時間序列模型在股票價格預(yù)測中的應(yīng)用

《時間序列模型在股票價格預(yù)測中的應(yīng)用》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號０２１密級公開ＵＤＣ編號《方乂掌碩女研《４《隹裕Ａ題目時間巧列模型在股票價格預(yù)測中的應(yīng)用ＴｉｔｌｅＴｈｅａｌｉｃａｔｉｏｎｏｆｔｉｍｅｓｅｒｉｅｓｐｐｍｏｄｅｌｉｎｓｔｏｃｋｒｉｃｅｆｏｒｅｃａｓｔｉｎｇｐ１學(xué)院（所、中心）數(shù)學(xué)與統(tǒng)計學(xué)院專業(yè)名稱概率論與數(shù)理統(tǒng)計研究生姓名孫先強學(xué)號１２０１３０００８１８導(dǎo)師姓名張進職稱教授２０１６年５月扉頁：論文獨創(chuàng)性聲明及使用授權(quán)本論文是作者在導(dǎo)師指導(dǎo)下取得的研究成果。除了文中特別加Ｗ標(biāo)注和致謝的地方外，

2、論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果，不存在劃竊或抄襲行為一。與作者同工作的同志對本研究所做的任何貢獻均己在論文中作了明確的說明并表示了謝意。，現(xiàn)就論文的使用對云南大學(xué)授權(quán)如下：學(xué)校有權(quán)保留本論文（含電子版）也可Ｗ采用影印、縮印或其他復(fù)制手段保存論文；學(xué)校有權(quán)公布論文的全部或部分內(nèi)容，可Ｗ將論文用于查閱或借閱服務(wù)；學(xué)校有權(quán)向有關(guān)機構(gòu)送交學(xué)位論文用于學(xué)術(shù)規(guī)范審查、社會監(jiān)督或評獎；學(xué)校有權(quán)將學(xué)位論文的全部或內(nèi)容錄入有關(guān)數(shù)據(jù)庫用于檢索服務(wù)。（內(nèi)部或保密的論文在解密后應(yīng)遵循此規(guī)定）研究生簽名；編Ｉ濁導(dǎo)師簽名：邦於

3、日期；＞４摘要股票交易者、共同基金、投資者和證券分析人員等都希望有辦法來預(yù)測股票價格的波動情況（上漲或者下跌）可幫助股票交易。提前預(yù)知股票價格的波動者更好地作出投資決策。好的預(yù)測模型能夠使投資者更好地理解股票價格變化的。內(nèi)在因素，為更好的風(fēng)險管理提供支持該案例是要求預(yù)測上證指數(shù)日收盤價一種是，文中我們采用兩種預(yù)測方法。應(yīng)用自回歸和滑動平均的方法，對收盤價序列作適當(dāng)?shù)牟罘郑业较鄬^優(yōu)的一一些股票交易者ＡＲＩＭＡ模型，并建立條件均值預(yù)測模型。另種是由于（如股指、、期貨交易者）在預(yù)測股票價格變化情況中，只關(guān)屯未來股票的

4、或漲或跌而不關(guān)也具體的漲跌數(shù)值，應(yīng)，Ｗ方便他們做多或做空。所（ｉＡ我們結(jié)合相應(yīng)的外部數(shù)據(jù)用一Ｌｏｇｉｓｔｉｃ回歸模型對收盤價作二元預(yù)測。并且選擇個評價模型性能的標(biāo)準(zhǔn)，使股票價格的預(yù)測精確度好于隨機猜測的精確度。建立ＡＲＩＭＡ模型，向前作十步預(yù)測，并對預(yù)測模型進行更新或修正，再與真實值作比較，得到平均百分比誤差（ＭＡＰＥ２）為０．９５％，偏差還是較小的。在Ｌｏｔ，３ｇｉｓｉｃ回歸模型中我們對驗證集（１個月２個交易日）上的數(shù)據(jù)進行了預(yù)測，并用分類矩陣統(tǒng)計了模型的總體正確率為７０％，預(yù)測精確度好于隨機猜測的精確一度５０％，并進步提出

