论文部分内容阅读
股票市场的发展状况在一定程度上可以反映国家的经济实力、公司的发展潜能、人民的收入水平等等，因此在股票走势方面的研究吸引了大批学者的关注。但是在准确预测股票市场的走势方面还存在较大困难，建立一种准确预测股票价格未来走势的模型已经成为金融专家和投资者的首要任务。目前，预测股票价格走势的方法多种多样，但是均存在对股票价格的波动拟合效果较差，预测精度有限等问题。由于时间序列模型具有应用范围广、限制要求低、短期预测准确率高等优点，因此时间序列模型已经成为金融预测领域较流行的预测模型之一。本文在基于基本时间序列分析模型的基础上结合小波分析以及灰色理论在股票预测中的作用，分别提出了基于小波分析的ARIMA模型和新陈代谢GM(1,1)-TARMA模型，并利用上证指数数据进行仿真实验检验模型的预测效果。主要内容如下：1）深入分析了上证指数的变化规律，针对上证指数的波动性以及非平稳性，对1990年12月到2013年3月的月平均收盘价建立基于小波分析的ARIMA模型，仿真结果显示该模型具有较高的预测精度，实用性较强。小波分解技术能有效的解决了原始序列差分平稳后成为白噪声序列的问题，而且与原始序列的时序图相比，小波分解后的低频序列的时序图走势更平滑，能更好地反映出样本数据间的线性关系，有利于建立时间序列模型。2）由于股票价格指数系统是一个样本数据量相对较大的系统，而灰色预测模型主要针对小样本的系统进行预测，为了能够将灰色预测模型应用到数据样本较大的系统中，本文引入新陈代谢GM(1,1)模型，利用新陈代谢GM(1,1)灰色模型与TARMA模型建立了GM(1,1)-TARMA混合模型来拟合上证指数。并利用TARMA模型对新陈代谢GM(1,1)模型的残差进行修正，进一步提高预测精度。最后，使用Matlab软件和Eviews软件对上证指数2013年6月到2013年8月的月平均收盘价进行预测。对预测结果进行了分析和比较，结果表明GM(1,1)-TARMA混合模型能够更好的预测该股票价格指数的走势。