论文部分内容阅读
作为金融市场的主体,股票市场在一国的经济发展中起着举足轻重的作用。股票价格指数(简称股票指数)反映了整个股票市场上各种股票市场价格的总体水平及其变动情况,对其进行预测分析,从宏观方面看,可以为国家的宏观决策提供依据,从微观方面看,可以影响投资者们的投资策略和手段。因此,对于股票指数的预测研究一直是国内外的研究者们关注的热点。对股票指数从时间序列研究方法入手,被证明是较为有效的方法。目前对股票指数时间序列(简称股指时序)的研究,有传统时序模型法和数据挖掘法等。小波分析理论的发展为结合前两种方法的优点来对股指时序进行多分辨分析和预测提供了极为有效的工具。因此,本文以股票指数时间序列数据为研究对象,运用小波分析方法对股票指数时间序列进行去噪和多分辨分析,综合自回归滑动平均(autoregressive moving average,ARMA)模型法和支持向量机(support vector machine,SVM)数据挖掘法的各自优势,对股指时序的短期走势进行了预测。本文主要完成了如下工作：1、总结了国内外关于股票指数预测方面的进展,提出了基于小波分析的ARMA-SVM组合预测模型；2、对于股票指数的特征进行分析,并阐述了本文建模的理论基础,重点说明了小波分析理论,特别是小波去噪和多分辨分析的原理,ARMA模型预测法及其实现过程,介绍了SVM模型的理论,着重说明了SVM理论在应用中的原理以及参数的选择。3、在此理论基础上,详细阐述了本文的基于小波分析的ARMA-SVM组合预测模型的构造过程：首先采用小波对股指时序数据进行去噪处理,然后对其进行小波分解,得到了尺度变换序列和各级小波变换序列,验证了尺度变换序列的非平稳性和小波变换序列的平稳性,然后建立ARMA模型对平稳的小波变换序列进行预测,应用支持向量机学习模型对非平稳的尺度变换序列进行智能化训练和预测,然后对分析结果进行整合,得出组合模型的预测结果。4、最后,进行实证研究,证明了应用该组合模型,能够实现对股票市场时间序列数据的较为准确的预测,且预测准确率高于单纯使用SVM模型,因而有更广阔的应用前景。