基于组合模型的股指预测

《基于组合模型的股指预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：密级：研究生学位论文论文题目（中文）基于组合模型的股指预测StockIndexPredictionBasedona论文题目（外文）CombinedModel研究生姓名方孟孟学科、专业应用经济学·金融学研究方向金融市场运行与管理学位级别硕士导师姓名、职称贾洪文副教授论文工作起止年月2015年4月至2016年4月论文提交日期2016年4月论文答辩日期2016年6月学位授予日期2016年6月校址：甘肃省兰州市原创性声明本人郑重声明：本人所呈交的学位论文，是在导师的指导下独立进行研究所取得的成果。学位论文中凡引用他人已经发表或未发表的成果、数据、观点等，均已明确注明出

2、处。除文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究成果做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。论文作者签名：日期：关于学位论文使用授权的声明本人在导师指导下所完成的论文及相关的职务作品，知识产权归属兰州大学。本人完全了解兰州大学有关保存、使用学位论文的规定，同意学校保存或向国家有关部门或机构送交论文的纸质版和电子版，允许论文被查阅和借阅；本人授权兰州大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存和汇编本学位论文。本人离校后发表、使用学位论文或与该

3、论文直接相关的学术论文或成果时，第一署名单位仍然为兰州大学。本学位论文研究内容：□可以公开□不宜公开，已在学位办公室办理保密申请，解密后适用本授权书。（请在以上选项内选择其中一项打“√”）论文作者签名：导师签名：日期：日期：基于组合模型的股指预测中文摘要股票价格指数作为其所处市场的代表性统计指标，它的涨跌起伏状况既体现了大致的市场行情，牵动着投资者利益，又反映了市场景气度，是国民经济的指示器。因此，对股指收盘价时间序列进行预测分析，不仅吸引了众多学者的研究目光，而且具有不可忽视的理论和现实意义。在分析国内外众多已有研究成果的基础之上，认识到单一模型在性能和预测精度上的

4、不足，组合模型预测是未来研究的主要方向。在本文中我们挑选并采纳了上证综指的月度和半年度收市价历史数据资料，利用最优矩阵法对经济预测中最常用的指数平滑基础模型、股指预测中基于线性假设条件的自回归条件异方差基础模型以及基于非线性假设条件的BP神经网络基础模型进行整合，以实现更稳定的模型性能和更高的预测准确度为目标，借助建立起的组合预测模型对股指收盘价进行拟合分析。研究的关键之处在于对组合预测复合模型的构建和对单一的基础预测手段与组合预测复合手段实证成果的分析和对比。实证成果表明，在对两组数据预测的表现上，基于最优矩阵法的组合模型在大多数统计指标上优于上述三个基础模型，其输

5、出值具有良好的预测确凿度，可以较好地整合来自不同基础模型的信息片段。关键词：指数平滑，自回归条件异方差，BP神经网络，组合模型IStockIndexPredictionBasedonaCombinedModelAbstractAsarepresentativestatisticalindicatoroffinancialmarket,thefluctuationofstockpriceindexnotonlyreflectsthemarketconditionsandaffectstheinterestsofallinvestors,butalsoreflectsth

6、edegreeofmarketprosperity.Therefore,theforecastinganalysisontimeseriesofstock’sclosingpriceattractstheattentionofmanyresearchscholars.Besides,ithasimportanttheoreticalandpracticalsignificance.Onthebasisofthecurrentresearchincludingdomesticandforeign,wefindtheshortcomingsofsinglemodelsan

7、dthinkthecombinedmodelisthemaindirectionoffutureresearch.Thispaperselectsmonthlyandsemi-annualclosingpricedataofShanghaiCompositeIndex,usingtheoptimalmatrixmethodtocombinethemostcommonlyusedexponentialsmoothingmodelineconomicforecasting,autoregressiveconditionalheteroscedastici