基于ARIMA-GARCH模型的股票价格预测研究

利用时间序列模型对宇通客车股票的收盘价格进行预测.首先利用ACF平稳性检验来判断时间序列是否平稳,然后,选择ARMA、ARIMA、ARIMA-GARCH进行性能比较.最后,根据相关准则选择ARIMA-GARCH优化模型对宇通客车股票价格进行预测.结果表明,构建的ARIMA-GARCH模型能更准确地预测宇通客车的股价.     

利用财务指标预测股票价格及财务风险预警

主要研究上市公司的财务指标和股票价格的关系及如何利用这些指标对财务风险进行预警。首先运 用回归模型对上证180家上市公司财务指标与个股股价进行实证分析,并对样本股票价格进行预测。然后 选择100家ST股票和深沪两市绩优股为样本,再次利用回归模型将对股价有显著影响的财务指标与样本 股出现财务风险的概率进行分析,对样本股财务风险进行预测,并说明此研究的实际应用价值。     

基于ARIMA模型对上证指数的预测

股票价格涉及很多不确定因素,且各个因素之间的相关关系错综复杂, 因此要从理论上彻底弄清楚股市的变化机理十分困难.然而股市是一个运动的、特殊的系统, 它必然存在着规律.以上证综合指数为例,利用EVIEWS软件对其股票价格建立ARIMA模型,提出了股票价格序列的一步向前静态预测方法,用于股票价格序列的建模及股价短期预测,希望为企业和投资者在进行相关决策时提供有益的参考.     

基于GA-Transformer模型的多因子股票预测

股票市场中拥有大量用于描述股票价格变化的财务指标,这些指标为股票价格预测提供了良好的数据基础.但由于股票数据存在高维相关性和时序性等特点,导致精确预测股票价格存在困难.为提高股票价格预测精度,文章提出了基于GA-Transformer模型的多因子股票预测方法,该方法使用遗传算法(GA)进行特征选择,并结合Transformer模型进行股票预测,提升了模型特征抽取能力.实验结果表明,GA-Transformer模型在包括建设银行和贵州茅台等六支股票数据集上的预测表现均优于股票预测主流模型.     

GM-ARIMA模型在大坝安全监测中的应用

针对大坝安全监测的小样本数据既有一定趋势性又有一定波动性的特点,把灰色模型和时间序列模型结合起来运用在大坝安全监测中.首先利用灰色模型进行拟合和预测,然后对灰色残差序列建立ARIMA模型,对残差进行预测,最后将两者结合起来即可得到预测值.本文以小湾拱坝坝顶某测点的径向位移为例,建立GM-ARIMA进行拟合和预测,并与实测值比较.计算结果表明,与GM模型相比,GM-ARIMA模型的精度高,预测值更接近于实测值.     

局部线性光滑技术和ARIMA模型在股价动态预测中的应用

针对目前我国股票市场中难以对上市公司的股票价格从定量分析的角度进行有效预测这一突出问题,利用时间序列局部线性光滑技术并结合ARIMA建模方法,提出了股票价格序列的一步动态预测方法,用于股票价格序列的建模及股价短期预测,以期为企业和投资者在进行相关决策时提供有益的参考．最后,以两家上市公司近几年股票的周平均价格为例验证了预测结果的有效性．     

ARIMA模型在股价预测上的应用及其傅里叶修正

ARIMA模型静态预测精确度较高,但是只能预测下一期的值,动态预测可以预测多期的值,但是不能很好的给出股价走势.现以股票价格走势为例,首先利用ARIMA模型动态的预测序列未来多期的值,再结合傅里叶级数预测法建立修正的预测模型,以得到较为准确的股价走势.     

EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

股票价格塑性性质的计量经济模型及实证检验

首先基于股票价格和成交量，根据股票的量价规律，分析了股价波动的塑性性质；然后使用计量经济学方法建立描述股价波动的塑性模型，包括股价塑性基本模型、基本模型的一阶自回归模型、幂指数模型及幂指数模型的一阶自回归模型，基于12支样本股对这些模型进行参数估计和检验。由4种模型均能够通过经济学检验和统计学检验可知股价波动具有塑性性质，且4种形式的股价塑性模型均是可行的。比较4种形式的股价塑性模型的检验结果得出幂指数模型描述股价塑性较为科学、合理。     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

自适应元胞遗传算法与股票价格行为分析

与以往侧重于刻画从众模仿行为的元胞自动机价格模型不同,论文基于Moore型邻居投资者分布结构,以预测精度为切入点,将遗传算法引入到元胞自动机股票价格模型中,投资者与“邻居”沟通和分享信息,并由遗传算子来优化其对股价进行预测的各要素权重;研究了两种预测模式下的权重演化行为。以及权重交叉概率对股价行为（收敛性、波动性等）的影响;模拟了预期驱动下,股价与市场情绪的关系．研究认为：元胞遗传算法的引入,较好地驱动着股票价格回归基本价值,减轻了股票市场的波动性．     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.     

