导读:本文包含了股价预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:股价,神经网络,中信,证券,向量,中国,东吴。
股价预测论文文献综述
徐晨萌,方华[1]（2019）在《运用ARMA模型对股价预测的实证研究》一文中研究指出金融市场上的时间序列数据蕴含了历史信息,可以揭示系统的运行规律。研究者们可以采用常见的时间序列分析模型,借助Eviews等工具,对以往的金融数据(如股价)进行研究,探寻其规律,并运用于未来走势的短期预测。选取工商银行(601398)的股票日开盘价(2018月2月14日至2019年2月14日)序列,进行一阶差分使数据平稳,之后运用ARMA模型对未来叁天的开盘价(2019年2月15日至2019年2月19日)进行预测。将预测结果与真实值对比后发现预测结果较为准确,误差较小,说明ARMA模型适合于股价短期预测,进一步证实了时间序列模型在金融方面的作用。(本文来源于《经济研究导刊》期刊2019年31期）
冷翠华[2]（2019）在《券商“斗胆”预测险企下半年股价：中国平安股价超百元 新华保险最高期待再涨六成》一文中研究指出近日，5家A股上市保险公司半年报均已披露完毕，多家券商也对上述险企上半年的业绩进行了点评，对上市险企股票价格进行分析和预测。《证券日报》记者对券商研报进行的不完全统计发现，整体而言，券商给保险公司的评价较高，对未来的预期也比较乐观，“增持”、“买(本文来源于《证券日报》期刊2019-09-02）
本报记者,周璐璐[3]（2019）在《机构预测：14家券商股价上涨空间逾30%》一文中研究指出以8月30日收盘价及Wind收录的机构一致预测目标价计算，在沪深上市的券商股价均存在上涨空间，其中，有14家券商股价有30%以上的上涨空间。分析人士称，在政策利好背景下，可关注券商板块业绩确定性下的配置价值。机构一致看多8月30日(本文来源于《中国证券报》期刊2019-08-31）
冯旭日,崔洁[4]（2019）在《基于灰色Elman神经网络的股价预测》一文中研究指出在灰色GM(1,1)模型动态预测股价变动趋势的基础上,运用Elman模型对其进行修正,采用组合模型的方法解决了非线性和影响因素复杂的股价预测的问题,并实证分析证明组合模型的可行性。预测结果表明:组合测试在保证稳定性的前提下提高了预测的准确率,更能拟合出股价变动的规律,为广大的投资者起到指导作用。(本文来源于《辽宁工程技术大学学报(社会科学版)》期刊2019年04期）
凤河[5]（2019）在《有限注意与A股市场股价回归预测》一文中研究指出随着当前互联网技术的革新,社交媒体快速的发展,使得人们在网上可以实时在线发表自己的观点,成为了人们新的沟通方式。网络在线评论已经成为了不少人们对于自己观点的表达方式,对于证券市场来说,在网络上已经发展了不少专业的股票论坛,供人们发表自己对股票投资问题的看法。深入分析和挖掘网络平台上投资者所发布的信息,是对于投资者行为及情绪的了解方式,也是挖掘投资者情绪的基本手段。近年来,投资者情绪已经成为了股票投资中更为关注的指标之一,从早期的结构化指标到如今文本挖掘,受到了越来越多的金融企业、监管机构的注意,也逐渐成为了学者们的研究热点问题之一。本文聚焦于网络平台上的海量文本数据,通过文本挖掘对非结构化的文本数据进行提取并分析,通过对国内股票论坛平台的信息对比,选择了雪球网论坛作为本文研究投资者有限注意的基础。雪球网论坛是一个开放性的股票交流论坛,论坛中的在线评论等信息能够比较好地从一个侧面映射投资者对相关股票的即时想法。近年来国内在本文挖掘与股票预测的相关领域内有相应的研究,取得了一定的研究成果。本文在前人研究成果的基础上,主要对投资者有限注意与股票预测的关系作以研究,同时对机器学习的不同方法进行了比较。理论研究上,论文首先界定了有限注意及不同理论基础等,并在已有研究成果的基础上提出了基于文本挖掘的股票在线评论数据构建投资者有限注意指标的研究意义。从情绪分析的角度上来看,主要通过自然语言处理将所有的文本信息进行情感分类,将文本数据的情感分为积极文本、消极文本和中性文本叁类。进一步,在分类处理好信息后,建立向量空间模型与情感特征模型,分别采用支持向量机回归与logistic回归两种算法对文本的分类结果进行量化处理。