论文部分内容阅读
证券市场千变万化,但在变化中往往隐藏着内在客观规律。本文尝试探求证券价格波动的变化规律,从而在某种程度上实现对价格的预测。但是对证券价格的预测是异常艰巨的,因此这项工作也非常有价值。在大多数的预测模型中,由于宏微观经济形势的不稳定与多变性,单个预测模型往往与实际的证券价格存在较大的误差。而组合预测模型在直面这一事实的基础上,通过将各种单项模型组合起来,对其有用的信息片段进行集成,分散了单项预测模型自身的不确定性,进而改善了预测效果。本文采用了三种神经网络模型(RBF、BP和GRNN),从非线性的角度对沪深300指数进行拟合和预测,然后建立最优组合预测模型来集合这三种单项模型的有用信息,从而实现对股指走势的预测。本文分为三部分:在第一部分,本文详细介绍了单项预测模型和它的应用,为后续章节奠定基础;第二部分系统介绍了组合预测的理论及方法,同时分别对三种神经网络(RBF、BP、GRNN)单项模型进行介绍,并采用RBF、BP、GRNN这三种单项模型建立最优组合预测模型;在第三部分,本文将最优组合预测模型与单项预测模型的预测效果进行对比分析。本文的主要研究了如下三项内容:(1)应用逐步回归分析对模型的输入数据进行预处理,筛选出与股指价格最相关的指标数据作为各个模型的输入数据,并采用RBF模型验证了该种数据筛选方法的有效性;(2)以RBF、BP和GRNN模型为基础,利用最小化绝对相对误差和为目标函数,同时联合前几期单项模型的预测数据,建立组合预测模型,从而对3个单项模型进行赋权。(3)对组合预测的变权重问题进行了初步探讨。实证表明:逐步回归分析确实能有效实现对模型输入数据的筛选,选出与股指价格最相关的变量作为输入变量;最优组合模型确实能组合和集成各个单项模型中的有效信息并加以利用,进而改善预测效果;在短期预测中,与不变权重最优组合预测模型相比,变权重最优组合预测模型的预测精度并无显著提高。