导读:本文包含了股票时间序列论文开题报告文献综述及选题提纲参考文献，主要关键词:多元线性回归,时间序列,股票,预测
股票时间序列论文文献综述
李潇宁[1]（2019）在《多元线性回归与时间序列模型在股票预测中的应用》一文中研究指出根据上证00001股股票的日线数据,建立多元线性回归和时间序列的预测模型,在对未来数据未知的情况下,利用R语言分析软件预测得出多元线性回归模型和时间序列模型中的回归参数,并评估模型精度。计算结果显示,模型的拟合精度较高,可以较好地拟合该股票数据。(本文来源于《科技创业月刊》期刊2019年02期）
刘智,张铁,董莹,徐爽爽[2]（2019）在《关于股票价格的二阶模糊时间序列》一文中研究指出由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用叁角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立叁层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama大学的入学人数进行预测,预测结果精度较高.(本文来源于《东北大学学报(自然科学版)》期刊2019年02期）
郑国杰[3]（2019）在《基于互联网投资者情绪的股票时间序列分析与预测》一文中研究指出建立在有效市场假说基础之上的传统金融理论认为金融资产价格充分反映了所有可得的信息。而行为金融学则强调投资者行为中的非理性成分,认为除了股票的基本价值,反映投资者预期的投资者情绪也会对股票价格产生重要影响。因此从投资主体出发,在行为金融理论的基础上研究股票市场的波动,不失为一种有效的方式。而网络媒体的发展为情绪的度量提供了直接来源,从股票评论中获取投资者的看法与预期成为金融分析的重要手段。非结构化的股票评论对投资者情绪的提取造成了一定挑战,为解决这部分问题,本文运用词向量技术和关联规则方法构建并扩展了情感词典,利用情感分类算法对评论蕴含的股票市场预期进行了判断,并以此为基础构建了投资者情绪指数。进一步地,本文借助构建的情绪指数探索网络情绪与股票市场之间的关系,相关分析与因果检验的结果都表明该情绪指数对股票收益具有一定的预测性。最后,相较于已有的股票预测方法,本文尝试从两个方向提高股票价格时间序列预测的准确度。一方面,依赖于提取的舆情数据的投资者情绪,本文将情绪作为外部特征融入预测模型。另一方面,本文从时间序列模型本身入手,结合神经网络和计量模型的优势构造NARX-GARCH模型,充分挖掘价格序列内部所蕴含的信息。实验结果表明,互联网投资者情绪对于股票市场的波动具有指导意义,并且本文提出的基于投资者情绪的股票预测方法具有明显的优势。(本文来源于《浙江工业大学》期刊2019-01-01）
于文静,余洁,徐凌宇[4]（2019）在《基于时间依赖的改进样本熵分析股票时间序列》一文中研究指出样本熵是一个度量时间序列复杂度的非线性方法,广泛应用于各领域。然而,研究表明熵值的大小并不总是和时间序列的复杂性相关。为了解决这个问题,提出了多尺度熵,用来度量不同尺度下的时间序列的复杂度。但是,考虑到这种方法并没有解决样本熵在度量时间序列复杂度的问题,提出了基于时间依赖的改进样本熵,并将其用在股票收盘价和成交量时间序列上,研究它们对应的复杂度关系。同时,结合多尺度的方法,衡量不同尺度下股票收盘价时间序列和成交量时间序列的复杂性。实验结果表明,从收盘价时间序列和成交量时间序列的复杂度变化上能够揭示一定的股票的发展规律。另外,收盘价序列在不同的尺度上能够保持一致性,而成交量序列在不同的尺度上熵值变化则有不同的趋势,且股票类型越接近,熵值变化曲线也越接近。(本文来源于《计算机技术与发展》期刊2019年03期）
常月,冯宇旭,曹显兵[5]（2018）在《基于非线性时间序列模型的股票分析与预测》一文中研究指出时间序列模型在股票价格的分析与预测中有着极其重要的应用.本文针对沪深300日收益率建立了ARIMA-GARCH拟合模型.首先对数据进行对数处理、平稳性检验、自相关检验、偏自相关检验和ARCH效应检验,然后消除条件异方差性,最后通过实证分析得到了模型的有效性与准确性.(本文来源于《数学的实践与认识》期刊2018年22期）
刘恒,侯越[6]（2019）在《贝叶斯神经网络在股票时间序列预测中的应用》一文中研究指出针对BP神经网络初始权值随机获取所导致的易陷入局部最优的问题,采用贝叶斯正则化(Bayesian Regularization,BR)算法改进传统BP神经网络模型。该算法在保证网络误差最小的前提下,通过历史数据的先验概率调整BP模型的适应度函数,使网络的泛化能力得到提升。在股票时间序列预测的实证性研究中表明,比传统BP模型在预测精度上提高42.81%。(本文来源于《计算机工程与应用》期刊2019年12期）
