导读:本文包含了股票指数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:模型,神经网络,指数,算法,股票,递归,序列。
股票指数预测论文文献综述
张亚婕[1]（2019）在《基于ARIMA模型对股票和指数预测结果的简单比较分析》一文中研究指出ARIMA模型可应用于预测平稳时间序列,且预测效果较好。本文选取2017年10月9日到2018年9月25日的240个收盘价和收盘指数作为样本,运用ARIMA模型对2018年9月26日到2018年10月9日的恒瑞医药股价和深圳综合指数做出预测,并比较模型对于两者的预测效果。(本文来源于《市场研究》期刊2019年11期）
柴岩,段大锴[2]（2019）在《互信息与RBM特征提取的股票指数预测模型》一文中研究指出为给市场参与者和管理者提供有效判断股票市场的状态及未来的变化趋势的决策依据,以人工智能的非线性模型为基础,基于支持向量机理论,借助差分进化算法对其参数寻优,构建基于互信息与RBM特征提取的股票指数预测模型,拓展信息挖掘的范围,将技术指标和周边市场信息以互信息加权的方式同时纳入运算;基于RBM无监督学习方式,与支持向量机深度结合,提取数据中隐含的深层次特征.通过恒生指数的实例验证结果表明所构建模型的有效性,研究结论为投资者行情分析及决策提供参考建议.(本文来源于《辽宁工程技术大学学报(自然科学版)》期刊2019年05期）
孟叶,于忠清,周强[3]（2019）在《基于集成学习的股票指数预测方法》一文中研究指出股票价格指数是衡量整个股票市场当前行情的重要指标,通常对指数内所有个股的涨跌幅进行加权平均得到,因此股票指数能够及时准确地反映当前市场的动向走势。对沪深300指数的历史行情数据进行建模,通过挖掘大盘指数的涨跌幅与个股的涨跌比之间的关系,利用聚类算法确定对市场影响较大的指数涨跌幅集合G,将其作为研究关键。运用集成学习的算法思想,选取K-近邻、梯度提升和自适应提升这3个分类器,通过改进的投票算法聚合成一个新的分类器模型,对指数行情数据进行学习分类,从而对G的出现进行预测,改进的投票算法综合考虑了弱分类器本身的分类效果,分类效果得到提升。实验结果表明,与原模型相比,新聚合的模型在一定程度上提升了股指预测的准确度,对于沪深300股指的预测具有指导作用。(本文来源于《现代电子技术》期刊2019年19期）
孙德山,任靓[4]（2019）在《基于主成分分析和递归神经网络的短期股票指数预测》一文中研究指出运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.(本文来源于《辽宁师范大学学报(自然科学版)》期刊2019年03期）
耿旭东[5]（2019）在《基于机器学习的股票指数预测研究》一文中研究指出股票指数是一个非线性的动态时间序列,它具有高波动、低稳定、噪声大、易受外界因素干扰等特性,这些特性使得股票指数准确预测成为一个非常有挑战性的问题。研究发现股票指数基础数据特征间存在多重共线性与噪音干扰等问题,这些问题往往导致股票指数预测模型精度的严重下降;此外,研究还显示不同结构的机器学习模型性能存在较大差异性,这些差异性导致不同模型在同一支股票指数预测中的表现大相径庭。本文在股票指数价格短时预测的问题中,针对输入特征与预测模型这两种对股票指数预测影响最大的因素,分别提出了基于Xgboost模型的特征生成方法及动态加权集成学习模型。本文的主要研究内容如下:(1)基于Xgboost模型的特征生成方法研究。研究发现输入特征对股票指数预测模型的性能具有重大影响。现有特征选择与特征提取方法在利用基础数据信息方面存在着部分丢失与不充分的问题。本文在研究中发现Xgboost模型将股票指数基础数据特征投影到叶子节点所表示的高维空间的过程中,叶子节点是否参与表达对预测性能具有重要影响。本文仅提取样本在Xgboot中参与表达的叶子节点信息,对其进行one-hot编码通过将参与表达叶子节点映射到高维空间中提高该特征的表达能力。