论文部分内容阅读
股市在金融市场中占据着不可替代的作用,而反应股市总的走势是股指。股指的走势是监管部门对股票市场合理调控和针对性监管的依据,同时股指的走势能让投资者更正确认识和把握我国股票市场波动的混沌规律,并且它可以为投资组合等重大课题提供一些实际依据。因此,如何对股指进行准确预测就具有非常重要的意义。由于股指的影响因素众多、波动幅度较大,因素间具有高噪声和非线性等诸多特征,传统的股票价格预测方法无法消除数据的高噪声。因此,为了提高股指预测精度,在前人研究的基础上,本文做了如下的研究:本文首先综述了影响股指走势的相关因素,在此基础上,本文选择了21个宏观经济指标和6个舆情指标,构成了27个变量指标,随后研究了这些变量与沪深300指数收盘价之间的相关性,并对27个变量指标进行主成分分析,将27个变量指标降到6个维度,从而消除各因素之间的冗余性。其次,基于神经网络的股票价格预测的相关研究,本文采用NARX神经网络对股指进行预测。本文构建了一个基于主成分分析(PCA)的NARX神经网络股指预测模型(PCA-NARX),并用Levenberg-Marquardt算法、Bayesian-Regularization算法、Scaled Conjugate Gradient算法三种算法对模型进行训练。最后,利用PCA-NARX模型对沪深300指数数据进行验证性测试和分析,且将PCA-NARX模型与NARX模型的研究结果进行对比分析。论文研究结果表明:不同的算法求解的效果存在差异性,但是整体对于模型求解的R值都大于0.85。另外,训练的算法的复杂度越高其求解所需的时间越长,拟合效果越好。采用主成分降维后,网络的训练效率明显提高了,模型的过拟合优化得到降低,模型的泛化能力也得到改善。这验证了采用新闻舆情结合宏观经济指标,构建PCA-NARX模型对股市进行预测的方法是可靠有效的。