张旭,薛雷,李敦宇[7]（2018）在《基于金融时间序列和舆情分析的股票分析系统》一文中研究指出结合我国与美国的不同国情,利用舆情分析、金融时间序列分析,开发出一套针对上证(深证)和美市的股票分析系统,调用雅虎财经API,实现了实时数据获取,在获取有效的数据后,首先对股票进行"烛台"化处理,针对不同股市,美股更多的基于市场规律,美市则采用自回归积分滑动平均模型(ARIAM)进行预测,上证股票则受政策影响更大,对此从新浪网进行舆情收集,然后来利用自然语言处理(NLP)进行股民的情感分析。(本文来源于《工业控制计算机》期刊2018年04期）
阚子良,蔡志丹[8]（2018）在《基于优化参数的LS-SVM模型的股票价格时间序列预测》一文中研究指出为有效预测股票数据,提高投资者的股市投资能力,降低投资风险,提出一种基于优化机器学习方法的股价时间序列预测方法。对股票序列进行了主成分分析,提取累积贡献率大于95%的主成分作为输入变量,并对比了优化核函数宽度g和正则化参数γ后的LS-SVM和SVM模型的预测效果。运用的支持向量机技术经遗传算法优化参数后,降低了预测的均方误差,提高了预测效果和效率,较其他非线性预测方法,具有泛化能力好、鲁棒性强、预测精度高等优点。最后给出了实证结果分析和研究结论,对有效预测股票数据有一定现实指导意义。(本文来源于《长春理工大学学报(自然科学版)》期刊2018年01期）
程小林,郑兴,李旭伟[9]（2018）在《基于概率后缀树的股票时间序列预测方法研究》一文中研究指出在时间序列符号化基础上,本文引入概率后缀树PST模型,构建基于时间序列符号化和概率后缀树相结合的股票预测模型.本文选择在沪深300的10支股票数据上将预测模型与传统的马尔科夫模型MM和自回归移动平均模型ARMA进行对比,结果显示本文提出的股票预测模型优于MM模型和ARMA模型,验证了本文所提出的预测模型在投资收益上的有效性.(本文来源于《四川大学学报(自然科学版)》期刊2018年01期）
张捷[10]（2017）在《基于时间序列模型的股票价格波动特性分析》一文中研究指出股票市场的波动率问题一直是现代投资学研究的关键问题,是国家监管机构最关注的风险指标。选取股票交易系统中2015—2016年股票东阿阿胶(000423)日收盘价数据,分别从序列水平特征和波动特性2个角度,运用ARIMA模型和GARCH模型,进行股票的短期预测和波动性拟合。结果显示:ARIMA模型对深交所股票东阿阿胶日收盘价的短期预测值与实际值相对误差小,GARCH模型较好地拟合了股票价格,并估计出了风险区间,能为短期投资者和股票决策者提供参考。(本文来源于《湖南文理学院学报(自然科学版)》期刊2017年03期）
股票时间序列论文开题报告
（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：
由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用叁角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立叁层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama大学的入学人数进行预测,预测结果精度较高.
（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。
股票时间序列论文参考文献
[1].李潇宁.多元线性回归与时间序列模型在股票预测中的应用[J].科技创业月刊.2019
[2].刘智,张铁,董莹,徐爽爽.关于股票价格的二阶模糊时间序列[J].东北大学学报(自然科学版).2019
[3].郑国杰.基于互联网投资者情绪的股票时间序列分析与预测[D].浙江工业大学.2019
[4].于文静,余洁,徐凌宇.基于时间依赖的改进样本熵分析股票时间序列[J].计算机技术与发展.2019
[5].常月,冯宇旭,曹显兵.基于非线性时间序列模型的股票分析与预测[J].数学的实践与认识.2018
[6].刘恒,侯越.贝叶斯神经网络在股票时间序列预测中的应用[J].计算机工程与应用.2019
[7].张旭,薛雷,李敦宇.基于金融时间序列和舆情分析的股票分析系统[J].工业控制计算机.2018
[8].阚子良,蔡志丹.基于优化参数的LS-SVM模型的股票价格时间序列预测[J].长春理工大学学报(自然科学版).2018
[9].程小林,郑兴,李旭伟.基于概率后缀树的股票时间序列预测方法研究[J].四川大学学报(自然科学版).2018
[10].张捷.基于时间序列模型的股票价格波动特性分析[J].湖南文理学院学报(自然科学版).2017