股票市场预测
- 格式:doc
- 大小:369.24 KB
- 文档页数:15
利用大数据分析法预测股票市场趋势的研究随着信息技术的迅猛发展和互联网的普及,大数据正逐渐成为各行业的重要资源。
在金融领域,利用大数据进行股票市场趋势预测已成为一个热门话题。
本文旨在探讨利用大数据分析法预测股票市场趋势的研究,并介绍其方法与应用。
一、大数据分析法的基本概念与原理大数据分析法是指利用海量数据、高效的计算能力和先进的分析技术,寻找数据中的关联、模式和趋势,并以此预测未来的发展趋势。
在股票市场中,通过收集、整理和分析大量的历史交易数据、公司财务数据、宏观经济指标等信息,可以识别股票市场中的交易规律和趋势,从而进行预测。
大数据分析法的原理包括数据采集、数据存储、数据处理和数据挖掘。
首先,需要从各种数据源中采集数据,包括股票交易所、金融机构、媒体等。
然后,将采集到的数据存储在大数据平台中,如云服务器或专用服务器。
接下来,利用数据分析工具和算法对大数据进行处理和挖掘,找出其中的关联性、模式和趋势。
最后,基于挖掘结果,进行股票市场趋势的预测与分析。
二、利用大数据分析法预测股票市场趋势的应用1. 技术分析技术分析是利用历史股票价格和成交量等数据来预测股票市场的方法。
通过大数据分析法,可以识别出股票价格与成交量之间的关系,并利用这些关系来预测未来的价格走势。
例如,通过挖掘股票价格的周期性波动和交易量的变化规律,可以预测股票市场的涨跌情况,为投资者提供决策依据。
2. 基本面分析基本面分析是通过分析公司财务数据、宏观经济数据和行业发展趋势等因素,来评估股票的真实价值和未来发展潜力。
利用大数据分析法,可以将大量的财务数据进行整理和分析,找出与股票价格相关的因素。
同时,还可以利用自然语言处理和情感分析技术,对与股票相关的新闻、社交媒体等大数据进行挖掘和分析,以了解市场情绪对股票价格的影响。
3. 基于机器学习的预测模型基于机器学习的预测模型可以通过对历史股票数据的学习,建立股票市场趋势预测模型。
利用大数据分析法,可以提取出影响股票价格的关键特征和因素,并利用机器学习算法构建预测模型。
股票预测模型的构建与应用一、概述股票市场是全球范围内最为重要的金融市场之一,它的波动影响着投资人的利益。
投资人通过股票投资可以获得高额的利益,但是市场的不确定性也会对股票的价格造成大幅波动。
因此,发展股票预测模型来提高投资决策的准确性具有重要意义。
二、股票价格预测模型股票价格预测模型是一种数学建模的方法,用于预测未来市场的股票价格的变化。
股票价格的预测模型是按照过去一段时间的市场数据来构建的。
1. 时间序列模型时间序列模型是指按照时间顺序对数据进行统计分析和建模的一种方法。
时间序列是由连续的时间点组成的一组数据,这些时间点上的数据由于受到某种内在或外在的因素的影响而呈现出相应的规律性。
时间序列模型建立在这种规律性上,通过对时间序列数据进行分析、拟合和预测,实现对未来股票价格走势的预测。
2. 基于机器学习的模型基于机器学习的股票价格预测模型是一种利用计算机来学习和识别股票市场数据特征的方法。
采用机器学习技术,对股票市场数据进行训练,建立预测模型,从而对未来股票价格进行预测。
三、股票预测模型的应用1. 股票投资决策股票价格预测模型的应用最为直接的便是用于股票投资决策。
通过对股票市场数据做出预测,投资人可以更加准确地做出买卖决策,从而提高投资收益。
2. 风险管理股票市场是一个变化无常、风险较高的市场,在投资决策中必然需要进行风险管理。
股票价格预测模型可以帮助投资人对市场风险进行分析和预测,从而更好地进行风险管理。
3. 资本市场监管股票市场的稳定性对整个金融市场的稳定具有重要的影响。
监管部门可以根据股票价格预测模型对市场风险进行监测和管理,从而更好地保障金融市场的稳定。
四、结论股票价格预测模型是一个非常实用的工具,可以帮助投资人更好地进行股票投资决策和风险管理。
但是,预测模型本身也具有一定的不确定性,因此在使用模型时需要考虑各种因素,并结合市场经验,做出更加客观、准确的决策。