将编码后特征与样本原始特征组合作为最终的输入特征。实验结果表明,该方法生成的组合特征可以有效的提高股票指数回归预测的精度。(2)基于动态加权集成学习的股票指数回归预测方法研究。研究发现预测模型对股票指数的预测同样具有重大影响。传统的集成学习模型在股票指数回归预测中,存在忽略基础学习器性能的贡献度,对高性能的基础分类器利用有限等问题。由于基础分类器间结构各不相同,导致其在不同股票指数预测中表现各异。本文在研究中发现基础分类器间存在一定程度的互补性,通过动态加权的方式对不同结构的基础分类器进行组合,可以合理的利用互补性提高高性能分类器的贡献度。基于此研究本文提出了适用于股票指数预测的动态加权集成学习模型。实验结果表明,本文提出的动态加权集成学习模型同单一预测模型相比精确度更高,且适用于不同股票指数的回归预测。(本文来源于《河南大学》期刊2019-06-01）
杨青,王晨蔚[6]（2019）在《基于深度学习LSTM神经网络的全球股票指数预测研究》一文中研究指出作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数叁种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比叁种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比叁种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。(本文来源于《统计研究》期刊2019年03期）
王玥,孙德山[7]（2018）在《基于集成算法的股票指数预测》一文中研究指出利用集成算法中的Bagging、Boosting和Random Forest叁个方法,选取股票指数中的中小板指数、深证成指数、上证指数、创业板指数4组数据进行分析,得出Random Forest对上证指数、中小板指预测结果较好;Boosting对创业板指预测结果较好;Bagging对深证成指预测较好.并在4个板指中,随机选取了4支股票数据(分别为大连重工、中南建设、中国医药、东方国信)进行分析,得出集成算法在数据为200个的情况下,预测结果较为准确,其中不同方法对不同股票的适宜程度有所不同.(本文来源于《经济数学》期刊2018年04期）
方坷昊,赵凌[8]（2018）在《基于偏最小二乘方法的ARIMA模型在股票指数预测中的应用》一文中研究指出股票指数是股票市场的重要综合指标,而股票市场又是一个国家经济的重要组成部分.基于偏最小二乘法结合ARIMA模型对股票指数进行研究.首先通过ARIMA模型对股票指数进行预测,模型取得较为理想的效果,根据偏最小二乘方法在处理股票类数据上的独特优势,加入相关变量实施回归分析,再结合偏最小二乘回归进行建模分析.研究发现,组合模型较ARIMA模型具有更好的预测效果,且ARIMA模型生成的变量重要程度最高.(本文来源于《四川文理学院学报》期刊2018年05期）
刘浩宇[9]（2018）在《基于GARCH模型的股票市场波动预测——以沪深300指数为例》一文中研究指出1990年上海证券交易所和深圳证券交易所正式成立。在这将近叁十年时间里,我国对于股票证券市场的监管和体制方面都有很大的改变。可是我国股票市场相比国外比较健全的股票市场还是存在一定的差距。自从2008年金融危机以后,人们逐渐将注意力放到了股票市场的预测上。股票的预测主要是对股票的波动的分析。如何分析描述股票的波动及股票未来收益率成为当今最热门的话题之一。AR CH族模型是目前最常用的分析股票波动的模型,其中GAR CH模型更是可以很好地拟合股票波动率。其次蒙特卡罗模拟是分析随机问题的一种必要手段,将GARCH模型和蒙特卡洛模拟结合可以更加准确的分析股票波动率。本文结合沪深300指数,利用软件R对不同阶数的GARCH模型进行模拟分析,根据各种条件确定相对最优模型,发现GARCH(1,1)对股票收盘指数模拟效果最好,再利用GARCH(1,1)结合蒙特卡洛模拟对未来沪深300日收盘价指数进行短期预测。通过预测,可以大概了解股票的波动规律,能有效地对是否进行股票交易提供合理的参考。(本文来源于《武汉商学院学报》期刊2018年02期）
