时间序列分析方法及ARMA,GARCH两种常用模型

证券市场具有数据单一性（大量不需要经过特殊处理的数据）、分析手段多样性和隐蔽性的特点,且与其飞速发展不相称的是证券分析技术进展的缓慢。股市系统中时间序列的预测问题具有重要的理论及实际意义,时间序列的获取是通过对数据库中数据进行分类汇总分析而获得。获取时间序列数据以后可以对它进行预测分析,从而较准确地预见系统的演进。文中介绍了时间序列的基本知识,同时比较了ARMA和GARCH两种常用模型,得出对于中国股市,GARCH模型性能优于ARCH模型。     

基于GARCH和ARMA时间序列模型的股票收益率的分析与预测——中国工商银行股票为例

本文以工商银行股票日收益率为研究对象,选用GARCH和ARMA时间序列模型分析,通过实证验证表明,GARCH模型在进行股票收益率的分析与预测具有较好的预测分析效果。     

综采工作面瓦斯数据时间序列预测方法研究

针对现有基于时间序列的瓦斯浓度预测方法存在算法复杂、预测步长较短等问题,根据瓦斯浓度历史监测数据的随机性与时序性,提出了一种基于ARIMA+GARCH组合模型的综采工作面瓦斯数据时间序列预测方法。首先建立ARIMA预测模型,对瓦斯浓度数据进行平稳化处理,并确定模型的参数估计;然后在预测模型的可靠性通过检验后,针对ARIMA模型在预测过程中存在的均值回归问题,采用GARCH模型模拟ARIMA产生的拟合残差,并将模拟出的结果作为ARIMA模型中预测的噪声项,以此优化预测结果。测试结果表明,基于ARIMA+GARCH组合模型的瓦斯浓度预测方法能够反映瓦斯浓度真实值的变化趋势,平均绝对误差、相对百分误差绝对值、标准差、均方误差4项判断指标都很小,具有较高的预测精度。     

融合社交情感分析的股市预测探究

针对现有股市预测研究中所存在的大众情感度量不够全面的问题,提出了一种基于社交情感分析的股市预测模型. 该模型首先基于异构图模型的证券情感量化方法对社交媒介的数据进行情感分析,得到量化的情感时间序列;然后,基于自组织神经网络模型对情感序列及行情指数序列进行建模,从而对股票指数进行预测. 在国内社交媒介及股市行情数据集上的实验结果表明,本文所建立的模型在预测误差和精度上较BP（Back Propagation）神经网络分别提升了15%和12%,能更好地预测股票指数.     

基于时间序列算法与多层次分布式智能决策支持系统

时间序列分析方法的研究和应用飞速发展,越来越多的工程实际工作者开始研究并应用时间序列分析法.采用了博克思-詹金斯预测方法,主要对随机时间序列预测模型进行详细的研究,对时间序列数据进行分析,从中获取所蕴含的关于生成时间序列的系统的演化规律,以完成对系统的观测及其未来行为的预测,这在工程应用中具有一定的价值和意义.     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

小波变换与GARCH组合模型的网络流量预测

在一些网络环境当中,网络流量具有非线性、异方差性和波动集群现象,传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此,研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先,使用小波变换原理将网络流量序列分解成高频部分和低频部分,在此基础上对各个子序列分别建立相应的GARCH模型并进行预测;然后,使用小波变换原理将各个子序列的预测结果进行重构,从而最终实现对原始网络流量的预测。通过仿真实验表明,该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。     

基于支持向量机的股票价格预测研究

在股市投资测试问题的研究中,股价是一种高度不稳定、复杂且难以预测的时间序列数据,传统预测方法都是基于线性模型,忽略了股价的非线性特征,导致预测精度不高.为解决股价预测过程中的精度不高的难题,提出支持向量机引入到股价预测的建模中.首先采用支持向量机非线性扩展样本对时间序列模型定阶,并利用前向浮动特征筛选法选择特征,建立基于支持向量机的股市预测系统模型,对股价进行仿真实验.仿真结果表明,支持向量机模型比神经网络和CAR模型有较高的预测精度,证明适用于股市预测等非线性问题的预测,且有较高的精确度和应用价值.     

基于时间序列模型和情感分析的情感趋势预测

为解决传统情感分析方法无法对公众未来情感走势变化有效预测的问题,提出一种将时间序列模型与情感分析相结合的情感趋势预测方法.采用深度学习模型对股市论坛实时评论信息进行情感分类,统计固定时间单位的情感值,构建情感值时间序列,提出ARIMA-GARCH时间序列模型,对情感值时间序列进行建模分析,预测投资者的情感走势.实验结果表明,该方法对于情感趋势的预测结果合理,误差较小.同时,发现投资者情感趋势与股市涨跌幅走势相似,为投资决策提供了参考.     