利用贝叶斯方法对中国股票市场进行预测贝叶斯方法是一种用于数据分析和决策制定的强有力的方法。
其基本思想是根据已经获得的观察结果,对未来事件的概率进行推断。
在中国股票市场这个特殊的领域里,贝叶斯方法也能够发挥出其独特的优势。
在这篇文章中,我们将会探究一些如何应用这种方法来进行股票市场预测的思路和实践。
首先,我们需要清楚地了解什么是"贝叶斯方法"。
简而言之,贝叶斯方法是一种基于贝叶斯定理的思考方式。
它允许我们根据已知的相关信息来评估将来发生的事情的概率。
假设我们想知道明天的天气状况,我们可以根据今天的天气,以及以往的天气情况,以此来对明天的天气进行预测。
同样地,我们可以运用同样的思路来进行预测中国股票市场的走势。
我们可以用已有的数据来建立一个模型,以此来预测未来的经济走势。
这种方式可以被视为一种"数据驱动的决策制定"过程。
一个成功的预测模型需要具备以下几个特点:1. 单独的股票预测可能会有误差,因此需要通过整合数据来减少这些误差。
2. 必须要针对每个行业进行研究,以便根据行业的发展趋势来调整预测。
3. 模型的更新应该是持续的,以便使其反应更加准确的数据。
4. 股票市场的走势是受全球经济走势的影响,所以需要考虑整个全球经济体系构成的变化。
以上四个因素是成功的预测模型所必须具备的核心特点。
在这些限制下我们需要选择合适的算法和方法来进行预测。
在本文中,我们选择了一种基于卡尔曼滤波器和贝叶斯方法的算法来尝试预测中国股票市场的未来走势。
给定一个时间段的股票价格和相关宏观变量数据,我们可以使用卡尔曼滤波器来进行人工智能模型的参数优化。
这个模型可以帮助我们在保留预测的准确性的同时尽可能降低模型的复杂性。
一旦我们有了优化过的人工智能模型,我们可以使用贝叶斯方法来进行最好的预测。
贝叶斯方法直接将输入数据结合后验分布来进行计算。
这个过程可以被常用的机器学习算法所实现,例如决策树、随机自愿等等。
基于时间序列分析的股票市场行情预测研究股票市场一直是一个充满变化和波动的市场。
在这个市场里,每个人都想知道未来的股票价格会是多少。
有很多的因素会影响股票市场,比如公司基本面、股票市场波动等等。
那么,作为股票市场参与者,我们有什么办法可以判断股票市场行情的走势呢?时间序列分析作为一种经济统计学的方法,被广泛应用于预测股票市场的走势。
本文将从什么是时间序列分析开始介绍,详细探讨如何基于时间序列分析方法进行股票市场行情预测研究。
一、什么是时间序列分析时间序列分析(Time Series Analysis)是一种通过对时间序列数据进行建模,揭示数据内在规律和趋势以及预测未来发展趋势的方法。
简单地说,时间序列分析就是利用历史数据中的规律和趋势,来预测未来的走势。
时间序列分析是一项技术含量高、应用广泛的研究领域。
时间序列分析主要采用数学和统计学的方法,包括时间序列的平稳性检验、时间序列的白噪声检验、时间序列模型的识别与估计等方法。
当然,时间序列分析还涉及到一些数据处理技术和模型验证技术等。
二、时间序列分析在股票市场行情预测中的应用时间序列分析在股票市场的应用主要在于建立股票价格和时间的关系,然后根据历史价格数据的规律和趋势,来预测未来股票价格的走势。
时间序列分析方法能够很好地模拟出股票市场的价格走势,因此在股票市场行情预测中有着广泛的应用。
在时间序列分析中,常用的模型包括自回归模型(AR)、移动平均模型(MA)以及自回归移动平均模型(ARMA)。
这些模型都是基于时间序列数据建立的,其形式和特征也不一样。
从AR模型、MA模型到ARMA模型,每个模型都有着不同的应用范围和适用性。
三、时间序列分析在实际操作中的应用基于时间序列分析的股票市场行情预测方法,涉及到很多的计算和操作过程。
首先需要准备相关的股票市场数据集,这些数据包括股票价格、成交量、资金流向、财务指标等数据。
然后需要对这些数据进行预处理和清洗,去除异常值并进行数据归一化处理。
