论文题目: 基于神经网络的金融时间序列分析
论文类型: 硕士论文
论文专业: 运筹学与控制论
作者: 王波
导师: 张凤玲
关键词: 人工神经网络,金融时间序列,预测,算法
文献来源: 天津大学
发表年度: 2005
论文摘要: 随着经济的发展和人们投资意识的转变,证券投资已经成为现代人生活中的一个重要组成部分。金融证券市场是一个高风险高收益的投资领域,在这个领域中,投资者为了追求投资收益的最大化和投资风险的最小化,不断地探索其内在规律,寻找其有效的分析方法和工具。因此,对金融时间序列的分析和预测具有重要的理论意义和应用价值。金融时间序列具有很强的随机性和非线性性,而神经网络具有良好的非线性映射能力及自适应、自学习和良好的泛化能力,因此非常适合处理金融时间序列这样的数据。由于对于神经网络与线性模型在预测性能方面的比较众说不一,本文分别使用神经网络和ARIMA模型对SP&500和上证A股复华实业(600624)在一定时期内的股票价格做出预测,并进行了比较。另外,在预测过程中,神经网络的网络结构以及各项参数没有系统的方法给出,因而神经网络的运行受到很多因素的影响。每种预测方法都有其适用的范围,也有其自身模型的特点所造成的弱点。为了克服单个模型的弱点,我们可以通过组合方法来进行预测。本文提出了一种有效的组合方法,结果表明,通过这种方法可以有效地克服单个神经网络在预测中的不稳定性。理论分析和实验结果都表明,神经网络在金融时间序列的分析和预测中具有独特的优点,因而具有广阔的应用前景。
论文目录:
中文摘要
ABSTRACT
第一章 绪论
1.1 课题背景
1.1.1 金融时间序列
1.1.2 神经网络的特点
1.1.3 神经网络在金融市场中的应用
1.2 本文主要研究内容
第二章 BP神经网络
2.1 人工神经网络及其发展
2.2 神经元模型
2.3 神经网络的类型
2.4 BP神经网络
2.4.1 BP神经网络结构
2.4.2 BP学习算法
2.4.3 BP算法的改进
2.5 使用神经网络预测的步骤
第三章 神经网络与ARIMA模型在时间序列预测中的比较
3.1 ARIMA模型的预测
3.1.1 ARIMA 模型
3.1.2 ARIMA模型的建立
3.2 神经网络的预测
3.3 神经网络与ARIMA模型的比较
3.3.1 预测的评价方法
3.3.2 结果的比较
第四章 组合神经网络的使用
4.1 组合预测方法的发展
4.2 问题的提出
4.3 一种新的组合方法
4.4 实验过程
4.5 结果讨论
第五章 结论与展望
5.1 结论
5.2 今后的工作
参考文献
发表论文和科研情况说明
致谢
发布时间: 2007-04-17
参考文献
- [1].基于深度学习算法的上市公司投资决策支持模型研究[D]. 张佳禹.辽宁师范大学2018
- [2].基于卷积神经网络的期权价格预测[D]. 徐颖.东南大学2018
- [3].基于神经网络方法的期权定价应用研究[D]. 刘旭彬.暨南大学2011
- [4].小波分析和神经网络在股指预测中的应用研究[D]. 段晶晶.天津大学2007
- [5].基于VMD和神经网络的原油产量预测[D]. 李小倩.兰州大学2018
- [6].基于神经网络的股市预测[D]. 汤建明.华中科技大学2006
- [7].神经网络在股票市场预测中的应用研究[D]. 胡静.山东师范大学2007
- [8].神经网络对非线性系统的辨识与控制方法研究[D]. 王华.河北科技大学2012
- [9].基于神经网络的上证指数预测研究[D]. 李志杰.华南理工大学2015
- [10].基于神经网络与主成分分析的组合预测研究[D]. 梁娜.武汉理工大学2007
相关论文
- [1].时间序列分析的研究与应用[D]. 汤岩.东北农业大学2007
- [2].基于数据挖掘的金融时间序列预测分析与研究[D]. 裴双喜.大连海事大学2008
- [3].基于时间序列分析的预测[D]. 利小玲.四川大学2006
- [4].时间序列预测模型及其算法研究[D]. 罗凤曼.四川大学2006
- [5].金融时间序列的长记忆与分形协整关系研究[D]. 吴大勤.东南大学2006
- [6].小波神经网络在金融时间序列分析中的应用[D]. 罗勇.成都理工大学2007
- [7].金融时间序列分析中的小波方法[D]. 张燕.河海大学2006
- [8].基于神经网络的金融证券预测方法研究[D]. 李丰龙.青岛大学2006
- [9].高频金融时间序列的研究与建模[D]. 吴萌.电子科技大学2006
- [10].人工神经网络在上海股市趋势预测中的应用——与时间序列预测对比分析[D]. 刘永福.东北财经大学2003