实际应用研究上,本文首先以采用爬虫技术从雪球网论坛上获取的上证50指数在线股票评论的文本数据为研究对象,阐述了数据的获取和预处理过程,并进一步构建了基于文本挖掘的投资者有限注意指标。同时,本文也选取的结构化数据的指标,与投资者有限注意的指标共同作为自变量,并选取上证50指数的收盘价作为因变量。接下来,本文研究了相应自变量与因变量之间的相关性,通过平稳性检验与格兰杰因果检验筛选出与因变量相关的相应指标,再通过对相应指标构建两种模型来检验不同模型下的自变量指标对股票市场预测的准确性。研究表明看涨情绪指标和普通情绪指标与股票市场收盘价具有相关性,并且基于支持向量机的投资者有限注意指数对股票市场预测的准确率更好。(本文来源于《西安理工大学》期刊2019-06-30）
张紫乾,刘明婉[6]（2019）在《马尔科夫链模型对短期股价的预测》一文中研究指出本文将"万科A"股票的日收盘价作为研究对象,将股票自2018.6.1-2019.5.31的收盘价视为齐次马尔科夫链,并对未来的股价进行预测。结果显示,在短期股价预测方面,模型表现较好。(本文来源于《大众投资指南》期刊2019年12期）
张婧欣[7]（2019）在《财务指标对股价波动的预测研究》一文中研究指出自1990年上海证劵交易所成立以来,中国股票市场经历了震荡发展阶段、逐步规范化阶段和市场化阶段。但是,就其总体而言,股价波动存在着幅度大、频率高的特点,从而使得股票市场风险性强、不稳定性高。一定范围内的股价波动能够对国民经济起到促进作用,但是过于频繁和剧烈的波动,会让投资者不知道如何去进行投资决策,甚至影响整个经济的稳定。在这样的背景下,探究股价波动的规律,对股价波动作出预测就显得尤为重要了。上市公司的财务指标数据作为股票市场的主要信息来源、投资者进行投资决策的重要依据,是非常具有代表性的。如果能够将反映公司内在价值的财务指标数据加入到对于股价波动的预测当中,将富有现实意义。本文首先对国内外关于股价波动预测的相关文献进行梳理,然后对影响股价波动的因素进行分析后,选择了能够代表公司内在价值的财务指标作为影响因子。结合相关理论基础,分析了财务指标对股价波动的作用机制以及主要财务指标的选择问题。本文以沪深300制造业上市公司为例,选择了盈利能力、偿债能力、发展能力和运营能力中的14个财务指标,创新性的将盈利能力指标、偿债能力指标、发展能力指标和运营能力指标所构建而成的财务指标体系作为评估公司经营状况的标准,对上市公司的经营状况进行打分排名,选择优质的公司作为本文的研究对象。通过BP神经网络来训练模型,并根据样本外数据进行预测检验;通过对比分析,将主成分分析之前的BP神经网络与主成分分析之后的BP神经网络预测效果进行对比,得出结论。本文研究发现:一是我国股票市场可以进行预测;二是本文所选的沪深300制造业上市公司的财务指标能够通过BP神经网络对股价波动进行预测;叁是在预测模型构建上,PCA-BP神经网络提高了预测的准确度和运算的效率,降低了预测的误差,是一种更优的预测股价波动的方法;四是投资者可以通过构建由盈利能力、偿债能力、发展能力和运营能力构成的财务指标综合评价体系对上市公司的经营状况进行打分排名,以期更客观的了解上市公司的经营状况,从而进行投资决策。(本文来源于《重庆工商大学》期刊2019-05-22）
董畅[8]（2019）在《结合Relief算法基于神经网络与支持向量机的股价指数预测研究》一文中研究指出股票作为证券市场的重要组成部分,其价格的变动牵动着众多股市参与者的心。如果能够成功预测股价的走向对众多股市参与者来说意义重大,对于投机者来说可以通过预测股价的涨跌方向并在多次买卖中获取短期利润,对于投资者来说预测股价的涨跌方向可以更好的判断市场的情况并制定相应的投资策略,对于风险管理来说预测股价的走向更有利于及时从不合理的股价运动中发现市场风险并提前做出相应的管控和调整。因此寻找有效方法预测股票的价格或涨跌成为金融界的重点关注的问题。虽然股票价格的预测问题意义重大,但其在金融领域中却是一个异常复杂的问题,这是因为股票价格的运动是很复杂的,并且被诸如政治事件、公司政策、一般经济环境、投资期望、机构投资者的选择以及投资心理学等等多种因素影响。这些原因造成了股票价格的运动走向是一个非线性的、复杂的并且混乱的系统。在这样的情况下就意味着简单的模型是不能解决股价预测问题的,而是需要寻找更为复杂的模型或方法来解决这个问题。虽然股价预测的难度非常大,但到目前为止股价预测已经发展出了多种解决方法,其中所使用的方法大体上分为证券业所使用的基本方法、传统统计方法、机器学习方法和其他方法。