基于EMD和GARCH模型的股票收盘价格预测

首先对股票收盘价序列进行经验模式分解(EMD),对分解后的本征模函数(IMF)与残差序列分别拟合ARMA-GARCH模型.将所建模型的预测结果相加,往后预测5 d的收盘价格,并与原始序列所建ARIM A-GARCH模型的预测结果进行比较.比较结果可以帮助股票投资者预测股票市场行情.     

模糊神经网络在股票市场预测中的应用

利用股票市场的理论和模糊神经网络来预测股票价格.运用技术指标和高木-关野模型,对所预测股票进行200多个交易日的数据量的训练,使得模型可靠,再对其10个交易日进行测试.从实验结果看,效果良好.     

神经网络在股票价格预测中的应用

如何对股票价格进行预测是投资者所关注的话题，采用BP神经网络对股票价格进行预测，提出了将股票市场上所采用的技术指标作为神经网络输入变量，利用逐步回归方法筛选出影响股票价格涨跌的变量，从而建立起神经网络模型，研究结果表明，该方法具有一定的预测能力。     

黄金期货价格的混沌动力学分析与预测

以上海期货交易所黄金期货价格的收盘价形成的时间序列为研究对象进行分析,在重构向空间的基础上,通过绘制相图,计算时间序列的关联维数和Kolmogorov熵等特征参数,证明了所研究的时间序列具有混沌特性,并利用径向基(RBF)神经网络对部分数据进行预测,得到了较为满意的预测结果.     

运用BP神经网络研究上证公用事业指数的波动

运用BP人工神经网络,在MATLAB平台上,进行公用事业指数波动规律的预测和分析,能利用公用事业指数前三天的收盘价,预测第四天的收盘价,并且预测值达到一定精度。     

趋势指标——移动平均线

我们谈一谈移动平均线。如果要讲技术指标,可以上30堂课上不完。可是上完以后,保证你还是不会赚钱,因为很多指标它互相矛盾。有人用高价算,有人用低价算,有人用收盘价算,有人用高价、低价、收盘摞在一起算。技术指标有多少呢?你在电脑软件上一打开来,最少这么多指标:     

股票市场相空间重构嵌入维与时滞的确定

现有方法在计算嵌入维m与时滞τ时都需要对m或τ等参数范围作合理的假定,而对于股票市场等复杂系统很难准确预知其有关非线性特征.针对这个问题,在C-C方法的基础上,首先讨论了m与τ等参数对关联积分的影响,然后利用τw=(m-1)τ为常数这一特性,通过对m进行迭代得到更优的嵌入维m与时滞τ,从而为进一步分析与预测股票市场提供了必要条件.     

越南股票市场联动性研究—基于GRANGER因果关系检验-GARCH模型实证分析

选取2006年1月4日至2013年12月1日越南指数与河内指数的日收盘价数据,采用格兰杰因果检验、脉冲响应函数和GARCH模型实证分析越南股票市场间收益率和波动率的联动性。实证结果表明:越南指数与河内指数的联动效应较弱,虽然两者之间存在引导关系,但两者对来自自身的新冲击表现出更明显的反应,市场存在明显的"杠杆效应"。     

社会媒体环境下基于EMD-DSVR的股票市场预测方法研究

现有的利用社会媒体预测股票市场的研究未能考虑股指时间序列所具有的多尺度特征。为了解决这一问题,运用EMD分解法、混沌分析理论和支持向量回归机,提出一种EMD-DSVR股票市场预测方法。首先分析股指时间序列多尺度与社会媒体变量序列多尺度间的内在联系,运用EMD分解法将社会媒体变量序列分解成不同尺度的基本模态分量;然后运用混沌分析理论和支持向量回归机对各模态分量进行建模和预测;最后利用社会媒体变量序列的各模态分量对股票市场进行预测。运用所提出的EMD-DSVR模型,对上证指数和深成指数的日收盘值进行预测,实验结果表明,所提出的方法能有效提高对股指时间序列的预测精度。     

基于三阶灰色神经网络的股指预测

将三阶灰色模型(GM(3,1))与神经网络模型进行有机的组合,建立新的三阶灰色神经网络模型,并以中国股票市场上证指数为例进行预测.实证表明,新预测模型的模拟精度较现有方法更为精确,更具有实用价值.     

