發(fā)布時間：2020-10-14 10:55

　　 金融時間序列是經(jīng)濟領(lǐng)域中極其重要的數(shù)據(jù)類型,為了能夠更好更快地適應(yīng)金融全球化帶來的嶄新的經(jīng)濟環(huán)境,因此,建立合適的模型對金融時間序列進行預(yù)測分析,一方面可以觀測經(jīng)濟的發(fā)展趨勢,另一方面可以降低投資風(fēng)險。本文首先介紹了股票預(yù)測理論以及預(yù)測模型的發(fā)展進程,早期的預(yù)測模型主要包括自回歸滑動平均模型(ARMA)、自回歸求和移動平均模型(ARIMA)、自回歸條件異方差模型(ARCH)等。隨著計算機的發(fā)展,也加入了人工智能的預(yù)測方法,主要包括神經(jīng)網(wǎng)絡(luò)、遺傳算法和支持向量機等,這些方法在股票市場預(yù)測的上都得到了較好的應(yīng)用。本文重點介紹了灰色預(yù)測理論和模糊時間序列的基本理論、基本方法以及預(yù)測步驟。當(dāng)前,模糊時間序提高預(yù)測精度的研究主要是對論域子區(qū)間的劃分以及構(gòu)建合理的邏輯關(guān)系矩陣,本文針對人為硬性劃分區(qū)間的問題,首先以數(shù)據(jù)波動的均值為標(biāo)準(zhǔn)對其進行分類,然后對論域區(qū)間作二次劃分,以適應(yīng)數(shù)據(jù)的分布情況;灰色預(yù)測的研究集中在原始數(shù)據(jù)的灰化處理以及背景值的改造,本文通過對數(shù)據(jù)的分析,引入兩種新的灰化處理方法以提高預(yù)測精度。論文介紹兩種改進模型的實現(xiàn)過程,然后給出相應(yīng)的實驗結(jié)果、并作出分析。最后,將兩種改進的模型相融合提出灰色—模糊時間序列預(yù)測模型,并結(jié)合公共信息對股價的影響,以股票的日收盤價和五分鐘分時價格為實驗數(shù)據(jù),通過對預(yù)測結(jié)果進行分析,證實了模型在價格預(yù)測和趨勢分析中都表現(xiàn)良好。
【學(xué)位單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：F830;N941.5
【部分圖文】：

論文，建立樣本數(shù)據(jù)模糊關(guān)系；??系和模糊邏輯關(guān)系矩陣；??和預(yù)測規(guī)則求得預(yù)測值。??關(guān)系矩陣式時，Ｓｏｎｇ等釆用的是Ｍａｘ－Ｍｉｎ系矩陣，如果序列數(shù)據(jù)比較多，那么計算出一種簡單代數(shù)算子對模型進行了修正，

第三章灰色，且ｎ階可微，那么該累加序列可用指數(shù)關(guān)系擬合。??：下表前兩行為某商場２００２年到２００７年年銷售額（百萬元），其進行一次累加后的數(shù)據(jù)結(jié)果，如下表３．１所示。??表３．１某商場連續(xù)６年銷售額２００２?２００３?２００４?２００５?２００６２．８７４?３．２７８?３．１５９?３．３９０?３．６７９２．８７４?＾１５２?９．３１１?１２．７０１?１６．３８０銷售序列圖和一次累加（１－ＡＧＯ）序列圖如圖３．１和圖３．２所發(fā)現(xiàn)，原始序列圖規(guī)律性不強，但是經(jīng)過灰處理之后，原先曲基本光滑有序，滿足灰色建模的要求，能夠進行指數(shù)關(guān)系的擬３．８?｜?Ｉ?ｉ?１?Ｉ?Ｉ?１?Ｉ?］??

３３６７?２０１７．９．１２?３３７９?２０１７．９．２１３３７９?２０１７．９．１３?３３８４?２０１７．９．２２３３８４?２０１７．９．１４?３３７１?２０１７．９．２５３３８５?２０１７．９．１５?３３５３?２０１７．９．２６３３６５?２０１７．９．１８?３３６２?２０１７．９．２７３３６５?２０１７．９．１９?３３５６?２０１７．９．２８３３７６?２０１７．９．２０?３３６５?２０１７．９．２９數(shù)據(jù)分析可知，指數(shù)的最大值Ｍ＝３３８５，最小值為ｍ＝３３３９，?＝?Ｍ－ｍ＝４６。為了作出對比，本文采用兩種處理方法建立只采用加速平移變換法處理原始數(shù)據(jù)序列；??加速平移變換法與累加均值生成法共同處理原始數(shù)據(jù)序列。??４．９和４．１０對原始數(shù)據(jù)序列進行處理，處理結(jié)果如圖所示：??４３００?｜?｜?丨?＾＾??
【相似文獻】

