学,经济学等行为学科的学术兴趣点所在.近些年来,借助互联网平台数据构建社会大众情绪指标,进而探讨情绪与股市关系问题的研究成为该领域的研究热点.首先,文章借助信息科学技术搜集了微博情绪时间序列数据,并以此构建了与股市高度相关的微博情绪综合指数.然后,采用协整检验,误差修正模型等计量经济学方法,探索了微博情绪综合指数与股市走势之间的关系.检验结果发现,微博情绪综合指数与同期的上证指数以及下一个交易日的上证指数之间存在显著的长期均衡关系.而且微博情绪综合指数对下一交易日上证指数收盘价具有显著的预测作用.     

期权隐含投资者情绪与股市波动率

研究表明,期权价格中蕴含着市场前瞻性的信息,其有助于预测未来股市波动率.特别地,从期权价格中提取的隐含投资者情绪相比从股市提取的投资者情绪包含更多的信息(前瞻信息),对股市波动性分析具有重要的参考价值.鉴于此,文章采用上证50ETF期权价格数据,利用GJR-GARCH-FHS模型估计经验定价核,通过将其分解为新古典成分和行为成分(情绪),从中提取出期权隐含投资者情绪.进一步,构建波动率指标和预测回归模型,实证分析期权隐含投资者情绪与股市波动率的关系以及期权隐含投资者情绪对股市波动率的预测作用.实证结果表明:期权隐含投资者情绪在一定程度上对股市波动率具有预测作用;当期和滞后一期的期权隐含投资者情绪都对股市波动率产生一定的正向影响,且当期影响更大;历史的股市波动率对当期股市波动率也存在显著的正向影响;当期和滞后一期的期权隐含投资者情绪对股市波动率都具有较强的预测能力,并能显著提高对股市波动率的预测精度.     

谁更能解释股市羊群效应:信息传播还是投资者情绪?

利用2008年6月1日至2014年10月31日A股收益率数据和东方财富网上证综指吧主题帖文本,以情绪词测度投资者情绪,发帖量代表信息传播强度,构建信息传播和投资者情绪影响股市羊群效应的GARCH模型.利用赤池信息准则比较信息传播和投资者情绪对股市羊群效应的解释能力.实证表明,前期信息传播加强了本期股市羊群效应,但当日盘前信息传播则减弱了当日股市羊群效应,前期悲观情绪将增强本期股市羊群效应.主要结论有:1)信息传播与投资者情绪对股市羊群效应都具有显著的解释能力;2)综合信息传播和情绪的模型对股市羊群效的解释优于单一信息传播或情绪因素的模型;3)相对于投资者情绪,信息传播对股市羊群效应的解释更优.     

自回归条件异方差模型在我国沪市的应用研究

应用自回归条件异方差(ARCH)模型对上海股市2000年—2004年4月上证指数收益率进行建模分析;实证结果反映上证指数收益率具有明显的群集聚集性、波动性、尖峰厚尾的特征,并且ARCH模型的预测能力较强.     

结构突变下投资者情绪与股市收益间的非线性溢出效应研究

为了深入挖掘投资者情绪与股市收益的非线性溢出效应,本文首先选取消费者信心指数、封闭式基金折价率、换手率、新增开户增长率、市盈率这五个变量作为情绪指数潜在变量,再通过R藤Copula得到各潜在变量的联合分布,进而构造出投资者情绪指数;然后运用ICSS模型对股票指数收益率的状态进行划分,将结构突变点作为虚拟变量纳入到经典的AR-EGARCH波动模型中刻画收益率序列;最后运用时变Copula函数对投资者情绪与股市收益率间的动态非线性溢出效应进行定量测度,以期揭示二者之间的内在规律。研究结果表明:投资者情绪与股市收益间确实存在溢出效应,从长期趋势分析,投资者情绪与股市收益率的相关系数为正,说明投资者情绪与市场收益率之间在长期表现为显著正相关,即投资者情绪对收益率有正向溢出效应,投资者情绪的高涨与悲观同收益率的升高与降低步调一致。然而从短期分析,相关系数的波动范围为0.2至0.35,说明在不同投资环境及市场背景下投资者情绪与市场收益率之间的相关程度并非一成不变,投资者情绪高涨时期,两者间溢出效应也随情绪指数升高,投资者情绪悲观时期两者间溢出效应也降低。     

