基于无标度网络的深圳证券交易市场特性分析

应用无标度网络理论对深圳证券交易市场进行了分析,以抽样的方式选取2004年以前在深圳证券交易所上市并且持续交易的300家股票为节点,股票价格波动相关性为边,构建了深圳证券市场网络。验证了其无标度的特性,并且在特定值下对该网络的度分布指数进行了计算,结果表明深圳证券市场中存在很多有影响力的股票,且这些股票价格的波动会对其它股票和市场造成较大影响。     

我国化工行业股票价格影响因素实证研究

化工行业股票是股市的重要组成部分。从投资者投资分析常用的财务数据摘要着手,随机选取30只化工行业股票进行研究,用计量经济学回归分析的方法研究影响化工行业股票价格的因素。实证研究结果表明,每股收益（调整后）是影响化工行业股票价格的主要因素。     

上海证券市场A股股票网络复杂特性分析

以上海A股市场2013年4月到2014年4月持续交易的股票为节点,以股票价格波动相关性为连边,分别建立了无向无权的股票网络和有向无权股票网络。分析无向无权股票网络的聚类系数和度分布等网络拓扑特性,发现无向股票网络具有小世界效应和无标度特性。通过划分网络的社团结构,分析社团中股票行业分类,发现了具有同涨同跌关系的股票子集和股票市场中股票价格同涨同跌的关联机制。有向无权股票网络能够体现股票间价格波动的迟滞关系,分析发现股票相互影响是有方向的,而且网络中出度大的节点占有核心地位能够影响与它相连的股票价格的波动。     

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.     

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。     

加权Markov链权重计算及其应用

以中体产业股价为例,应用加权Markov链理论对股票价格进行预测分析.通过模糊聚类分析,将已知的股票价格变动情况分为六类,并对股票收盘价的历史数据进行马氏性检验.利用加权Markov链计算权重的方法,计算出每类状态的权重值,并给出中体产业未来股票价格的预测区间.应用随机过程的加权Markov链理论,构造了描述股票价格波动格变化的数学模型,并通过实例给出股价的预测区间,该方法具有很强的适用性.     

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。     

基于时间序列模型的股票价格波动特性分析

股票市场的波动率问题一直是现代投资学研究的关键问题,是国家监管机构最关注的风险指标。选取股票交易系统中2015—2016年股票东阿阿胶(000423)日收盘价数据,分别从序列水平特征和波动特性2个角度,运用ARIMA模型和GARCH模型,进行股票的短期预测和波动性拟合。结果显示:ARIMA模型对深交所股票东阿阿胶日收盘价的短期预测值与实际值相对误差小,GARCH模型较好地拟合了股票价格,并估计出了风险区间,能为短期投资者和股票决策者提供参考。     

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.     

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。