利用机器学习算法预测股票市场走势随着科技的不断进步,机器学习技术的应用范围越来越广泛,其中,预测股票市场走势是机器学习领域内的一项重要应用。
随着市场的波动和风险的加大,传统的股票分析和决策方法也变得越来越难以适应市场的变化。
因此,利用机器学习算法预测股票市场走势已经成为投资者追求更高投资收益的一个重要方向。
一、机器学习算法在股票市场预测中的应用1. 基于监督学习的股票预测模型监督学习算法是一种利用已知输入和输出数据来建立模型预测未来数据的机器学习算法。
在股票市场中,我们可以利用监督学习算法构建股票预测模型,通过历史数据作为输入,预测出未来的股票价格走势。
常见的监督学习算法包括决策树、神经网络、支持向量机、线性回归等,可以根据数据的特点和预测目标选择适合的算法进行建模。
例如,支持向量机(Support Vector Machine, SVM)算法可以有效地处理高维数据,在股票预测中被广泛应用。
2. 基于无监督学习的股票预测模型与监督学习不同,无监督学习算法主要针对未标记数据,通过数据集合内的规律和特点来对样本进行聚类、降维、分类等。
在股票市场预测中,我们可以利用无监督学习算法对股票市场数据进行降维和聚类,从而发现股票市场内不同行业和板块的关联性和规律,为后续预测提供依据。
常见的无监督学习算法包括聚类算法、主成分分析算法等,可以通过对数据的特点和预测需求来选择适合的算法。
二、机器学习算法在股票市场预测中的优势1. 高效性传统的股票预测方法需要投资者花费大量的时间和精力进行研究和分析,预测的准确性也难以保证。
而利用机器学习算法预测股票市场走势,可以大大缩短预测时间,提高预测准确度。
2. 精确性机器学习算法可以通过对大量股票市场数据的分析和建模,找到一些难以被发现的规律和特征,提高股票预测的精确性,降低预测偏差。
3. 实时性股票市场的变化是非常快速的,传统的股票预测方法很难在第一时间做出反应,而利用机器学习算法预测股票市场走势可以实现实时更新预测结果,及时应对市场变化。
基于复杂网络的股票市场分析与预测模型建立股票市场作为一种重要的金融市场,对投资者和经济体都具有重要影响力。
因此,对于股票市场的分析和预测模型的建立具有重要的研究意义和实际应用价值。
在过去的几十年中,随着计算机技术和网络科学的快速发展,复杂网络理论成为了研究股票市场的一种新的方法。
基于复杂网络的股票市场分析与预测模型建立,是通过构建和分析股票市场的复杂网络结构,从中提取有关股票市场的重要信息,并建立相应的预测模型,以帮助投资者和决策者做出更准确的决策。
首先,建立股票市场的复杂网络结构是分析和预测的基础。
复杂网络是由大量节点和连接它们的边组成的网络结构,可用于建模股票市场中的各种影响因素和关系。
我们可以通过构建股票市场中股票之间的相关性网络,将不同股票之间的相互关联关系用图形的方式呈现出来。
通过分析网络的节点和边的属性,可以揭示出不同股票之间的相互关系以及市场的整体结构特征。
其次,利用复杂网络的分析方法,可以从股票市场中提取出重要的信息。
通过研究网络拓扑结构的特征,例如节点的度中心性、介数中心性和聚类系数等指标,可以揭示出股票市场中的关键股票和重要指标。
此外,通过研究网络的动态演化过程,可以发现股票市场中的群体行为和投资者的交互模式,从而更好地理解市场的运作机制。
最后,基于复杂网络的股票市场分析与预测模型建立的关键是建立合适的预测模型。
利用复杂网络的分析结果和股票市场的历史数据,可以构建出各种基于复杂网络的股票市场预测模型,例如基于神经网络的模型、基于支持向量机的模型和基于时间序列的模型等。
这些模型可以根据股票市场的特征和历史数据,预测未来股票价格的走势,并提供给投资者和决策者参考。
总之,基于复杂网络的股票市场分析与预测模型建立是一种新的研究方法,具有较高的研究价值和实际应用意义。
通过构建股票市场的复杂网络结构,提取关键信息,并建立合适的预测模型,可以更好地理解和预测股票市场的动态变化,为投资者和决策者提供决策依据。
股票价格预测模型的构建及应用股票价格预测一直是投资者和分析师关注的重点,因为它们能够帮助他们理解市场行情和制定投资策略。
