论文部分内容阅读
伴随我国经济健康高速发展,人民生活水平逐渐提高,在股票市场的再投资成为人们对于富余财产一种重要的理财手段。然而股票金融市场是一个高度复杂的系统,由于股票价格波动具有较强的突变性且易受外界因素影响,股市中的高风险往往伴随着高利润而并存。股票预测准确率的提高意义重大,但却极具挑战性。在课题研究中,分析股市趋势的走向和数据特征,发现不同分时线之间的传动关系与股市趋势具有内在相关性。针对趋势预测中易突变特性和大数据中冗余干扰数据多的问题,从股价同步性的新角度,提出了基于影响力传动的Kuramoto股市预测模型(IT-KFM)和分层次影响力的股市趋势预测模型(HI-TPM),研究工作分别如下：(1)从股价同步性特征的思路入手,分析了股价同步性的涵义和分析方法,而股市中不同分时线之间的同步现象可以一定程度上揭示股市中趋势走向的基本机制。IT-KFM模型基于动力物理学Kuramoto同步模型,首先运用贝叶斯网络构建振子之间的结构关系,形式化股市分时线Kuramoto预测模型；然后,引入影响力传动并给出传动因子量化方法,将传动因子的传动参数,加入到原Kuramoto模型中,最后根据不同振子相位间协方差的趋势变化分析和预测股市趋势。在上证大盘数据上进行实验结果证明,IT-KFM算法相对于标准的SvM网络,在股票的走势预测方面有较好的预测效果。(2) IT-KFM模型中仅仅采用移动平均线数据作为影响力传动因子,而移动平均线数据具有延时特征,这个会导致预测模型的准确度降低。HI-TPM在IT-KFM模型上进行改进,从影响力传动因子出发,挖掘多个合适的技术指标的分层次影响力作为耦合作用,采用层次分析法赋予影响力因子的权值,在不同的层次之间用层次分析法分别确定传动因子的类型及其权值比例。在与IT-KFM模型同样的数据集中进行对比实验中,预测效果有所提升。实验测试和对比分析表明,IT-KFM和HI-TPM模型具有不错的预测准确率；同时实验结果证明股市指标影响力的传动与股市趋势具有一定的关联性,对股市趋势的预测模型研究具有重要意义。