下载文档原格式
基于Hurst指数的股票价格预测方法研究近年来，随着世界经济不断发展，股票交易越来越成为人们的关注点。
对于投资者来说，最关心的是股票的未来走势。
然而，股票交易具有不确定性和随机性，导致预测股票价格非常困难。
在这样的情况下，基于Hurst指数的股票价格预测方法备受关注。
一、Hurst指数的定义和原理Hurst指数是由英国工程师H.E. Hurst提出的一种刻画时间序列长期相关性的指标。
长期相关性意味着序列在不同时间段的波动程度是一致的，即存在自相似性。
Hurst指数越接近于0.5，说明序列的变化趋势随机性越大，反之越小越说明序列的趋势性越强。
因此，我们可以通过计算Hurst指数来判断序列的时间性质。
二、基于Hurst指数的股票价格预测方法在传统股票预测方法中，往往使用技术分析和基本分析等定量手段进行预测，这种方法基于假设市场趋势是由历史价格变化所确定的。
但是，股票价格受到众多因素的影响，单一因素并不能完全反映市场真实情况。
而基于Hurst指数的股票预测方法则是根据行情走势的自相似性去完成预测。
具体来说，其步骤如下：1、将历史价格数据分成许多个时间段。
2、计算每个时间段的Hurst指数。
3、根据不同公司或不同板块的Hurst指数趋势，判断其未来价格走势。
三、实证研究有研究显示，基于Hurst指数的股票价格预测方法在实践中表现良好。
较多的研究都是从时域的角度来分析的，即分析时间序列数据的特征。
比如，中国证券报就曾发表一篇题为《Hurst指数预测股票走势的可行性研究》的文章，通过对上证指数进行分析，发现在短期内进行预测比较准确，但长期预测准确率降低。
其他的研究也支持了这种方法的有效性，尤其是在应用于稳定市场时表现更佳。
四、不足之处虽然Hurst指数在股票预测中的有效性已被证实，但也存在着一些不足之处。
首先，由于股票交易市场的不确定性和随机性，Hurst指数在一定程度上还是受到影响的。
其次，该方法只能反映出历史行情走势的自相似性，而随着新的信息不断涌现，其预测准确性也会跟着变化。
基于小波的Hurst指数自适应估计方法
洪飞;吴志美
【期刊名称】《软件学报》
【年(卷),期】2005(016)009
【摘要】对局域网和广域网上大量突发网络流量的分析结果表明,网络流量普遍存在着自相似性和长相关性,其中Hurst指数是表征网络流量突发特性的重要参数.通过在小波域内对网络流量这种特性的分析,给出了其小波系数的本质和统计特性.针对基于小波的Hurst指数估计方法的自适应问题,结合方差分析给出了一种有效的解决方法,从而提出了自适应的参数估计方法,并且该方法在一般意义上是无偏的.分形高斯噪声和真实突发网络数据的仿真结果均表明,自适应方法比传统估计方法具有更高的估计精度,能够自适应地选择最优尺度区间,而且仅具有O(N)的计算复杂度,因此可望应用于高速网络的网络管理和实时控制.
【总页数】5页(P1685-1689)
【作者】洪飞;吴志美
【作者单位】北京航空航天大学,计算机学院,北京,100083;中国科学院,软件研究所,北京,100080
【正文语种】中文
【中图分类】TP393
【相关文献】
1.自相似业务:基于多分辨率采样和小波分析的Hurst系数估计方法 [J], 陈惠民;蔡弘;李衍达
2.小波域基于分段Hurst指数的视频流分类 [J], 汤萍萍;董育宁
3.基于小波变换与EMD的快速Hurst指数估值 [J], 魏斌;吴重庆;沈平
4.基于提升框架的赫斯特指数自适应估计方法 [J], 周刚;刘渊
5.基于小波分析的水稻蛋白OsPCBP的Hurst指数的提取 [J], 张秋胜;徐丙莲因版权原因，仅展示原文概要，查看原文内容请购买。
基于小波变换的动态股票预测模型研究股票市场作为经济发展的晴雨表，一直以来都备受关注。
投资者和分析师们努力寻找一种有效的方法来预测股票价格的变化，以获得更高的回报。
近年来，小波变换成为了股票价格预测领域的一种重要工具。
本文将探讨基于小波变换的动态股票预测模型，以帮助投资者做出更准确的决策。
首先，我们先来了解什么是小波变换。
小波变换是一种将时间序列数据分解为不同频率成分的统计工具，通过分析不同频率上的振幅变化，可以更好地理解时间序列数据的特征和规律。
在股票价格的预测中，小波变换可以帮助我们提取出不同时间尺度上的特征，进而进行有效的预测。
动态股票预测模型是指随着时间的推移，股票价格的预测模型也会不断调整和更新。
在小波变换中，动态模型可以通过监测价格的变化，并根据最新的数据调整模型参数，实时地进行预测。
这种动态调整的方式可以更好地适应股票市场的变化，并提高预测的准确性。
为了构建基于小波变换的动态股票预测模型，我们首先需要收集和整理历史股票价格数据。
这些数据包括股票的开盘价、收盘价、最高价、最低价等。
然后，我们将利用小波变换将这些时间序列数据进行分解。
小波变换可以将原始的时间序列数据分解为多个尺度和频率的小波系数，每个系数对应着不同频率上的振幅变化。
通过观察不同尺度的小波系数，我们可以进一步理解股票价格的长期和短期趋势。
接下来，我们需要选择一个适当的小波函数来进行变换。
常用的小波函数包括Daubechies小波、Haar小波等。
不同的小波函数具有不同的特性，可以适应不同类型的时间序列数据。
在选择小波函数时，我们需要考虑时间序列数据的周期性、噪声特征等因素。
在进行小波变换后，我们将得到一系列的小波系数，并根据这些系数来进行股票价格的预测。
由于小波系数表示了不同时间尺度上的特征，我们可以通过分析这些系数的变化趋势来预测未来股票价格的走势。
例如，如果某个尺度上的小波系数呈现出逐渐增大的趋势，那么我们可以预测股票价格将上涨。
基于Hurst指数的量化投资策略研究作者：***来源：《现代信息科技》2023年第22期收稿日期：2023-04-18基金项目：湛江市非资助科技攻关计划项目（2021B01494）DOI：10.19850/ki.2096-4706.2023.22.018摘要：自尤金·法玛1970年提出有效市场假说后，部分学者认为股票市场具有长期记忆性，不符合该假说，用分形理论来刻画股票价格运动更为合理。