在过去几十年中,人工智能和机器学习的发展为股票价格预测提供了全新的可能性。
本文将介绍股票价格预测模型的构建及其应用。
一、市场数据的收集与处理在构建任何预测模型之前,我们需要了解市场和公司的数据。
市场数据通常指代价格、交易量、PE比率、市净率等。
公司数据通常指代资产负债表、现金流量表、利润表等。
收集市场和公司数据的渠道有许多种,如雅虎财经、谷歌财经、街头风度等。
将市场和公司数据从原始格式转化为可读取的结构化格式是前提。
对于机器学习算法来说,它处理的是数字矩阵。
因此,我们需要通过某些程序或人工方式将原始数据转化为数值格式。
除此之外,数据的预处理还包括删除重复值、填补缺失数据、剔除异常值等。
二、机器学习算法与模型构建在数据预处理之后,我们需要选择合适的机器学习算法和模型来进行预测。
这里,我们介绍两个广泛应用的算法:线性回归和决策树。
线性回归模型是一种基于线性函数的算法,用于确定两个变量之间的关系。
这种模型假设了数据之间的关系是线性的,即一种变量的变化与另一种变量的变化成正比例关系。
这种模型通常适用于股票价格的趋势预测。
决策树模型是一种基于树状结构的算法,用于在可能的决策路径上做出选择。
这种模型可以分析一系列事件和选择,从而形成一条或多条决策路径。
在股票价格预测中,决策树模型可以预测股票价格的变化趋势,如上涨或下跌,因为它不仅仅是线性的,而是任意可形成的路径。
选择适当的机器学习算法和模型对模型预测的准确性和精度至关重要。
因此,需要评估和比较不同算法和模型的优点和缺点,并根据具体的数据集和特定的问题选择合适的方案。
三、模型应用与市场响应一旦我们构建了一个股票价格预测模型,我们可以将其应用到新数据中,预测未来的趋势。
利用这种方法,分析师和决策者可以制定更好的投资策略,以在股票市场中获利。
然而,模拟交易的胜利不一定能够保证真实交易的胜利。
股票预测分析模型研究股票市场是世界上最活跃、最复杂的金融市场之一。
股票价格受到多种因素的影响,例如公司的盈利、自然灾害、政治和国际金融市场等因素。
股票投资虽然有巨大的风险,但是也有很大的回报机会,吸引着许多人参与其中。
股票预测分析模型是一种通过数学模型预测股票价格的方法。
本文将探讨股票预测分析模型的研究现状和应用前景。
股票预测分析模型的研究现状随着金融市场的不断发展,股票预测分析模型也日益成为热门话题。
目前,主要的股票预测分析模型包括时间序列分析、回归分析和神经网络分析等。
时间序列分析是基于历史股票价格数据来预测未来价格趋势的一种方法。
回归分析是通过分析市场和公司数据来预测未来的股票价格。
神经网络分析是基于人工神经网络的信息处理能力来预测未来股票价格的方法。
时间序列分析是最常见的股票预测分析模型之一。
时间序列分析使用历史数据来预测未来股票价格。
时间序列模型可以通过拟合过去价格数据的趋势、季节性和周期性来预测未来股票价格的趋势。
由于时间序列分析受到历史数据限制,所以它只能预测一定的时间段内的价格趋势,也可能产生误差。
回归分析是计量经济学中常用的方法之一。
它是一种对股票价格预测影响因素进行回归分析的方法。
通过收集市场、公司和经济数据,回归分析能够预测股票价格的变动。
这种分析模型可以进行变量选择、模型优化和预测误差分析,能够更好地预测股票价格的变动。
神经网络分析是近年来逐渐流行的方法。
神经网络模型是一种模仿生物神经网络,以人工神经元为基本处理单元的计算模型。
神经网络模型的预测准确度高,但它也受到训练样本的影响,如果训练样本不足或不具有代表性,它的预测准确度将受到影响。
股票预测分析模型的应用前景股票预测分析模型有广泛的应用,可以用于股票交易、风险控制和金融投资等领域。
在股票投资领域,股票预测分析模型可以为投资者提供短期和长期的投资建议。
在风险控制方面,股票预测分析模型可以用于识别潜在的风险,并帮助投资者采取相应措施。
股票价格预测方法综述股票价格预测是金融市场中非常重要的一个问题,它不仅关乎到投资者的收益,还涉及到企业的发展方向以及整个市场的走向。