本文将从BP神经网络在沪深300指数价格预测中的应用出发,并讨论不同机器学习模型、数据量的提高和Relief特征选择算法是否有利于提高模型预测准确率。为了实现上述目的,本文的主要工作分为叁个部分,第一部分将BP、RBF神经网络和SVM(支持向量机)应用于沪深300指数日频数据的涨跌预测以对比不同模型的预测能力;第二部分将BP神经网络分别应用于沪深300指数的日频数据和分钟频数据的涨跌预测验证增大数据量是否会提高模型预测能力;第叁部分将Relief算法应用于BP、RBF神经网络和SVM的沪深300指数日频数据的涨跌预测验证Relief特征选择是否会提高模型的预测能力。实证各部分结果如下:第一部分显示SVM的预测能力高于RBF神经网络,RBF高于BP神经网络;第二部分显示数据量的增大会提高BP神经网络的预测能力;第叁部分显示Relief算法在SVM(多项式核函数)上会一定程度上提高预测能力。(本文来源于《山东大学》期刊2019-05-20）
郝志慧[9]（2019）在《基于有无监督学习的股价预测对比实证分析》一文中研究指出自股票作为一种投资工具被人们所熟知后,股票市场逐步渗透进大众的生活中,并且凭借其资产配置及价格再发现等功能,在国家经济中也发挥着举足轻重的作用。越来越多的人尝试从大量的、不完整的、模糊的股票历史数据中挖掘出隐藏的、有价值的信息,从而进行股票价格的预测,并进一步在股票市场中获得较为可观的收益。然而股票数据的波动非线性性和复杂性等特性可以反映出股价的预测并不像想象中那么简单。近年来,机器学习也是迅速崛起的一个分支,它在大众传媒中的应用范围和宣传力度决定了机器学习算法在不久的将来必然可以取得巨大的进步。同时机器学习算法也凭借其归纳计算能力在股票价格领域得到广泛的应用,各类学习算法根据训练数据中的输入和输出数据拟合出相应的参数,使得其训练出的模型达到误差最小化。然而机器学习领域中的回归算法种类多样,如何在不确定未来股价走势的情况下选取适用于股票数据且预测精度较高的模型则成为现阶段下人们需要考虑和解决的问题。本文所要解决的主要问题就是对比叁种有监督学习算法:支持向量机、k-最近邻回归和决策树模型在股价预测方面的精确度,包括单一模型以及结合聚类方法的组合模型。本文在回顾各种股票预测方法,详细阐述有监督学习和无监督学习相关算法内容的基础上,利用单一的支持向量机、k-最近邻回归和决策树算法对上证综指和标准普尔500指数的历史数据进行训练和测试,比较不同参数设置下叁种算法的预测精度、误差值和运行效率,结果显示支持向量机搭配高斯核函数和距离加权回归的k-最近邻算法的预测精度较优。之后将叁种回归算法与聚类算法进行组合,先使用无监督学习中的主成分分析和k-均值聚类对原始数据进行降维处理,再分别使用选取高斯核函数的支持向量机、距离加权回归的k-最近邻回归以及决策树算法对降维数据进行训练和预测,横向比较各个组合模型的预测结果,实验充分证明基于主成分分析的支持向量机模型和基于k-均值聚类的k-最近邻回归模型在模型评价和预测准确度方面具有明显的优势；纵向比较,结果证明大部分组合模型的预测结果优于单一模型;比较同一种回归算法组合不同聚类算法的结果,可以看出支持向量机算法对于结合主成分分析或k-均值聚类并没有太大影响,基于k-均值聚类的k-最近邻回归模型的结果准确度优于基于主成分分析的k-最近邻回归模型,基于k-均值聚类的决策树模型相比基于主成分分析的决策树模型可以得到更为准确的结果。本文的创新点在于以下两个方面:(1)本文区别于以往学者的研究方向,将无监督学习算法中的聚类算法与回归算法相结合,并将组合算法用于预测股票价格,并在此基础上从不同方向比较预测结果;(2)本文选取较新的上证综指和标准普尔500指数数据,样本数据充足且不失新鲜度,相比单一股票更具代表性,得到的结论更具信服度。(本文来源于《山东大学》期刊2019-05-20）