首先应用配分函数法（Partition Function， PF），通过沪深300股指数据验证了A股市场的分形特征，然后选取了Hurst指数这一指标来衡量股票价格变动的长期记忆性，构建量化交易策略池，并通过均线策略进行择时，最后通过夏普比率最大化完成投资组合优化，发现该投资策略能获得明显高于被动投资沪深300指数的投资收益，说明基于Hurst指数构建量化交易策略具有一定的实用性。
关键词：Hurst指数；分形市场；均线策略；投资组合优化；量化交易中图分类号：TP39；F832.48 文献标识码：A 文章编号：2096-4706（2023）22-0083-06Research on Quantitative Investment Strategies Based on Hurst IndexLI Minghui（Zhanjiang Preschool Education College， Zhanjiang 524084， China）Abstract： Since Eugene Fama proposed the Efficient Market Hypothesis in 1970， some scholars believe that the stock market has long-term memory and does not conform to this hypothesis. It is more reasonable to use fractal theory to describe stock price movements. Firstly， the Partition Function （PF） method is applied to validate the fractal characteristics of the A-share market through the Shanghai and Shenzhen 300 stock index data. Then， the Hurst index is selected as an indicator to measure the long-term memory of stock price changes， and a quantitative trading strategy pool is constructed. The time is selected through the moving average strategy. Finally， the investment portfolio is optimized by maximizing the Sharpe ratio， it is found that this investment strategy can achieve significantly higher investment returns than passive investment in the Shanghai and Shenzhen 300 Index， indicating the practicality of constructing a quantitative trading strategy based on the Hurst Index.Keywords： Hurst index; fractal market; moving average strategy; portfolio optimization; quantitative trading0 引言金融市场中的股票价格特征研究一直是学术界和业界的重点关注对象。
摘要随着中国股票市场发展速度的加快，股票市场波动对宏观经济甚至于整个国民经济的影响必将日益增大。
以往分析中国股票市场波动的文献很多，但是它们都是在单一时间尺度上进行的。
但是，利用单一时间尺度分析金融市场波动得到的结果往往是片面的。
所以，为了得到全面而正确的分析结果，我们应该在多个时间尺度上分析我国的股票市场波动。
小波方法为我们研究股票市场波动的多尺度性质提供了一个自然的工具。
概括地说，小波方法是我们所熟知的谱分析方法的补充和扩展。
它是一种信号的时间—尺度(时间—频率)分析方法，在时频两域都有表征信号局部特征的能力，特别适合分析非平稳的时间序列。
此外，小波变换也可以降低长记忆过程的相关性，所以小波方法也适合于分析长记忆的时间序列，并可估计长记忆参数。
在分析金融市场波动时，小波方法使得研究者以不同的时间尺度为基准描述金融市场波动的长记忆性和不同金融市场的波动相关性。
因此，本文首先利用小波多尺度分析方法对中国股市波动的长记忆性和时变长记忆性进行了分析。
本文发现中国股市波动长记忆存在显著的多尺度现象，利用虚拟变量技术发现日内波动的长记忆性和日间波动的长记忆性存在显著的不同，并且中国股市五分钟波动的长记忆参数是时变的。
这说明我们在对股价波动进行建模时，应该选择时变长记忆参数的模型如时变LMSV模型。
其次，本文利用小波互相关系数和小波交叉互相关系数对深沪股市波动传导的多尺度性进行了分析，发现深沪股市同期波动传导和领先－滞后传导关系都随着时间尺度的增大而增强，所以以小尺度为基准，采用组合投资分散风险的效果更好。
关键词：股票市场波动；多尺度现象；长记忆；波动传导；小波方法；高频数据ABSTRACTWith the development of Chinese stock markets speeding up, the impact on the whole national economy which the volatility of stock markets have must increases as the time goes on. Though there are a great number of references before in analyzing the volatility of Chinese stock markets , they are all based on one single time scale. But the result only using one single time scale is always one-sided. Only when we analyze the volatility of Chinese stock