然而,由于股票市场的复杂性和不确定性,预测股票价格是一项颇具挑战性的工作。
本文将综述几种常见的股票价格预测方法。
1. 基于统计模型的预测方法基于统计模型的股票价格预测方法是目前应用最为广泛的一种方法,主要包括时间序列分析、回归分析、指数模型等。
时间序列分析是基于股价的历史数据进行分析,预测未来股价的一种方法。
该方法需要收集大量的历史数据,通过对数据进行平稳性检验和建立预测模型,可以得到未来股价的趋势。
回归分析是基于相关因素与股价之间的关系,通过建立回归模型来预测未来股价。
该方法需要选择相关因素,并对其进行定量测量,然后建立预测模型。
指数模型是一种简单的股票价格预测方法,它通过计算股价指数的变动来预测未来股价的趋势。
该方法对历史数据的要求较低,但是需要对市场具有较好的理解和判断力。
基于机器学习的股票价格预测方法又称为数据驱动模型,主要包括人工神经网络、支持向量机和决策树等。
人工神经网络是一种基于生物神经网络的模式识别和预测方法,它可以通过学习历史数据来预测未来股价。
该方法需要构建神经网络模型,并对其进行训练和优化。
支持向量机是一种基于统计学习理论的分类和回归方法,它可以通过寻找最优超平面来进行预测。
该方法需要选择核函数和超参数,并对其进行调参,以提高预测性能。
决策树是一种基于树形结构的分类和回归方法,它可以通过构建决策树来进行预测。
该方法需要选择特征和节点分裂方式,并对其进行剪枝和优化,以降低过拟合风险。
基于深度学习的股票价格预测方法是近年来发展起来的一种新型方法,主要包括卷积神经网络、循环神经网络和深度强化学习等。
深度强化学习是一种基于环境和奖励的深度学习模型,它可以通过多次交互来学习最优决策,进而进行股票价格预测。
该方法需要选择奖励函数和优化算法,并对其进行训练和优化。
股票价格走势的预测模型伴随着不断发展的经济和市场,股票价格作为最重要的市场指标之一,具有很高的关注度。
在如此高度的关注下,通过建立股票价格走势的预测模型,可以帮助投资者更好地理解市场趋势,做出更为准确的决策。
一、股票走势的预测模型概述股票价格的走势模型是通过分析历史股票价格数据和市场影响因素,并运用数学、统计学等方法,构建一套预测模型。
目前,股票价格预测模型主要分为两类:基于统计学的时间序列模型和基于人工智能的机器学习模型。
基于统计学的时间序列模型是根据历史价格数据,利用时间序列分析统计模型对未来股票价格进行预测。
这种模型适用于时间序列数据经过平稳处理的情况,例如通过差分、对数化处理等方式,使得数据的平均数、方差和自相关系数等都不会随时间发生变化。
常见的时间序列模型有ARMA、ARIMA、GARCH等。
基于人工智能的机器学习模型则是使用数据挖掘和算法来构建模型,并利用大量数据进行训练。
这种模型适用于处理非平稳性数据,并能识别它们的复杂关系。
常见的机器学习模型有神经网络、支持向量机、决策树等。
二、基于时间序列的股票价格预测模型1. ARMA模型ARMA是一种常用的时间序列模型。
其中,AR(Auto-Regression)表示自回归模型,MA(Moving Average)表示滑动平均模型。
ARMA模型将这两个模型结合起来,可以更好地描述时间序列数据的随机波动和趋势。
ARMA模型通常应用于平稳时间序列数据的预测。
2. ARIMA模型ARIMA模型是建立在ARMA模型基础之上的,可以用于非平稳数据的预测。
ARIMA模型中的I表示差分(difference),即将非平稳的时间序列数据转换为平稳的数据序列。
ARIMA模型是ARMA模型的扩展,它考虑了时间序列中的季节性因素和趋势项,例如季节性变化、长期趋势等。
3. GARCH模型GARCH模型是广义自回归条件异方差模型,用于描述时间序列数据的自回归、滞后和波动性。
第三届“创新杯”中国大学生数学建模挑战赛 承 诺 书 我们仔细阅读了“创新杯”中国大学生数学建模竞赛的竞赛规则. 我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。 我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性。如有违反竞赛规则的行为,我们将受到严肃处理。
