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.     

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．     

基于混沌理论的股票价格实时预测

本文分析了股票的混沌性,根据复杂的股票价格特点,改进了混沌时间序列预测方法中的加权一阶局域法与基于最大Lyapunov指数的预测方法,并将其成功应用于股票价格预测。在数值试验中,对股票价格进行了分析,利用上述两种方法进行了拟合和预测,得到了令人满意的结果,说明这两种方法是可行的,结果是理想的。     

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。     

基于遗传神经网络上市公司股价向基本面回归的分析研究

针对我国上市公司股价与公司基本面无关,股票价格失真的现象,运用遗传神经网络建模,研究上市公司股票价格与基本面的关联性.研究表明,上市公司股价向基本面对应地合理价位回归.     

因子分析和神经网络相融合的股票价格预测

为了提高股票价格的预测精度,提出一种因子分析与神经网络相融合的股票价格预测模型.首先采用因子分析法确定影响股票价格的主要因子,然后将主要因子作为神经网络的输入向量进行学习和建模,并采用遗传算法对神经网络进行优化.该模型融合了因子分析和神经网络的优势,可以准确刻画股票价格变化的复杂性和非平稳性,提高了股票价格的预测精度,而且泛化能力更优.     

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.     

基于情感分析和GAN的股票价格预测方法

股票价格具有非平稳性和波动性特点,且投资者容易受自身情感影响,投资决策行为具有非理性特征,因此股票价格难以预测.针对预测股票价格的卷积神经网络情感分析方法存在文本标记分布不平衡问题,本文提出一种基于情感分析和生成对抗网络的股票价格预测方法.首先,建立金融领域情感词典库;然后,使用基于词典的情感分析方法计算金融文本数据的情感极性和投资者每天的总体情感指数;最后,利用生成对抗网络对股市波动进行预测,其中生成器生成股票序列数据,而判别器采用卷积神经网络对生成数据和真实数据进行区分.该方法能动态地更新股票价格预测结果且误差较小.     

基于EDP算法的股票价格预测

股票价格预测一直是金融分析领域的一个重点和难题．目前，运用智能系统对股票市场进行预测的方法已经被广泛确立．本文提出了用基于贝叶斯网络的EDP算法进行股票预测的模型，相对于传统的预测方法，具有收敛速度快的特点，根据实验的仿真结果显示，该模型对于股票价格预测效果较好．     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

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.     

股 价 房 价 波 动 与 经 济 周 期 关 系

通过模型推导和实证分析研究了股价波动、房价波动与经济周期之间的相互关系,构建了一个分析三者之间关系的统一框架.理论分析和实证结果表明,股价是宏观经济的领先指标,房价与GDP、利率和CPI 具有紧密的正向关系,房价波动与经济周期基本同步,股价波动大大领先房价波动.     

基于ECM-GARCH 模型的沪深300指数 期货套期保值策略的研究

首先选取沪深300指数日收盘价和沪深300股指期货日收盘价作为原始数据,对其进行描述性统计分析、平稳性检验及协整检验,得出两个日收盘价的对数收益率是平稳的,且两个收盘价之间是协整的.其次,巧妙运用普通最小二乘法、B-VAR、误差修正、GARCH(1,1)和ECM-GARCH模型,研究股指期货最优套期保值比率,得出ECM-GARCH模型最优.最后,分析沪深300股指期货套期保值策略的构建问题.运用动态调整法,从多头和空头套期保值策略进行分析,需要每天计算最优套期保值比率来确定最优股指期货合约份数.     

股票价格遵循O-U过程期权定价的对偶鞅方法

讨论了股票价格遵循O-U(Ornstein-Uhlenback)过程的欧式期权的定价问题,考虑测度变换对于期权定价的影响,文章尝试用期权定价的新方法——对偶鞅方法推导出欧式期权的定价公式.     

地价、房价和股价关系的实证研究

就我国地价、房价和股价间影响关系问题,通过实证分析后认为:我国土地市场与股票市场间存在正相关关系,土地价格上涨引起股票价格上涨;地价上涨并未导致房价上涨。     

中国股票市场分割(1991～2000)的理论探讨

与世界其他国家的证券市场相比,中国证券市场是一个高度分割的市场,这首先表现在它被划分成为A、B和H股三个市场,这三个市场不仅计价货币、交易机制和募集方式不同,而且各自允许开放的投资者对象也严格限定、互不开放。由此,这三个市场的股票价格彼此差别较大。重点考察了中国大陆的股票市场分割,其重要体现是中国B股市场普遍存在着严重的折价问题,在B股市场向国内持有外币的投资者开放之前,大多数上市公司B股价格不仅远低于其A股价格,有的还曾跌破发行价、资产净值和面值,这使得我国B股市场已经成为世界证券市场平均市盈率最低的市场,其平均市盈率只有11倍,这不仅大大低于A股市场平均市盈率(大于50倍),也低于国际股市的平均市盈率(15～20倍)。认为,资本控制,即投资限制、B股相对于A股的信息不对称和对人民币汇率的预期是形成B股折价的主要因素。     

空间交互视角下投资者情绪对股价的影响

从地理距离和利用消耗系数衡量的经济距离两个方面构建空间权重矩阵反映空间交互作用,从股票空间交互视角应用空间计量模型研究投资者情绪对股票价格的影响效应.研究发现,金融市场股票间存在显著空间交互作用,且空间交互作用对经济距离的敏感程度高于地理距离.在解释投资者情绪对股票价格的影响效应方面空间截面回归模型优于传统截面回归模型.研究结论提醒投资者在对资产进行定价和制定交易决策的过程中,必须充分认识潜在的空间交互作用.     

ARCH族模型对沪市综合指数的实证分析

本文选取沪市股价综合日指数(1999/01/01～2002/12/30)作为样本,根据有效市场理论,利用股指的随机游走过程对上海股市的有效性进行检验,建立ARCH模型验证上海股市的可预测性.实证结果发现,上海股市具有杠杆效应、波动集群性和波动持续性.     

我国证券市场有效性实证分析

运用序列相关性和游程检验方法,对我国股票市场的有效性进行了检验,上海股票市场利用上证综合指数周末收盘价(19951222～19990408),深圳股票市场利用深证综合指数周末收盘价(19960607～19990408)·两种方法检验结果表明,两个市场均具有弱有效性·在对个股进行检验时,总体所选样本的有效性检验得以通过,与大盘相一致;但个别股票表现出具有一定的价格相关性·这表明,我国股票市场近年来总体发展是趋向于规范而有效的,但其有效程度还不高     

GP分布模型与股票收益率分析

讨论了GP分布模型的某些性质,利用此模型对上证指数、深证指数和2家公司股票价格的收益率进行分析,给出股票指数和价格极值波动程度的量化指标和风险值(VaR)的估计值。