市盈率的模糊线性回归预测模型研究

基于具有LR型模糊输出回归模型的上证指数预测
赵雪婷;杨辰;陆秋君
【期刊名称】《经济数学》
【年(卷),期】2013(030)004
【摘要】以对称二次型模糊回归模型为基础,引入一般二次模糊回归模型,利用模糊最小二乘法估计未知参数.构建评价标准考察两模型的拟合效果,在样本期内和样本期外分别评价模型的实际拟合与预测能力.
【总页数】5页(P106-110)
【作者】赵雪婷;杨辰;陆秋君
【作者单位】上海理工大学理学院,上海200093;上海理工大学理学院,上海200093;上海理工大学理学院,上海200093
【正文语种】中文
【中图分类】C812
【相关文献】
1.基于部分函数型线性回归模型的上证指数预测 [J], 程丽娟
2.基于LR模糊数据的线性回归模型 [J], 石苗;王达布希拉图
3.基于具有LR型模糊输出回归模型的保费预测 [J], 赵雪婷;陆秋君
4.基于区间二型T-S模糊模型的网络控制系统的输出反馈预测控制 [J], 唐晓铭;邓梨;虞继敏;屈洪春
5.基于直觉模糊集合的精确输入模糊输出的模糊回归模型 [J], 翟忱;曲智林
因版权原因，仅展示原文概要，查看原文内容请购买。

基于回归分析法对汽车行业市盈率影响因素的实证研究邢天怡1吉林大学吉林长春 130012摘要：汽车行业在国民经济中有着重要的地位，汽车行业上市公司在股票市场中的地位同样也是非常重要的，所以能够正确的给汽车行业上市公司股票定价对中国股票市场的发展有着重要的意义。

本文首先从传统股票定价模型，研究了影响汽车行业市盈率的因素，如：增长率等；其次，研究了那些影响汽车行业市盈率的特殊因素，如：石油价格的影响；最后，对影响汽车行业市盈率的因素进行了实证分析，得出了汽车行业市盈率决定模型。

关键词：汽车行业，市盈率，回归分析1.引言1.1 论文选题背景：汽车行业是我国国民经济的重要组成部分之一，汽车行业在我国工业总产值、国际社会地位、以及工业创新能力等方面都发挥着越来越重要的作用。

改革开放以来，我国汽车行业取得了快速发展，汽车行业在国民经济中的重要性也不断的增强，汽车行业产值的总资产贡献率不断提高，从2005年的9.1%到2008年的12.23%，图1为2004年到2008年我国汽车行业实现的总资产贡献率：图1：2004年到2008年我国汽车行业实现的总资产贡献率的变化情况汽车行业的上市公司在股票市场中的地位也是非常重要的。

从1990年、1991年我国分别在上海和深圳设立两家证券交易所算起，截至2008年2月26日，短短17年间，我国沪、深两1邢天怡（1990—）电子商务班34080911市的A股上市公司达1659家，其中汽车行业的上市公司就有96家，占了整个A股上市公司总数的5.8%，是各行业中上市公司较多的一类，表1是我国各行业上市公司家数：表1：2008我国各行业上市公司家数资料来源于WIND 资讯从上文我们可以知道，正确的给汽车行业上市公司股票定价，一方面对整个股票市场的合理估值以及股票市场的健康稳定的发展有着重要的意义，另一方面也影响着整个汽车行业的健康高速发展。

资本市场和实体经济的发展是息息相关的，若资本市场运行十分有效，起到了配置资源的作用，使得资源向那些生产效率高的企业流动，那么整个汽车行业会发展的更快、更好，反之，则会阻碍汽车行业的发展。

基于模糊K线的FCLSTM-vSVR模型的股票价格预测基于模糊K线的FCLSTM-vSVR模型的股票价格预测摘要：股票市场是一个复杂且充满不确定性的系统，准确预测股票价格一直是投资者和经济学家关注的重要问题之一。