我们的参赛队号为 : 所属学校 :
参赛队员 :1. 2. 3. 指导教师或指导教师组负责人 (若无可不填):
日期: 年 月 日 未来一年关于A股股市的预测 摘要 股票价格指数是反映国民宏观经济发展变化的重要参考指标;是帮助个人规避风险,获取利润的手段;股票价格指数的预测对证券市场实施有效监管也具有重要作用。近年来,股票价格持续走低,冲击了金融市场的稳定性,也打击了投资者的投资信心,不利于国民经济的持续发展。因此急需正确有效的股票预测手段,保证投资者信心,稳固市场。 首先,考虑到股票涨跌具有极大不确定性,我们选择了常用不确定性研究方法——灰色模型对A股股市未来一年走势作出定量分析,并绘出09至12年股票市场走势图。该模型经检验具有较高的精确度。 但由于股票市场数据变动具有非线性、随机性等变化规律,同时其受到国家政策、经济形势、外部环境、投资者心理等多方面因素的影响,仅靠定量分析很难精确预测出股票走势,因此,我们使用灰色关联模型,定量分析了利率、流通中货币量、投资者信心指数及GDP、CPI等因素对股票市场影响大小,并结合第一次模型做出的结果与实际情况,定性分析股票市场未来走向,实现了模型的优化。 本文的特色在于综合考虑多种影响股票因素,定量与定性相结合,更完整、深入、准确的预测股票市场未来走向。
关键词: 灰色模型 灰色关联度 利率 流通中货币供应量 投资者信心指数 1
1.问题重述 自2008年起,中国股市一直呈现萎靡状态。2011年A股(即人民币普通股)市场的上证指数和深成指数都出现暴跌,使投资者蒙受了很大的损失。A股市场的涨跌受经济形势,国家政策,外部环境以及投资者心态等多个因素影响。通过查找相关资料和数据,我们建立数学模型,以达到定量分析及定性分析并举以预估未来一年时间内A股市场的涨跌变化的目的。
2.问题分析 股票市场预测问题是一个庞大的系统分析问题,表现出诸多特征,涉及到很多影响因素。由于股票市场中股票价格指数是反映国民宏观经济发展变化的重要参考指标,因此股票价格指数的运行规律也是经济领域研究的热点问题。但众多分析方法效果都难如人意,其中代表的有基本分析法和技术分析法,时间序列预测分析法,非线性预测法(包括基于统计学的预测,神经网络,模糊数学,混沌预测法,状态空间预测法),组合预测法等。 首先,从中国股票市场的特征来看,大多数学者的结论支持中国的股票市场尚未达到弱势有效,也就是说,中国股票市场的股票价格时间序列并非序列无关,而是序列相关的,即历史数据对股票的价格形成起作用,因此,可以通过对历史信息的分析预测价格。 但是,股票市场受宏观经济、利率水平、通货膨胀、消费者信心指数、政治事件、国际环境等因素的影响,具有极大的不确定性,因此我们应当选择分析计算不确定性因素的模型。综合看来,模糊数学、概率统计和灰色系统理论是在科学研究中三种常用的不确定性问题研究方法,但其研究对象在不确定性上有所区别。 模糊数学主要研究的是在认知过程中存在的不确定问题,这些问题通常内涵是明确的,但其外延却是未知的,如大家都说“青年人”这个词,但这个词包含了哪些人则是不确定的。模糊数学对这类认知上的不确定问题主要是借助于隶属函数来对系统不确定信息进行处理。 概率统计研究对象是“随机不确定”对象,其研究对象必须是大样本;概率统计主要研究统计规律,考察具体多种可能性随机事件的每一种结果发生的可能性大小,概率统计要求研究对象服从某种典型的分布。 灰色系统理论主要研究外延明确而内涵未知的“少数据’夕、“贫信息”不确定系统,其特点是仅需要系统行为序列的极少的数据就可以建模。 以上三种常用的不确定方法的比较见表1
表一:不确定方法比较表 项目 模糊数学 概率统计 灰色系统 研究对象 认知不确定性 随机不确定性 贫信息不确定 基础集合 模糊集 康托尔 灰色朦胧 方法依据 映射 映射 信息覆盖 途径手段 截集 频率统计 灰序列算子 2
