论文部分内容阅读
股票价格走势的预测方法有许多,传统的时间序列方法,仅仅考虑到股票数据与时间的关系,没能关注到股价序列本身多变性、联动性和变动复杂等特性。而机器学习的方法,仅仅考虑股价序列本身的特性进行机器学习,从而预测股价。本文结合两种方式的优势,根据我国的股市特点,结合隐马尔可夫模型(HMM),改变齐次性,加入宏观经济的影响,构建非齐次隐马尔可夫模型(NHMM),对股价走势预测。本文将宏观经济因子加入预测模型,通过PCA-BP的方式加入宏观经济对股价走势的影响权重,构建非齐次隐马尔可夫模型(NHMM)对股价走势预测。一方面消除了宏观经济因素之间的信息冗余的影响,另一方面结合了宏观经济,提出了非齐次隐马尔可夫模型(NHMM)。本文选择2006年7月-2018年8月股价收盘价2960条数据,用每20天的收盘价走势作为样本进行建模与预测,加入了 MEI(企业家信心指数)、CPI、IVA(工业增加值增长)等9个宏观经济因素,使用PCA-BP宏观经济因子加入方式,影响转移概率在各状态转移的权重,构造NHMM模型。全文由三步进行隐马尔可夫模型(NHMM)构建与实证:第一步,运用K-means聚类对所有20日的收盘价走势进行聚类,聚类出4种走势类型,作为非齐次隐马尔可夫模型(NHMM)的观测序列;第二步,使用PCA-BP宏观经济因子加入方式,影响权重,先用PCA对本文选定的宏观经济因素进行降维处理,然后将将结果作为BP神经网络的输入层,最终使宏观经济做为一个权重对NHMM转移概率改变,构建NHMM模型;第三步,对比非齐次隐马尔可夫模型(NHMM)模型与隐马尔可夫模型(HMM)预测结果。实证结果发现宏观经济的变动与股价变动之间确实存在着很大的非线性关系,宏观经济潜移默化地影响制约着股市的走向。非齐次隐马尔可夫模型(NHMM)的预测精度为74.07%,较隐马尔可夫模型(HMM)的预测预测精度51.85%高。