股票价格的一种线性分形预测方法

主要研究股票价格的变化规律及对其未来价格的预测方法．通过对股票市场价格进行小波分析,发现股票价格的变化服从自相似性,并且满足某种拟周期性．而自相似是分形的一个重要特征,就可将股票价格的变化作为分形来进行研究．利用这一结论,找出了股票价格变化的线性分形插值函数,并提出一种线性分形预测方法来对股票价格进行预测．在数值试验中,对四川长虹的股票价格进行了分析,利用上述线性分形预测方法进行预测,得到了一些令人满意的结果,说明该方法是可行的．     

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．     

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.     

基于GARCH模型的股票买卖时机分析

通过对股票收盘价格的历史数据进行处理分析,建立GARCH模型,此模型较好的描述股票价格的条件异方差性,同时用此方法对股票价格进行拟合和预测,利用预测数据分析股票较好的买卖时机.     

径向基函数网络(RBF)在股市预测中的应用

如何对股票价格进行预测是投资者所关注的内容。利用RBF神经网络对股票价格进行预测,将反映股票价格的开盘价、收盘价、最高价、最低价作为神经网络的输入变量,利用RBF神经网络自适应算法对网络进行训练,建立起神经网络模型。研究表明,该方法具有一定的预测能力。     

最小叉熵方法推导期权定价二叉树模型

借助最小叉熵方法建立了新模型,即把标的资产（股票）价格看成一个信息系统,根据以往股票价格的历史信息给出股票价格的一个概率密度作为先验概率密度,然后在当前股票价格变化的随机变量的矩约束下,用最小叉熵方法来预测n△t时闻点末的股票价格分布最靠近先验概率的概率密度,从而得到参数P、u、d．新模型直接可用现有非线性规划算法进行求解或者转化为其对偶形式用无约束优化来求解,计算方便,经济、物理含义明确,有效克服了二又树及其演化方法的不足,且不受股票价格变化运动形式限制,是一个统一的模型．与B-S、CRR、JR、TGR、Wil1、Wil2方法数值比较结果表明,多数情况下新方法收敛速度快,计算稳定．     

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.     

利用集成神经网络预测上证指数

证券市场作为高风险高收益的投资领域一直倍受投资者的关注，如何能够准确分析和预测股票价格以便获取丰厚的收益一直受到人们的关注。于是各种股票价格分析预测和方法应运而生，如何建立一个成功率比较高的预测理论和模型是多年来许多学者一直研究的内容。     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

股票价格与信息流的协整关系检验

利用协整技术从个股角度，以成交额作为信息流的代理变量，对证券市场中的股票价格与信息流之间的关系进行了实证检验．实证表明，股票价格与成交额之间存在正的相关关系，这说明平价或预测股票价格时，应该注意对股价有影响的信息或信息的流入过程．     

洞悉中国股市的波动特征及其时间敏感性--R/S分析方法的理论及其应用

运用R／S分析方法对中国股市进行研究，摒弃了以前多数学者对中国股市的单个指标的片面研究．而是从纵横两个方面研究中国股市．横向表现在选择了中国股市最具有代表性的两个指数——上证综指和深成指数；纵向表现在分别探索了两个指数在5个长短不同的时间增量上的收益率的分形特征及其时间敏感性．最后通过纵横两个方面的比较揭示了中国股市的波动特征。     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。     

试析上海房市与股市的关系——基于计量模型的实证分析

通过相关性检验、协积检验和格兰杰因果检验对2006年2月-2007年10月的上海中房（综合）指数和月末上证指数的月度数据进行计量分析,得出了股市带动上海房地产市场的结论。     

我国上市公司风险收益关系的统计分析

选取以2006—2007年为分析期的98家A股上市公司的股票为研究对象,这些上市公司是截至1996年有较长交易历史的上市公司,并且引入资本资产定价模型（CAPM）,利用上证A股指数作为市场综合指数,通过回归分析方法对我国股市的风险收益进行统计分析。研究分析结果表明：沪市系统风险与收益率存在一定的正相关关系,但不是线性关系。     

基于优化BP算法的上证指数预测分析

上证指数变化是股市投资者重点关注的指标之一。文章基于BP神经网络来建立预测模型,结合遗传算法优化BP网络存在的不足,然后通过组合不同的辅助技术指标优化训练样本,探寻对上证指数预测准确度较高的混合算法。实验结果表明,优化后的混合算法能较好的预测上证指数未来一段时间的走势变化,为投资者提供决策辅助。     

我国证券市场开发股指期货研究

股指期货是一种新的金融衍生产品，对发展和完善我国证券市场具有重要意义．本文在详细介绍了股指期货的特点和功能的基础上，借鉴发达国家和地区股指期货推出和发展经验，结合我国证券市场实际，对开发股指期货的必要性和可行性进行探讨，并针对开发股指期货实施步骤、政策准备和风险规避等方面提出相关建议．     

股指期货即日趋势交易模型研究

股指期货具备套期保值、价格发现、套利及投机等基本功能。机构投资者由于持有大量风险敞口的现货头寸,具有极大的避险需求,是股指期货市场的参与主体,而市面上对适用于机构的套期保值、套利的交易策略已经有了充分的研究。事实上,股指期货也是一项很好的投机工具,其保证金结算、指数作为交易标的及做空机制令其在短线趋势交易中具有非常明显的优势。本文以区间突破为原理,用沪深300指数一分钟高频历史交易数据的统计检验来设定交易条件,逐步建立、完善并优化出一个简单实用、亦可适用于个人投资者的沪深300股指期货高频趋势交易模型。     

基于极限学习机的上证指数预测与分析

针对证券指数具有随机性、时变、波动性较大、非线性等特点,传统线性预测方法预测精度低等缺陷,提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷,具有训练速度快、全局最优和泛化能力优异等优点。采用1991~2013年上证指数对算法性能进行训练,2014年数据做测试,对100个测试数据仿真结果表明,复相关系数高达0.9935,极限学习机是一种预测精度高、误差小的证券指数预测算法,预测结果可以为用户提供有价值的参考意见。     

基于SV模型的沪深股市风险分析

利用SV-N模型、SV-t模型和SV-GED模型对深证综指和上证指数数据进行仿真分析,用预测参数估计得到的波动率计算var值并与相应实际指数收益率进行比较.研究结果表明,上证指数和深证综指都表现出强的波动持续性,且深证股市的波动水平比上海股市要大,风险也要高.并且,基于GED分布的SV模型能更好的反映沪深股市风险.     

基于朴素贝叶斯分类算法的股指预测研究

预测大盘指数的涨跌幅度在股票投资中具有重要的意义。大盘指数的涨跌既与国家的宏观经济政策有关,也与大盘指数自身运行状态有关。结合朴素贝叶斯分类算法和股票大盘指数涨跌的影响因素建立了大盘指数分类预测模型,以上证指数为例进行了实验,结果表明分类预测模型有效,准确性较高。