相關(guān)期刊論文 前10條

1 彭佳星;肖基毅;;基于分型轉(zhuǎn)折點的證券時間序列分段表示法[J];商;2016年31期

2 劉偉龍;;基于ARMA模型的股價預(yù)測及實證研究[J];智富時代;2017年02期

3 周仰;;《漫長的告別》(年度資助攝影圖書)[J];中國攝影;2017年04期

4 王嵬;;王嵬作品[J];當(dāng)代油畫;2017年07期

5 劉明華;張晉昕;;時間序列的異常點診斷方法[J];中國衛(wèi)生統(tǒng)計;2011年04期

6 郭崇慧;蘇木亞;;基于獨立成分分析的時間序列譜聚類方法[J];系統(tǒng)工程理論與實踐;2011年10期

7 王佳林;王斌;楊曉春;;面向不確定時間序列的分類方法[J];計算機研究與發(fā)展;2011年S3期

8 萬里;廖建新;朱曉民;倪萍;;一種基于頻繁模式的時間序列分類框架[J];電子與信息學(xué)報;2010年02期

9 左愛文;郭宏武;王保保;;氣象時間序列規(guī)則發(fā)現(xiàn)及其應(yīng)用[J];陜西氣象;2006年06期

10 許清海;混沌投資時間序列的嬗變[J];漳州師范學(xué)院學(xué)報(自然科學(xué)版);2003年01期

相關(guān)博士學(xué)位論文 前10條

1 郭珩;復(fù)雜網(wǎng)絡(luò)在非線性時間序列分析中的應(yīng)用[D];華東師范大學(xué);2018年

2 魯韻帆;隨機交互金融模型的構(gòu)建及金融時間序列的統(tǒng)計分析[D];北京交通大學(xué);2018年

3 宋偉;面向時間序列分類任務(wù)的SAX方法研究[D];鄭州大學(xué);2018年

4 丁超;MODIS時間序列重建方法與應(yīng)用[D];中國地質(zhì)大學(xué)(北京);2018年

5 魏永強;煤礦瓦斯監(jiān)測數(shù)據(jù)插值與預(yù)測研究[D];中國礦業(yè)大學(xué)(北京);2015年

6 楊玉軍;基于機器學(xué)習(xí)的時間序列模型研究及其應(yīng)用[D];電子科技大學(xué);2018年

7 潘玉青;基于NDVI時間序列的黃河中下游典型史前都邑性遺址的作物物候觀察[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

8 郝鵬宇;基于多時相遙感數(shù)據(jù)的農(nóng)作物分類研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

9 喬海浪;基于NDVI時間序列重構(gòu)的經(jīng)濟型人工林時空分布信息提取研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2017年

10 王妮妮;基于智能計算技術(shù)的時間序列分割及預(yù)測研究[D];大連理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 鄭萬童;基于Type-Ⅱ型模糊認(rèn)知圖的時序數(shù)據(jù)預(yù)測[D];華南理工大學(xué);2018年

2 沈禮鋒;新型深度儲備池計算方法研究[D];華南理工大學(xué);2018年

3 禹雷;基于多級聯(lián)合策略的多平臺MT-InSAR形變時間序列聯(lián)合分析[D];華東師范大學(xué);2018年

4 酈炳杰;深海實驗生態(tài)系統(tǒng)時間序列原位觀測裝置的研制[D];浙江大學(xué);2018年

5 張璐;基于組合模型的股市趨勢預(yù)測方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(shù)研究院);2018年

6 宮志晨;模型空間中的時間序列分類算法及其在不平衡數(shù)據(jù)上的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2018年

7 卞松寒;時間序列的細化二元熵和遞歸性研究[D];北京交通大學(xué);2018年

8 蔡林芝;基于Tukey法改進時間序列平穩(wěn)性檢驗的分段檢驗法[D];四川師范大學(xué);2018年

9 程爽;基于奇異譜分析的時間序列互相關(guān)分析[D];遼寧師范大學(xué);2018年

10 劉成功;時間序列的復(fù)雜性和遞歸性研究[D];北京交通大學(xué);2018年

本文編號：2840576