建立股指波動預測模型的方法研究及應用.pdf

1、反映股票市場總體走勢的各類股票指數(shù)一直以來是經(jīng)濟波動的晴雨表，是政府對股市進行調(diào)控和監(jiān)督的重要依據(jù)，同時也是投資者進行投資不可或缺的重要投資指南。因此，如何對股指進行準確預測，使得政府能夠?qū)墒羞M行有效監(jiān)管與調(diào)控、投資人能夠有效避免投資風險，就成為金融領(lǐng)域理論界長期以來的研究焦點。但是，由于股指的波動受宏觀、微觀、內(nèi)部、外部等諸多因素的影響，因此，對股指的預測存在較大的難度。本文在前人研究的基礎(chǔ)上，對股指預測理論方法及模型構(gòu)建做了如下幾

2、個方面的研究：
　　 (1)股指波動影響因素及股指預測模型特點研究。由于影響股指波動的因素眾多，本文從宏觀經(jīng)濟、技術(shù)指標、心理因素三個層面對影響股指波動的因素進行了系統(tǒng)的歸納與總結(jié)；結(jié)合股指波動特點和影響因素，分析并歸納出股指預測模型應該具備的功能和要求；
　　 (2)股指波動統(tǒng)計類預測模型與創(chuàng)新類預測模型比較研究。本文首先在理論上將兩種預測模型進行了比較，對兩種預測方法在建模的理論基礎(chǔ)、數(shù)據(jù)要求與處理、模型穩(wěn)定性與適用

3、性、預測精度與長度等方面進行了比較與探討。其次，將兩類模型進行了實證方面的比較，進行了單一指標輸入和多指標輸入的大樣本、小樣本及組合模型的比較；
　　 (3)運用生物進化算法對神經(jīng)網(wǎng)絡(luò)股指預測模型進行優(yōu)化。本文運用被GA，PSO，AFSA三種生物進化算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)對上證綜指進行預測，并將三種優(yōu)化算法得到的預測結(jié)果進行了預測精度的比較；
　　 (4)建立基于數(shù)據(jù)挖掘的RBF+AFSA股指預測模型和GA-BP股指

4、預測模型，運用數(shù)據(jù)挖掘技術(shù)，將影響股指波動的數(shù)量性指標逐一帶入預測模型，將表現(xiàn)不好的淘汰，表現(xiàn)較好的再進一步進行優(yōu)化組合，直到尋找到一個預測精度最好的最優(yōu)組合為止；
　　 (5)建立基于知識挖掘的FPBP股指預測模型和REPTree+RBF+AFSA股指預測模型，在數(shù)據(jù)挖掘的基礎(chǔ)上，運用知識挖掘技術(shù)，將影響股指波動的文本性因素，包括宏觀經(jīng)濟性因素和心理因素等，進行篩選、分級、歸類等預處理，然后帶入相應的預測模型，使預測結(jié)果能夠更

5、為接近真實值。
　　 論文綜合應用股指預測理論、經(jīng)濟學理論、神經(jīng)網(wǎng)絡(luò)理論、群智算法理論、數(shù)據(jù)挖掘理論、知識挖掘理論以及現(xiàn)代數(shù)學方法與計算科學技術(shù)，對股指預測理論及方法進行了全面系統(tǒng)的研究。具體研究方法包括：(1)理論與實證相結(jié)合的研究方法；(2)定量與定性相結(jié)合的研究方法；(3)歸納與比較相結(jié)合的研究方法等。
　　 本文的主要創(chuàng)新點包括：(1)將統(tǒng)計類的股指預測模型與創(chuàng)新類的股指預測模型在理論與實證兩方面進行了比較，結(jié)果

6、顯示，創(chuàng)新類預測模型在股指預測方面優(yōu)于統(tǒng)計類預測模型。(2)建立了一種新的對RBF神經(jīng)網(wǎng)絡(luò)進行修正的模型--魚群修正的徑向基神經(jīng)網(wǎng)絡(luò)預測模型(RBF+AFSA)，在數(shù)據(jù)挖掘的基礎(chǔ)上，運用該模型對上證綜指進行了預測，并將該種模型的預測結(jié)果與其它預測模型進行了比較。(3)運用知識挖掘理論，建立了一個FP Tree+BP混合預測模型--FPBP預測模型，選用FP Tree決策樹技術(shù)，對影響股指波動的文本因素進行了篩選，尋找出影響股指波動的主要

7、文本因素：經(jīng)濟增長、CPI、貨幣政策、投資者心理和突發(fā)事件。之后將文本因素做適當數(shù)量化處理后輸入BP模型。實證結(jié)果顯示，加入文本因素后的FPBP模型的預測效果好于僅輸入數(shù)量化指標的BP模型。(4)建立了一個基于知識挖掘的REPTree+RBF+AFSA模型。在RBF+AFSA模型數(shù)據(jù)挖掘的基礎(chǔ)之上，將數(shù)量化指標的訓練誤差和文本指標都帶入REPTree分類器做決策樹IF-Then規(guī)則分析，得到一個預測調(diào)整率。根據(jù)預測調(diào)整率調(diào)整數(shù)據(jù)挖掘得到

8、的預測結(jié)果。實證結(jié)果表明，引入了文本因素之后的REPTree+RBF+AFSA模型預測精度得到了一定程度的提高。
　　 論文研究結(jié)果表明：創(chuàng)新型智能化預測模型在股指預測方面優(yōu)于傳統(tǒng)的統(tǒng)計類預測模型；通過建立基于數(shù)據(jù)挖掘的股指預測模型，對影響股指的數(shù)量化因素進行數(shù)據(jù)挖掘，表明無論在何種預測模型中，經(jīng)過數(shù)據(jù)挖掘的多因素組合指標的預測效果都好于單一指標的預測效果；通過建立基于知識挖掘的股指預測模型，對影響股指波動的文本因素進行篩選和分