论文部分内容阅读
时间序列预测模型近些年得到了广泛的应用,已经开始在各个领域发挥重要作用,对行业未来发展的各方面都提供有效的参考信息。在股票市场中,大部分股票价格时间序列的信息可以通过运用统计学方法建立的预测模型,对市场未来的变化规律进行推断和预测,这既能避免繁杂的数据获取过程,又能避免大量的冗余信息的干扰,因而得到了大多学者的青睐。同时股票价格预测对投资者的投资倾向和策略也有着重要的意义,预测模型的精度将直接影响投资者对股票投资的收益预期和风险评估。然而,传统的经济预测模型由于没有考虑到单独预测模型的自身限制,也没有考虑到所运用的数据预处理的限制,导致这些单独模型在经济预测中的准确性较差,因此一个新的精度高,简便易行的股票价格预测模型对于投资者来说非常具有参考价值。本文为了克服单独模型预测的这些缺点,在总结了国内外现有研究的基础上,开发了一种结合数据预处理技术,组合预测和多目标优化算法的组合模型,以股票历史价格时间序列数据为依据,对股票的未来价格分别进行了一步、两步和三步预测。因为金融领域的时间序列数据通常十分复杂且特别、一般呈现出随机性、非线性等特点,所以本文先对股票历史价格数据进行了预处理,分别运用了 EMD、CEEMD、EEMD、SSA四种方法,通过对预测结果的误差比较,最终选定SSA为本文组合预测模型的预处理方法;其次选取四个股票预测常用模型ARIMA、BPNN、ENN、ELM作为组合模型的单独模型;最后利用MOGOA多目标蝗虫优化算法来确定组合模型中各单独模型的权重参数。本实证选取的数据来自于在股市存续期较长且有代表性的三家教育机构,分别是新东方教育科技集团,正保远程教育集团和好未来教育集团。之所以选择教育行业的股票数据作为被测试数据来估算我们提出的模型的有效性,是因为教育行业近年来由于的不断发展和国家的大力扶持,逐渐成为投资热门行业,备受投资者青睐。实证研究主要得出以下结论:①在多重比较和分析的基础上,新组合模型的表现明显优于其他基准模型。通过比较预测有效性测试的结果,我们发现我们的模型在实验中应用的所有模型中表现最佳,具有出色的预测性能,可以产生稳定的投资收益,并导致投资风险的显着减少;②经过去噪处理过的单独模型,在股票预测实验中的精度得到了不同程度的提升,而基于分解和重构的奇异谱分析技术被用于通过去除高频信号来获得时间序列的基本特征,对预测结果精确性的贡献要高于其他几个数据预处理方法,不论是在一步、两步还是三步预测中;③通过多目标蝗虫优化算法优化了组合模型中各个模型的权重系数,从而获得了高精度和高稳定性的组合模型。可以肯定的是,该模型的广泛应用将有助于投资者对资金的管理,制定合理的投资决策。文章的创新之处主要包括以下两个方面:第一,应用分解重构策略,采用数据预处理方法,通过消除高频信号提取原始数据的主要特征,使预测更准确。分解原始功率数据并将其重建为滤波序列可以消除数据的不规则性和不确定性,并实现更好的预测性能;第二,应用多目标蝗虫优化算法,为组合模型中的单独模型赋予最优的权重系数。文章的不足之处主要体现在两个方面:第一,本文对模型的检验的数据都来自于教育行业的三家上市公司,通用性和可移植性有待检验,其他学者可以使用其他行业的股票价格数据对模型提出改进;第二,本文只对股票历史价格数据的时间序列进行了分析,并未进行深层次的分析,建议其他学者加入经济指标等影响股价因素进行关联分析。