基于MATLAB的时间序列建模与预测

该文介绍了MATLAB系统辨识工具箱在时间序列方面的应用。首先叙述了动态数据的分析与处理方法,时间序列模型阶次的判定及建模过程,然后给出了利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,以及预报的方法和步骤,最后使用该方法对某水厂日供水量进行预测,结果说明该方法具有极强的实践意义。     

人工神经网络在证券价格预测中的应用

证券市场中成功的交易模式是可以模仿及学习的.证券价格走势实质是一种复杂时序函数.人工神经网络是在模仿人脑处理问题过程中发展起来的新型智能信息处理系统,人工神经网络可以通过调节连接权值以任意精度逼近任何连续函数,因此也可以逼近证券价格随时间变换这种函数.文中采用基于BP模型的神经网络,用BP算法和遗传算法来训练网络权值,同时也采用了动量法和学习率自适应调整相结合的策略,对证券市场的价格进行建模和预测,结果表明,此模型具有较好的学习、泛化能力,对股票市场或其他类似的非线性经济系统的走势预测决策具有较好的效果.     

证券公司集中监控系统设计

证券市场是完整的市场体系的重要组成部分，对整个经济的运行具有重要影响.证券交易系统的安全稳定运行是证券业界非常关注的课题.本文设计一个可以快速实时响应、灵活监控证券公司各个交易系统的网络连通和业务功能运行情况的监控系统（RSCMS），以提高部门的实时监控效率，并为系统的运行情况提供数据评估的依据.本文研究了监控系统关键技术的解决方法，并提供了在证券公司运行的成功案例     

基于构造型反馈神经网络聚类算法

文章改进了自反馈FP聚类算法,并将该聚类算法应用于中国的证券市场。对应用的结果进行分析,说明了自反馈FP聚类算法作为聚类分析器在证券研究的应用中具有实用价值,以及在对证券市场深入研究中具有较好的应用前景。     

Money illusion,beta perceptions,and capital market segmentation

This paper shown that in the context of tin; capital asset pricing model (CAPM), the existence of money illusion on the part of some investors induces segmentation in the financial market. That is, investors who suffer from money illusion would gravitate towards a subset of the securities available in the market, whereas investors who do not suffer from money illusion would gravitate towards the complementary subset of securities. This results in the invalidation of an important, corollary of the CAPM, i.e. all investors hold the market portfolio.     

基于DCA-PSO算法的均值-VaR投资组合优化

投资组合决策面临现实证券市场中的大量数据,是一个复杂的组合优化问题,属于NP难问题,传统的算法难以有效求解。文化算法和粒子群算法是新近出现的两种仿生智能算法,将新提出的动态文化粒子群算法用于求解均值-VaR模型,用罚函数方法处理模型中的不等式约束,选取沪市和深市的十六支股票作为备选股票进行实证分析,数值结果表明该算法可以高效、合理地解决投资组合优化问题。     

Legender神经网络建模及股票预测

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化.仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为：训练次数200,最大相对误差5.41%;深证成指预测结果为：训练次数120,最大相对误差4.17%.     

小波神经网络在股票技术分析中的应用

股票交易作为证券投资的一种,也越来越成为广大投资者的一个重要投资手段。股票市场是一个效益与风险并存的地方,没有分析的投资是盲目的投资。但股票市场受随机因素影响很大,利用线性很难分析。该文利用小波与神经网络作为一种大规模并行处理的非线性系统,依据数据本身的内在联系建模,具有良好的适应性与自学习能力、较强的抗干扰能力,在股票价格的短期预测中已取得了令人比较满意的成绩。     

一个基于证券市场的计算网格环境下的资源分配模型

计算网格(Computational Grid)下对资源进行有效管理和调度是十分具有挑战性的问题.论文中提出了一个证券市场模型来实现计算网格环境下的资源分配.在此模式中,资源作为一种证券商品被自由买卖,用户可以方便快捷地实现对系统资源的存取,模拟实验表明证券市场模型是实现计算网格环境下资源分配的一个有效手段.     

考虑复杂约束的鲁棒均值-CVaR投资组合模型及粒子群算法

投资组合模型中期望收益等参数的估计误差对最优投资组合策略的稳定性产生重要影响. 在提出考虑复杂约束和交易成本的鲁棒均值-CVaR投资组合模型的基础上, 设计改进粒子群算法来求解该模型. 应用实际交易数据对所提出的模型和算法进行数值实验和比较, 结果表明改进粒子群算法能有效地求解该模型, 产生更稳定的最优投资策略, 从而能够更好地适合实际投资环境.