数据要求 隶属度可知 典型分别 任意分布 侧重 外延 内涵 内涵 目标 认知表达 历史统计规律 现实规律 特色 凭经验 大样本 小样本
由于股票价格受到经济、政治、人们心理等许多错综复杂因素的影响,这些因素很难量化,尤其是我国的股票市场还不健全,股票的价格也呈现随机游走,不具备任何统计特征,不存在某种概率分布形态能描述股票的价格走势,具有很大的灰色特性,因此可以建立灰色模型来预测股票的短期走势。 在得到量化的股票价格的基础上,我们用灰色关联度对影响股票走势的因素进行分析,了解哪些因素对其影响最大,达到以定性分析补充定量分析的目的。
3.模型假设 1)在预测时间内,不发生重大灾难或战争等引起股票价格重大变化的事件; 2)除利率、流通中货币量、投资者信心指数、GDP、CPI之外其他因素趋于稳定状态; 3)搜集数据真实可靠、可靠、权威。
4.符号说明 注:i=1,2,3.......48,依次表示从2009年1月至2012年12月安时间顺序,每个月依次表示为i=1,2,3,.......48. 符号 所表示的意义 x(i) 第i个月股票价格 var 模拟值 error 残差 灰色关联度
e 相对残差 c 方差比
5.模型建立与求解 5.1.1建模前的检验——级比检验
建立股票的时间序列如下 x(0)=(x(0)(1),x(0)(2),x(0)(3),x(0)(4)„„x(0)(39))=(book1,sheet1)
求出级比)(kl 3
(0)(0)(1)()()xklkxk
l(k)=(l(2),l(3),l(4)„„l(39))=(book1,sheet2) 计算得e-1/3=0.756531,e1/3=1.39561 ,全部落在[0.756531,1.39561] ,故可以对预处理后的数据进行满意的GM(1,1)建模。
5.1.2 GM(1,1)模型的建立与求解 (1)对预处理后的数据x(0)L进行一次累加生成得 x(1)L=(book1,sheet3)
(2)构造数据矩阵B和数据向量Y
))38()38((21))4()3((21))3()2((21))2()1((21)1()1()1()1()1()1()1()1(xxxxxxxxB
)39()4()3()2()0()0()0()0(xxxxY
(3)利用matlab编程计算出a,b
880.30430035.0YBB),(Bb)(a,T1-TT
于是得到a= 0.0035, b= 3043.880 (4)建立模型 4
88.30430035.0)1()1(xdt
dx
求解得响应时间式为: 8696801.867590)1(ˆ)0035.0()1(kekx;
)(ˆ)1(ˆ)1(ˆ)1()1()0(kxkxkx
(5)模型还原值)0(ˆx 令k=1,2,3,4„„39,由上面的时间相应函数可求出)0(ˆx,其中取 2089.9)1()1(ˆ)0()1(xx 由)1(ˆ)(ˆ)(ˆ)1()1()0(kxkxkx,取k=2,3,4„„39得 )0(ˆx=()0(ˆx(1),)0(ˆx(2),)0(ˆx(3),)0(ˆx(4)„„)0(ˆ
x
(39))=(book1,sheet4)
5.1.3模型检验 1.)残差检验 残差 (0)(0)ˆ
()()()errorkxkxk,(k=1,2,…39)
相对残差 (0)(0)(0)ˆ|()|()()xxkekxk ,(k=1,2,…39) 平均相对残差 511()()5iekek=0.071779 2.)后验差检验 计算(0)x与(0)ˆ
x的灰色关联度
275.28560|))1()39((21))1()((|||)0()0(382)0()0(xxxkxsk
106713.7))1(ˆ)39(ˆ(21))1(ˆ)(ˆ(ˆ)0()0(382)0()0(xxxkxs
62.78433))]1()39(()1(ˆ)39(ˆ[(21))]1()(()1(ˆ)(ˆ[ˆ382)0()0()0()0()0()0()0()0(xxxxxkxxkxss