满成剑[10]（2019）在《基于特征自编码和时间卷积网络的股价预测研究》一文中研究指出今天,随着中国经济的快速发展,资本市场特别是证券市场愈发受到青睐,无论对机构还是个人投资者,股票价格预测一直是各方关注的重点,在资本市场领域有重要的意义。传统上,投资者基于统计技术分析或者简单机器学习方法进行股价预测,但由于股票市场是一个复杂的非线性动态系统,这些方法存在巨大的局限性。近年来,神经网络依靠其强大的非线性建模能力在计算机视觉、自然语言处理、自动驾驶等各方面取得非常大的进展,越来越多的人考虑利用神经网络进行股价预测,其中LSTM凭借其强大的序列建模能力获得更多的青睐,人们也不断通过理论创新、模型创新提升股价的预测精度。近期,时间卷积网络(TCN)理论凭借其更佳强大的序列建模能力在时序任务中取得较LSTM等循环神经网络更好的效果;同时,自编码网络作为一种无监督学习算法,对于进行特征工程、提取高级语义特征方面有独特的效果。论文正是基于以上两个方面对股价预测算法进行创新。本论文深刻回顾了股价预测的理论意义及必要性,并系统阐述了近年来国内外学者在股价预测模型创新中取得的进展,特别地,针对目前表现良好的神经网络模型进行深入探讨,以此为基础构建股价预测创新模型——基于特征自编码和时间卷积网络的股价预测模型,并利用股票历史量价数据实证分析模型的优越性。主要创新工作如下:(1)基于成熟的特征自编码算法以及LSTM股价预测算法理论,首次将以上两种算法相结合,构建“特征自编码网络+LSTM”组合股价预测算法,通过与单纯的LSTM算法进行比较实证分析:选取深证成指成分股平安银行历史量价数据,通过自编码网络进行高级语义特征抽取,将高低级语义特征进行结合,作为LSTM股价预测模型的输入,进行模型的训练及测试,将各项评价指标与单纯的LSTM股价预测模型进行比较。通过以上的模型构建和对比实证分析,得出以下结论:通过特征自编码网络的自训练学习得到的高级语义特征对于股价的预测效果有部分提升;通过t时刻之前timestep长度的日期特征预测t+m时刻的股票价格,中等大小的m(本例中大致为20)取得的预测效果更稳定,具有更好的效果。(2)基于已有的特征自编码算法以及最新的时间卷积网络(TCN)算法结构,首次将TCN算法应用到股价预测任务中去,并与(1)中证明对股价预测有性能提升的“特征自编码网络”相结合,构建“特征自编码网络+TCN”组合股价预测算法。将算法与(1)中的“特征自编码网络+LSTM”组合股价预测算法进行比较实证分析:同样选取相同的平安银行历史量价数据,进行与(1)中相同的操作。通过以上的模型构建和对比实证分析,得出以下结论:通过时间卷积网络的代替LSTM对于股价的预测效果有部分性能提升;通过t时刻之前timestep长度的日期特征预测t+m时刻的股票价格,中等大小的m(本例中大致为20)取得的预测效果更稳定,具有更好的效果;随着预测数据时间步的延长,TCN处理长串数据的能力得到释放,模型的性能得到部分提升,但存在提升上限。最终,我们通过以上的分析证明了“特征自编码网络斗+TCN”模型在股价预测任务中的优越性。(本文来源于《山东大学》期刊2019-05-12）
股价预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近日，5家A股上市保险公司半年报均已披露完毕，多家券商也对上述险企上半年的业绩进行了点评，对上市险企股票价格进行分析和预测。《证券日报》记者对券商研报进行的不完全统计发现，整体而言，券商给保险公司的评价较高，对未来的预期也比较乐观，“增持”、“买
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
股价预测论文参考文献
[1].徐晨萌,方华.运用ARMA模型对股价预测的实证研究[J].经济研究导刊.2019
[2].冷翠华.券商“斗胆”预测险企下半年股价：中国平安股价超百元新华保险最高期待再涨六成[N].证券日报.2019
[3].本报记者,周璐璐.机构预测：14家券商股价上涨空间逾30%[N].中国证券报.2019
[4].冯旭日,崔洁.基于灰色Elman神经网络的股价预测[J].辽宁工程技术大学学报(社会科学版).2019
[5].凤河.有限注意与A股市场股价回归预测[D].西安理工大学.2019
[6].张紫乾,刘明婉.马尔科夫链模型对短期股价的预测[J].大众投资指南.2019
[7].张婧欣.财务指标对股价波动的预测研究[D].重庆工商大学.2019
[8].董畅.结合Relief算法基于神经网络与支持向量机的股价指数预测研究[D].山东大学.2019
[9].郝志慧.基于有无监督学习的股价预测对比实证分析[D].山东大学.2019
[10].满成剑.基于特征自编码和时间卷积网络的股价预测研究[D].山东大学.2019
论文知识图