基于神经网络技术的股票频谱分析

根据艾略特波浪理论以及波浪理论中的各参数具有费波纳奇数列关系的特征,分析股票价格波形的特点;运用人工神经网络模型,提出基于波形分解与重构的神经网络预测方法,给出具体的实现过程.研究结果表明:通过波形分解与重构,把原始价格时间序列分解为规律相对简单、不同频率范围内的子波动序列来提高神经网络的预测精度,实现对特征不同的信号选取不同的参数模型进行预测;采用傅里叶反变换拟合出股价波动变化趋势的曲线,以达到预测股价波动变化周期的目的.     

基于MATLAB的自回归移动平均模型(ARMA)在股票预测中的应用

利用时间序列在t时刻的有效观测值去预测在某个未来时刻t+l的值,并建立自回归移动平均(ARMA)模型,以MATLAB为工具,亚泰集团360个交易日的数据作为样本,预测10天股市的收盘价;并与含有一个隐含层的BP网络模型进行对比,结果表明自回归移动平均(ARMA)模型算法对短期股价预测的精度较高.     

数据多维处理LSTM股票价格预测模型

股票的价格具有非线性、随机性等特征,为更精准地预测股票价格,充分利用股票价格数据的时间相关性和数据自身的变化趋势,提出数据多维处理的LSTM股票价格预测模型。通过对股票价格因子数据进行多维处理,提高数据有效信息,形成可以高度反映股票价格的多维数据,在此基础上建立长短期记忆网络组合预测模型,通过收集股市中的股票数据进行实验。实验结果表明,模型预测值与实际股价数据的均方根误差和平均绝对误差仅为0.013 2和0.010 3,相较于单一长短期记忆网络预测模型,2项误差分别降低90.81%和91.65%。数据多维处理LSTM股票价格预测模型具有较高的预测精度。     

股票的GA-RBF预测模型

针对股票市场中价格序列是一个复杂的非线性动态系统,同时难以实现准确预测的问题,采用RBF神经网络方法,利用其较强的非线性处理能力进行股票价格预测研究,同时利用具有全局搜索能力的遗传算法对RBF神经网络进行优化研究,得到性能更加优越的神经网络模型.分别使用传统RBF神经网络和遗传算法优化后的RBF神经网络进行股票价格预测,实验结果表明:利用遗传算法优化后的RBF神经网络在网络的结构和逼近性能上都有明显改进和提高,能够有效地反映股票价格的波动特性,提高股价预测的准确性.该研究成果对股票市场规律的研究具有一定的参考价值和指导意义.     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.     

改进的时间相关序列股票价格混合预测模型研究

金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道。本文首先通过构建科学性较强的自回归移动平均与支持向量机（ARIMASVM）模型分析一维金融时序数据的线性成分,对我国股价波动进行样本内预测并与真实数据作比较,再利用改进的支持向量机（TGDSVM）模型基于金融面板时序数据处理线性预测后剩余的非线性成分信息。采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对比例误差（MAPE）、回归指数（WIA）、百分标准误差（SEP）与Nash系数六个预测精度指标检验五只股票日收盘价的预测精度。仿真结果表明：改进的时间相关序列（ARIMA-TGD-SVM）股票价格混合预测模型可以很好的弥补传统支持向量机（SVM）模型对解决多分类问题存在困难和对大规模训练样本难以实施的不足,并有效解决其利用欧式距离表征时序数据内部真实相互关系不足的缺陷,能够为股市预测提供理论依据和实际应用奠定基础。     

XGBoost-ESN组合模型股价预测方法

提出XGBoost-ESN组合模型股价预测方法.使用网格搜索法对XGBoost模型和ESN模型进行参数优化并改进模型结构,利用最小二乘法联合XGBoost和ESN进行数据预测.测试结果表明,改进的XGBoost-ESN组合模型能有效减少预测误差,对股票价格预测的精度更高.