基于模糊时间序列的股票预测模型研究

• 作 者: 吴博
• 机 构: 厦门大学
• 出 处: 厦门大学
• 发表日期: 2011年期
• 关键词: 金融市场 股票预测 支持向量机 遗传算法

随着世界经济的高速发展,股票市场的规模在不断地扩大,股票市场作为经济的“晴雨表”,在世界经济中呈现出不容忽视的作用。在我国,股票市场已经发展二十多年了,并深入到日常生活中的方方面面,股票受到越来越多投资者的青睐。因而,研究股票市场的内在规律,并建立高效的预测模型,指导投资者规避风险,获得最大化的投资回报是一项非常有实际应用价值的工作。由于股票价格序列符合时间序列的一般特征,本文以模糊时间序列为主线研究股票预测问题。　　
本文首先介绍模糊时间序列、神经网络和支持向量机等多种方法在股票预测问题上的研究现状,并比较了它们的优缺点。主要研究内容包括：第一,结合模糊时间序列和遗传算法提出股票预测模型FTSGA。FTSGA模型从影响模糊时间序列预测性能的论域划分入手,通过遗传算法的选择、交叉和变异算子,迭代进化出优良的论域划分。实验结果表明,改进后的FTSGA模型减小预测的误差。第二,投资者经常使用技术指标对股票的未来走势进行分析与预判,本文将RSI、PSY和STOD三个指标引入到预测中,提出RPS预测模型。RPS模型在FTSGA模型的基础上,采用双变量模糊时间序列,以三个技术指标分别和涨跌幅构成双变量,并对挖掘出的模糊逻辑关系实施加权运算获得预测结果。为了评估模型的性能,作者选用MLP、DAN2、ARIMA、HMM和PAAMS等模型在纳斯达克、台湾加权指数和香港恒生指数等多组实验数据集上进行比较。实验结果表明,RPS模型的预测性能在不同程度上超过了其余模型。第三,将FTSGA模型和RPS模型扩展应用到预测多国之间的汇率走势,并给出实验结果和分析结论。