王晨[10]（2018）在《基于隐马尔科夫模型的股票价格指数预测》一文中研究指出股票价格具有不确定性,如果投资者能够事先预测价格走势,就能够规避价格波动风险,减少投资损失,甚至获取超额收益。随着大数据的热潮,越来越多的统计学习模式应用到股票价格预测中,隐马尔科夫模型就是其中一个。隐马尔科夫模型在马尔科夫链的基础上发展而来,用来研究一组隐藏状态。该模型是一个双随机过程,由两部分构成:马尔科夫链和一般随机过程,分别用来描述状态之间的转移关系和状态、观测值之间的关系。本文基于隐马尔科夫模型对股票价格预测、股票市场状态等问题进行了实证研究,以股票价格指数——沪深300为研究对象,讨论了隐马尔科夫模型的相关理论在预测股票市场价格、状态方面的可行性,从而构建出适用于我国国情的股价预测模型。本文实证过程主要包括数据选取及检验、隐状态数目确定、参数估计以及预测等步骤,并且从叁个方面改进了基本的连续隐马尔可夫模型——基于人工神经网络算法优化模型输入、基于ISODATA算法优化模型初始值以及引入多日加权预测法预测股票价格,从而提出了一种改进的隐马尔科夫模型。本文改进的隐马尔科夫模型克服了基本模型不能预测具体价格数据的缺点,能够从全局和局部两个角度分别对市场状态和股指价格进行预测。与基本模型相比,改进模型预测误差大幅降低,MAPE值从1.24下降到0.75。实证结果表明,本文模型能够预测股票市场状态以及股票价格指数;股票市场处于某一状态(熊市或者牛市)会持续一段时间,从一个状态转移到另一个状态较为困难;本文改进的模型提高了预测准确性,对实际投资有一定的指导意义。(本文来源于《山东大学》期刊2018-04-20）
股票指数预测论文开题报告
（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：
为给市场参与者和管理者提供有效判断股票市场的状态及未来的变化趋势的决策依据,以人工智能的非线性模型为基础,基于支持向量机理论,借助差分进化算法对其参数寻优,构建基于互信息与RBM特征提取的股票指数预测模型,拓展信息挖掘的范围,将技术指标和周边市场信息以互信息加权的方式同时纳入运算;基于RBM无监督学习方式,与支持向量机深度结合,提取数据中隐含的深层次特征.通过恒生指数的实例验证结果表明所构建模型的有效性,研究结论为投资者行情分析及决策提供参考建议.
（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。
股票指数预测论文参考文献
[1].张亚婕.基于ARIMA模型对股票和指数预测结果的简单比较分析[J].市场研究.2019
[2].柴岩,段大锴.互信息与RBM特征提取的股票指数预测模型[J].辽宁工程技术大学学报(自然科学版).2019
[3].孟叶,于忠清,周强.基于集成学习的股票指数预测方法[J].现代电子技术.2019
[4].孙德山,任靓.基于主成分分析和递归神经网络的短期股票指数预测[J].辽宁师范大学学报(自然科学版).2019
[5].耿旭东.基于机器学习的股票指数预测研究[D].河南大学.2019
[6].杨青,王晨蔚.基于深度学习LSTM神经网络的全球股票指数预测研究[J].统计研究.2019
[7].王玥,孙德山.基于集成算法的股票指数预测[J].经济数学.2018
[8].方坷昊,赵凌.基于偏最小二乘方法的ARIMA模型在股票指数预测中的应用[J].四川文理学院学报.2018
[9].刘浩宇.基于GARCH模型的股票市场波动预测——以沪深300指数为例[J].武汉商学院学报.2018
[10].王晨.基于隐马尔科夫模型的股票价格指数预测[D].山东大学.2018
论文知识图