5、了ＡＵＣ評價方法。關(guān)鍵詞：ＡＲＩＭＡ模型；Ｌｏｇｉｓｔｉｃ回歸模型；預(yù)測ＩＡｂｓｔｒａｃｔＳｔｏｃｋｔｒａｄｅｒｓ，ｍｕｔｕａｌｆｕ打ｄｓ，ｉｎｖｅｓｔｏｒｓａｎｄａ打ａｌｙｓｔｓａｒｅｈｏｐｉｎｇｔｏｈａｖｅａｗａｙｔｏｒｅｄｉｃｔｌｌｔ．Ｐｔｐｌ：ｈｅｓ；ｏｃｋｒｉｃｅｖｏａｉｌｉｔｒｅｄｉｃｉｎ幻ｕｃｔｕａｔｉｏｎｓｏｆｒｉｓｉｎｏｒｆａｌｌｉｎｃａｎｈｅｌｐｙｇｇ（ｇ）ｐｌｔｔ打ｔｍｅｎｔｄｅｃ．ｔｓ：ｏｃｋｒａｄｅｒｓｏｍａｋｅｂｅｅｒｉｎｖｅｓｉｓｉｏｎｓ

6、Ｇｏｏｄｐｒｅｄｉｃｉｏｎｍｏｄｅｌａｌｌｏｗｓ－ｈｉｉｉ打ｖｅｓｌ：ｏｉｓｔｏｂｅｔｔｅｒｕｎｄｅｒｓｔ：ａｎｄｔｅｓ１：ｏｃｋｒｃｅｃｈａｎｅｓｏｆｄｒｉｖｅｒｓ化ｒｏｖｄｅｓｕｏｒｔｆｏｒｐｇ，ｐｐｐｂｅｔｔｅｒｒｉｓｋｍａｎａｇｅｍｅｎｔ．Ｔｈ＇ｅｃａｓｅ；ｓｒｅｕｉｒｅｄｔｏｒｅｄｉｃｔｔｈｅＳｈａｎｈａｉｉｎｄｅｘｄａｓｃｌｏｓｉｎｒｉｃｅｉｎｔｈｉｓｑｐｇｙｇｐ，ａｅｒｗｅａｄｏｔｔｗｏｋｉｎ過ｓｏｆｆｏｒｅｃａｓｔｉｎｍｅｔｈｏｄｓｎｅｉｓｕｓｉｎａｕ

7、ｔｏｒｅｒｅｓｓｉｖｅａｎｄｐｐ．Ｏ，ｐｇｇｇ’ｍｏｖｉｎｇａｖｅｒａｇｅｍｅｔｈｏｄｔｏｍａｋｅｔｈｅａｒｏａｔｅｌｏａｒｉｔｈｍｉｃｄｉｆｆｅｉｅｎｔｉａｌ打ｎｄａ，ｐｐｐｒｉｇ，ｒｅｌａｔｉｖｅｌｏｔｉｍａｌＡＲＩＭＡｍｏｄｅｌａｎｄｔｏｅｓｌ：ａｂｌｉｓｈｃｏｎｄｉｔｉｏｎｓｍｅａｎｒｅｄｉｃｔｉｏｎｍｏｄｅｌ．ｙｐ，ｐＡｎｏｔｈｅｒｉｓｄｕｅｔｏｓｏｍｅｓ化ｃｋｔｒａｄｅｒｓ（ｓｕｃｈａｓｓｔｏｃｋｉｎ過ｅｘｆｕｔｕｒｅｓｔｒａｄｅｒｓ）ｉｎｐｒｅｄｉｃｔｉｎｇ

8、＇ｔｈｅｓｔｏｃｋｒｉｃｅｃｈａｎｅｃａｓｅｏｎｌｃａｒｅａｂｏｕｔ