厚尾随机波动率模型的贝叶斯参数估计及实证研究

针对现有时间序列模型难以刻画参数渐变性的问题,对厚尾随机波动(SV)模型的参数估计方法进行了推广,采用基于贝叶斯的MCMC方法,选取2013年5月~2016年6月这一经历多轮震荡的上证指数作为实证分析对象,构造了基于Gibbs抽样的MCMC过程进行仿真分析.结果显示,以卡方分布作为厚尾参数的先验分布能够有效地描述数据波动的厚尾特征,并且能得到较高精度的参数估计结果.结果表明,厚尾SV模型能有效反映出我国股市尖峰厚尾和波动长期记忆性的特征.     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

基于粗糙回归的股票指数变化趋势研究

运用粗糙集结合回归分析预测上证指数变化趋势,首先对预测日前1个月、前1星期、前1天等8个不同时间段进行回归分析,然后根据获得的趋势建立决策表,然后运用粗糙集获取决策规则,最后利用得到的规则预测上证指数的变化趋势.测试结果表明,该方法准确率良好.     

证券市场信息传播的数学模型研究

根据信息的传播理论,从信息传播的实际出发,以股票市场中内部信息的传播如何影响股价的波动及交易量的变化为主要研究内容,从全新的角度建立数学模型来描述了信息自身的传播过程,预测传播的高峰时刻,分析其过程中股票交易量的变化情况.给出了该模型的两个定理.定理1说明:传播信息的投资者的人数先单调增加,然后单调减少并趋于零;定理2表明总有一部分人在信息公布之前无法得知内部消息.从模型得出的两个定理与信息传播的真实形式相符合,说明了模型的准确性.     

上证综合指数特征分析

本研究利用1978-2010年我国宏观经济的数据、1990-2010上证指数数据,探讨了上证指数的基本特征。统计分析实证研究表明上证指数具有"趋势性,周期性,季节性,随机性"特征,在此基础上运用回归分析等方法建立并得出上证指数统计模型结果。结论表明上证指数不仅具有四大特征,而且具有以四大特征为变量的统计关系式。利用所得到结论对研究上证指数的变化规律,具有理论价值和实用价值。     

ARMA模型在哈尔滨气温预测中的应用

将时间序列分析引入到气温时间序列预测的研究中,深入分析气温样本数据,并对其建立ARMA模型.采用最佳准则函数法确定模型的阶数,并利用自相关函数对模型的残差进行了检验.通过条件期望预测和适时修正预测方法求得预测值,与真实值的比较得到适时修正预测精确度比条件期望预测的精确度高.     

基于MTAR模型的沪市周期性爆炸泡沫检验

我国股市存在理性泡沫得到了普遍认同.但在现实市场中,股市不存在理性泡沫中的确定性泡沫、持续再生性泡沫、内在泡沫,对于外生泡沫的研究缺乏相关的模型,因此对周期性爆炸泡沫的检验尤为必要.采用非线性的MTAR模型对我国沪市周期性爆炸泡沫的存在性进行研究,研究结果显示,1991年1月至1996年12月期间沪市存在泡沫,而1997年1月至2004年12月泡沫成分消失,2005年1月至2009年12月沪市又出现泡沫成分,从而证实我国沪市存在周期性爆炸泡沫.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

股市波动性预测模型改进研究

本文从参数估计准则和收益率波动性的定量表达这两方面来探讨股市收益的波动性预测改进方法,并由此提出了以收益率偏差绝对值为代替偏差平方并利用非线性最小二乘法来估计参数的(A)GARCH-NLS模型。最后,我们以国泰君安指数、上证综指以及深证成指1998 1 5-2002 9 25的每日收盘价格为样本来考察各种合理替代所产生的模型对股市波动性的预测性能影响。结果发现,(A)GARCH-NLS模型对股市波动性的预测精确度有了较显著的提高。     

基于GARCH模型的期望损失ES非参数核估计

风险度量ES最新的非参数估计方法,不依赖于分布假设,但不能动态反应金融时间序列的风险.针对金融时间序列的波动,结合GARCH模型进行期望损失ES的非参数核估计,得到随市场波动而动态变化的ES预测.通过数值模拟和对近两年的上证指数实证分析验证了该方法能准确而有效的反映市场风险.     

基于删失数据的ARMA模型参数估计与实证分析

利用生存分析中的K-M估计得到了删失数据下ARMA模型的参数估计,通过与完全数据下的参数估计进行对比,充分说明了该估计的效果.利用删失数据下ARMA模型的EM算法,对2013年5月2日到2014年5月8日的247个美元兑人民币的基准汇率数据进行建模分析和预测,并与实际数据进行对照,误差较小,说明估计和EM预测方法的可行性.