深沪股市日对数收益率的统计分析

利用广义双曲分布族中的正态逆高斯分布,结合Matlab,Eviews和SPSS统计软件,对深、沪股市A股的收盘价所对应的日对数收益率进行了统计分析研究．实证研究结果显示,利用广义双曲分布拟合股价目对数收益率比正态分布拟合效果好．从而为广大投资者提供决策依据．     

GA神经网络在证券市场预测中的应用研究

以股市的可预测性为基础,以可量化股价影响因素作为输入变量,提出了将遗传算法与BP算法相结合用于股市价格预测的人工神经网络模型学习算法;建立了基于人工神经网络的股价预测模型。通过对海信电信(600060)的股票收盘价和大盘指数为预测目标进行了股市预测的仿真,并尝试预测未来一天内超短线存在机会,实验结果验证了股价预测模型的可行性。     

股指期货在我国共同基金投资管理中的运用

总结了我国共同基金当前面临的发展制约因素,提出了使用股指期货等金融衍生产品扩展基金产品的设计、提高流动性管理和改善其投资的资产配置能力,而股指期货能够提高现货市场的流动性,降低基金大幅调整仓位时对现货市场的冲击,从而能改善我国资本市场的价值发现功能,降低市场波动并维护市场稳定。     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

我国股价指数的时间序列模型研究

基于收盘上证指数和深证成指的实际数据资料，利用SAS／ETS软件，采用赫斯特（H.E.Hurst）提出的R／S分析方法，在论证了我国证券市场为持久性随机过程的基础上，建立了沪深两市的AR－EGARCH模型。指出，就目前我国证券市场而言，AR－EGARCH模型要比ARIMA模型更适合于描述沪、深两个证券市场的股价指数序列变动的非线性规律。     

我国股市价格波动和稳定性分析

股票市场是涉及政府、上市公司、券商、证券交易所、证券中介机构和投资者等不同利益主体之间进行多方博弈的复杂系统, 以往的基本面分析抑或是技术面分析, 具有针对性的一面而缺少了对股票市场整体系统的研究。对股价波动分析的现状和意义进行了初步的说明, 并在现有的股价波动模型作出简单的介绍和分析的基础上, 采用了理论分析、市场交易数据的实证研究等技术手段对中国股票市场价格波动作了较为深入的研究, 通过运用经济控制论的方法建立股票市场系统模型, 以上海股市和深圳股市的综合指数为样本, 对中国股票市场系统本身的波动特征和稳定性进行量化分析。结果表明, 排除政策等干扰因素, 中国股票市场系统本身是稳定的。     

基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

浅谈房地产泡沫经济下的会计信息披露

近年来,房地产泡沫严重影响着该行业的会计信息披露。在借鉴国内外理论研究的基础上,利用19家房地产上市公司股价和有关会计信息指标,运用显著性检验方法和回归分析,对我国2001,2003,2005年房地产业运行中泡沫状态是否影响该行业的会计信息进行实证分析。     

深成指数时间序列的网络拓扑结构研究

以2000年~2010年中国股市深圳成指的收盘价数据为依据,利用可见图方法将指数时间序列转化为复杂网络,计算和分析了复杂网络的拓扑结构指标,发现该网络具有典型的小世界特征、无标度特征和自相似性,并针对网络所呈现的特征进行了深入解释.研究发现,将金融时间序列转化为复杂网络能够从一个新的视角揭示金融系统复杂性及其内在的结构规律,为预测金融市场提供了新的思路.