markets based on multi time scale can we obtain all-sided and right analyzing result.Wavelet method is a natural analyzing tool for us studying the multiscale properties of the stock market volatility. Generally speaking, wavelet method is the complement and generalization of spectral analyzing method, which is familiar to us. It is a kind of time-scale(time- frequency) analyzing method of signal, and has the ability of characterizing the local character of signal in time and frequency domain. So, it is especially suitable for analyzing nonstationary time series. In addition, wavelet transform can reduce the correlation of long memory process. So, wavelet method is also fit for analyzing long memory time series and can estimate long memory parameter. In analyzing the volatility of financial markets, it is wavelet method that makes the researchers describe the long-memory property of the volatility of financial markets and the correlation of various financial markets in different time scale.Therefore, based on wavelet method, firstly, this thesis analyzes the multiscale and time varying long-memory property of the volatility of Chinese stock market. This thesis finds that there are evident multiscale phenomena in the long memory of the volatility of Chinese stock markets, and furthmore, there is a significant difference in the intraday and interday long memory parameter of the volatility of Chinese stock market using the technology of dummy variable.Secondly, by the wavelet correlation and cross-correlation, this thesis analyzes the multiscale property of the volatility-transmission of Shenzhen and Shanghai stock market and found that, the contemporary and lead-lag volatility-transmission relationship of Shenzhen and Shanghai Stock market becomes much stronger as the timescale becomes much bigger, so there is a better result in the smaller timescale if we want to invest dispersively using the portfolio.Key words: Volatility of Stock Market; Multiscale Phenomenon; Long Memory;Volatility-transmission; Wavelet Method; High Frequency Data湘潭大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
基于小波变换的沪深300指数预测
汪思慧;费宇
【期刊名称】《统计学与应用》
【年(卷),期】2014(003)004
【摘要】本文通过基于小波变换和未基于小波变换对沪深300指数日收盘价序列分别建立ARMA拟合模型并做短期预测,对其归一化均方误差(NMSE)进行比较,结果显示,由于小波变换良好的时频局域化特性,以及它的多分辨功能,使组合模型较之于单个预测模型对于沪深300指数的短期预测更优。
【总页数】7页(P175-181)
【作者】汪思慧;费宇
【作者单位】[1]云南财经大学,统计与数学学院,昆明;;[1]云南财经大学,统计与数学学院,昆明
【正文语种】中文
【中图分类】F2
【相关文献】
1.基于人工神经网络模型的沪深300指数预测 [J], 肖顺;杨乐祺;余偲;辛慧敏;阎虎勤
2.基于模型树的沪深300指数预测 [J], 林天华;祁旭阳;张倩倩;赵霞
3.基于模型树的沪深300指数预测 [J], 林天华;祁旭阳;张倩倩;赵霞
4.基于ARMA模型的沪深300指数价格预测 [J], 胡康;戈瑞阳
5.沪深300指数波动率和VaR预测研究——基于投资者情绪的HAR-RV GAS模型 [J], 沈银芳;严鑫
因版权原因，仅展示原文概要，查看原文内容请购买。
