论文部分内容阅读
随着经济的快速发展,股票市场越来越被人们所重视,但股票市场高度的复杂性和不确定性使得对股市的预测存在很大的困难。许多专家学者们一直致力于研究股市的预测,一个好的预测模型不仅能更好地描述股市的变化,更能够减少投资的风险。本文主要针对股市波动预测模型中波动走势的拐点难以有效预测导致模型整体的预测准确性和精度不高的问题,从股价走势变化落后于指标变化的滞后风险角度对股市波动走势过程中的拐点加以分析引导,同时结合因果贝叶斯网络理论,以时序自回归条件异方差模型为基础预测模型,对股市波动走势预测进行研究。本文的主要研究工作如下：(1)由于股票价格的变化具有较强的复杂性和不确定性,致使股价波动剧烈,波动拐点频繁出现。针对波动拐点的有效预测提出一种基于特征滞后计算的股市波动预测算法(LRD-TGARCH-M),该算法首先根据股价变化与指标变化之间出现的不一致性,提出了滞后性的定义,并结合能量波动的概念,给出了股价走势过程中特征滞后程度的计算模型；将特征滞后程度计算模型与广义自回归条件异方差模型相融合,引导模型对波动拐点的预测,优化波动拐点附近误差项的变化,提高模型的预测精度。(2)在LRD-TGARCH-M算法基础上进一步分析,发现在对滞后程度计算时,所提取的滞后特征之间并不是不相关的,而是存在一定的影响关系,基于此,提出了基于特征因果滞后计算的股市态势预测算法(CLD-TGARCH-M)。 CLD-TGARCH-M算法首先对提取出的多个滞后特征离散化后构建贝叶斯网络,通过对贝叶斯网络进行扰动学习其局部因果结构；根据滞后特征之间的局部因果结构修正在股价波动走势过程中的滞后程度的计算,将修正后的滞后程度加入广义自回归条件异方差模型中,启发模型对波动拐点的正确预测,进一步优化方差的变化,提高模型的预测效果。通过在上证指数的数据上分别对提出的两个算法进行了对比分析,实验结果表明,考虑了股价与指标之间的滞后性这一风险因素相比于一般的预测模型有更好的预测效果；结合因果关系的滞后程度计算则能更准确地判断和预测拐点,进一步提高模型的预测准确性和精度。