摘要：作为金融市场的主体,股票市场在一国的经济进展中起着举足轻重的作用。股票指数(简称股票指数)反映了整个股票市场上各种股票市场的总体水平及其变动情况,对其进行预测浅析,以宏观方面看,可以为国家的宏观决策提供依据,以微观方面看,可以影响投资者们的投资对策和手段。由此,对于股票指数的预测探讨一直是国内外的探讨者们关注的热点。对股票指数以时间序列探讨策略入手,被证明是较为有效的策略。目前对股票指数时间序列(简称股指时序)的探讨,有传统时序模型法和数据挖掘法等。小波浅析论述的进展为结合前两种策略的优点来对股指时序进行多分辨浅析和预测提供了及其有效的工具。由此,本论文以股票指数时间序列数据为探讨对象,运用小波浅析策略对股票指数时间序列进行去噪和多分辨浅析,综合自回归滑动平均(autoregressive moving erage,ARMA)模型法和支持向量机(support vector machine,SVM)数据挖掘法的各自优势,对股指时序的短期走势进行了预测。本论文主要完成了如下工作：1、总结了国内外关于股票指数预测方面的进展,提出了基于小波浅析的ARMA-SVM组合预测模型；2、对于股票指数的特点进行浅析,并阐述了本论文建模的论述基础,重点说明了小波浅析论述,特别是小波去噪和多分辨浅析的原理,ARMA模型预测法及其实现历程,介绍了SVM模型的论述,着重说明了SVM论述在运用中的原理以及参数的选择。3、在此论述基础上,详细阐述了本论文的基于小波浅析的ARMA-SVM组合预测模型的构造历程：首先采取小波对股指时序数据进行去噪处理,然后对其进行小波分解,得到了尺度变换序列和各级小波变换序列,验证了尺度变换序列的非平稳性和小波变换序列的平稳性,然后建立ARMA模型对平稳的小波变换序列进行预测,运用支持向量机学习模型对非平稳的尺度变换序列进行智能化训练和预测,然后对浅析结果进行整合,得出组合模型的预测结果。4、最后,进行实证探讨,证明了运用该组合模型,能够实现对股票市场时间序列数据的较为准确的预测,且预测准确率高于单纯利用SVM模型,因而有更广阔的运用前景。关键词：支持向量机论文小波浅析论文自回归滑动平均模型论文股票指数论文数据挖掘论文
摘要6-7
Abstract7-8
目录8-9
第一章 绪论9-14
1.1 探讨背景和作用9
1.2 国内外股票指数时间序列探讨回顾9-12
1.3 本论文的探讨思路12-14
第二章 股指时间序列的特点及组合预测模型的论述基础14-32
2.1 股指时间序列特点的实证浅析14-16
2.2 小波浅析论述16-22
2.2.1 小波的定义16-18
2.2.2 连续小波变换18-19
2.2.3 离散小波变换19
2.2.4 小波基函数及其特性19-20
2.2.5 多分辨浅析20-22
2.3 自回归移动平均(ARMA)模型22-24
2.3.1 自回归移动平均模型概述22-23
2.3.2 自回归移动平均模型建模历程23-24
2.3.3 差分自回归移动平均模型24
2.4 支持向量机(SVM)模型24-31
2.4.1 支持向量机的统计学习论述基础25-27
2.4.2 最优分类超平面27-28
2.4.3 支持向量机的优化不足28-29
2.4.4 支持向量机的对偶不足29
2.4.5 支持向量分类机的算法29-30
2.4.6 支持向量机的核函数30
2.4.7 支持向量机参数的选取策略30-31
2.5 小结31-32
第三章 组合预测模型在股票指数时间序列预测中的实证探讨32-56
3.1 探讨思路概述32
3.2 模型评价策略32-33
3.3 实证浅析33-51
3.3.1 数据选取说明33-35
3.3.2 小波去噪35-36
3.3.3 小波多分辨浅析36-38
3.3.4 尺度序列和小波变换序列的平稳性检验38-41
3.3.5 小波变换序列的自回归移动平均模型建模预测41-49
3.3.6 尺度序列的支持向量机建模预测49-51
3.3.7 预测结果拟合51
3.4 模型比较51-54
3.5 小结54-56
第四章 总结56-58
本站原创