目前，机器学习模型在股票价格预测中发挥了重要作用。

本文提出了一种基于模糊K线的FCLSTM-vSVR模型，结合了经典的模糊K线和深度学习模型，旨在提高股票价格预测的准确性和稳定性。

通过对比实证研究结果，表明该模型能够有效地用于股票市场的预测。

1. 引言股票市场是金融市场中最重要且最具风险的领域之一。

准确预测股票价格对投资者和经济学家具有重要意义，因为它们可以帮助投资者做出最佳的投资决策。

然而，股票价格受到多种因素的影响，包括市场需求、公司财务状况、宏观经济因素等等，这使得股票价格预测成为一个具有挑战性的问题。

2. 相关工作在过去的几十年中，许多学者和研究者尝试使用各种方法和模型来预测股票价格。

传统的方法包括时间序列分析、统计学方法和回归分析等。

然而，这些方法需要依赖大量的历史数据和复杂的数学模型，且对市场的不确定性和非线性关系建模能力有限。

与此同时，机器学习模型的发展为股票价格预测带来了新的机会。

神经网络模型如长短期记忆网络（LSTM）和卷积神经网络（CNN）可处理多维时间序列数据，其在股票价格预测中取得了不错的效果。

3. FCLSTM-vSVR模型本文提出的基于模糊K线的FCLSTM-vSVR模型结合了模糊K线和深度学习模型，能够捕捉K线图中的模糊特征和长期依赖关系。

具体模型结构如下：（1）数据预处理首先，我们从市场中获取历史股票数据，包括开盘价、收盘价、最高价、最低价等。

然后，根据这些数据绘制模糊K线图，通过将价格数据模糊化，可以更好地识别和表示股票价格的模糊特征。

（2）FCLSTM层FCLSTM层是本文提出的创新部分，它结合了模糊K线和LSTM网络的优点。

模糊K线作为输入序列进入LSTM网络中，利用LSTM网络的记忆单元来捕捉长期依赖关系，更好地分析市场中的价格变化趋势。

统计学在金融市场中的回归分析技术金融市场的波动性一直是投资者和分析师关注的重点。

为了更好地理解和预测金融市场的走势，统计学的回归分析技术被广泛应用。

本文将探讨统计学在金融市场中的回归分析技术，并重点介绍线性回归和多元回归两种常用的回归分析方法。

回归分析是一种通过建立数学模型来解释变量之间关系的统计学方法。

在金融市场中，回归分析可以帮助我们了解不同影响因素之间的关系，从而预测市场的未来走势。

其中，最常用的回归方法是线性回归和多元回归。

一、线性回归分析线性回归是一种基本且简单的回归方法，基于变量之间的线性关系建立模型。

在金融市场中，我们可以使用线性回归来研究一个或多个自变量对某个因变量的影响。

在线性回归分析中，首先需要确定一个因变量和一个或多个自变量。

以股票市场为例，我们可以选择股票价格作为因变量，选择与股票价格有潜在关联的自变量，如市盈率、市净率等。

然后，通过收集一定时间范围内的数据，进行回归分析，建立线性回归模型。

线性回归模型的表达式为：Y = β0 + β1X1 + β2X2 + ... + βnXn + ε其中，Y代表因变量，X1、X2等代表自变量，β0、β1、β2等代表回归系数，ε代表误差项。

通过估计回归系数，我们可以得到自变量对因变量的影响程度以及整个模型的拟合程度。

二、多元回归分析多元回归是一种相对复杂的回归方法，可以考虑多个自变量对因变量的影响。

在金融市场中，多元回归可以更准确地解释市场走势，并且更全面地考虑各种因素的影响。

多元回归模型可以表示为：Y = β0 + β1X1 + β2X2 + ... + βnXn + ε与线性回归模型类似，不同之处在于多元回归考虑了多个自变量，通过估计回归系数，可以得到每个自变量对因变量的影响程度。

在金融市场中，多元回归可以通过引入更多的自变量来解释市场的波动性。

例如，我们可以将股票价格作为因变量，同时考虑市盈率、市净率、市销率等多个自变量，以获得更全面的市场分析结果。