基于模式识别和分类的股市时间序列的分析和预测

基于模式识别和分类的股市时间序列的分析和预测

论文摘要

如何准确的分析和预测证券市场的未来趋势的一直是一个热门话题,其传统分析方法大致分为两大类:基本分析法和技术分析法。基本分析法基于行业的前景及公司的基本面对上市公司的未来股价做预测。技术分析法利用历史数据来预测未来趋势。近期,由于现代计算机智能技术的发展,诸多研究工作者利用智能技术、机器学习方法对股市进行预测,取得了可观的成就。然而,根据罗伯茨提出的有效市场假设理论,如果一个证券市场为弱式有效市场,则任何技术分析法将毫无用处;如果一个市场为半强势有效市场,则任何基本分析法和技术分析法将毫无用处。本文试图从历史数据中寻找潜在的游戏规则和行为模式,从而指导投资者进行投资决策。对于一个投资者来说,股指预测往往对其来说并没有太大的意义,而股指拐点的预测以及趋势的判断往往更加重要。因此,本文致力于预测股市趋势的拐点,及通过启发式的聚类方法筛选股市中最具牛、熊势K线形态的个股,从而帮助投资者进行选股分析及预警指示。本文的研究步骤包括如下:首先,本文使用Pearson相关系数及Q值检验,对中国股市进行弱式有效检验,结论是:中国股市为弱式有效市场,其时间序列不存在简单的线性相关性。然而这并不能排除中国股市中存在着复杂的非线性模式的可能性。随后,本文开创性的将模糊逻辑与生物序列比对算法相结合,提出了基于模糊K线序列比对的股市技术分析与预测模型。该模型能够较以往模型的优越性是:能够根据比对的结果动态地得到匹配序列的长度,并且允许加入间隔,增加了匹配的冗余性;并且,该模型是对历史上所有股票的数据进行比对,其预测准确率均高于以往的模型;此外,该模型具有很强的趋势预测能力,能够准确地把握股指今后的趋势,帮助投资者在其中获得超额利润。最后,本文利用模糊K线序列比对模型,通过启发式的方法,在历史上预先找到具有牛、熊势形态的K线组合,对它们进行聚类后,得到具有预测能力的牛、熊势形态K线数据库,通过比对该数据库来达到选股、预警等功能。测试表明,该模型能够帮助投资者进行准确的选股分析及预警分析。统计结果表明,实验中找到的牛、熊市形态K线模式具有很强的预测拐点的能力,能够为投资者在选股的过程中提供有用的信息。在实验中,通过比对牛势K线模式数据库,能过得到其今后趋势显著强于大盘的个股;而通过比对熊势K线模式数据库,能够得到其今后趋势显著弱于大盘的个股。本文所做的研究工作旨在使用智能算法来寻找金融时间序列中的潜在模式,通过一系列严密的测试与验证,本文得到了可观的预测结果,尽管仍旧存在不少问题与缺陷有待今后继续探究,相信利用该模型能够帮助股市投资者进行有效的历史信息挖掘,指导投资者把握股市中的拐点,进行准确的投资行为。

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 股市分析与预测方法概述
  • 1.1.1 基本分析法
  • 1.1.2 技术分析法
  • 1.1.3 现代智能技术法
  • 1.2 现代智能技术法研究现状及问题
  • 1.2.1 现代智能技术法研究现状
  • 1.2.2 现代智能技术法问题
  • 1.3 本文研究内容及意义
  • 1.4 本章小结
  • 第二章 中国股票市场有效检验
  • 2.1 西方有效市场假说
  • 2.2 中国股票弱式有效市场检验
  • 2.2.1 检验方法
  • 2.2.2 检验结果与分析
  • 2.3 本章小结
  • 第三章 模糊K 线时间序列建模
  • 3.1 背景知识简述
  • 3.1.1 K 线图理论
  • 3.1.2 模糊逻辑理论
  • 3.1.3 模糊时间序列相关定义
  • 3.2 模糊K 线时间序列建模
  • 3.2.1 选择论域间隔长度算法
  • 3.2.2 模糊K 线图建模
  • 3.2.3 模糊趋势建模
  • 3.2.4 符号化
  • 3.3 本章小结
  • 第四章 模糊K 线时间序列比对与预测
  • 4.1 生物序列比对简介
  • 4.2 模糊K 线序列比对
  • 4.2.1 局部序列比对(Local Sequence Alignment)
  • 4.2.2 相似矩阵的计算–去模糊化(Defuzzification)
  • 4.2.3 主成分分析(Principal components analysis)
  • 4.2.4 回溯法
  • 4.3 实验设计与预测分析
  • 4.3.1 沪深股市K 线模式匹配
  • 4.3.2 股价预测
  • 4.3.3 趋势预测
  • 4.4 本章小结
  • 第五章 启发式牛、熊势K 线形态聚类分析与预测
  • 5.1 概述
  • 5.1.1 启发式方法概述(Heuristic)
  • 5.1.2 聚类方法概述
  • 5.2 牛、熊势形态聚类分析
  • 5.2.1 启发式选取牛、熊形态K 线子序列
  • 5.2.2 聚类分析
  • 5.3 实验设计–利用牛、熊势形态进行选股分析
  • 5.4 本章小结
  • 第六章 全文总结
  • 6.1 本文工作
  • 6.2 主要结论
  • 6.3 研究展望
  • 参考文献
  • 攻读硕士学位期间已发表或录用的论文
  • 致谢
  • 相关论文文献

    • [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
    • [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
    • [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
    • [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
    • [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
    • [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
    • [7].王嵬作品[J]. 当代油画 2017(07)
    • [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
    • [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
    • [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
    • [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
    • [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
    • [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
    • [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
    • [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
    • [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
    • [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
    • [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
    • [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
    • [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
    • [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
    • [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
    • [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
    • [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
    • [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
    • [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
    • [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
    • [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
    • [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
    • [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

    标签:;  ;  ;  ;  

    基于模式识别和分类的股市时间序列的分析和预测
    下载Doc文档

    猜你喜欢