数据挖掘方法在沪深300指数收益率波动预测的应用研究

论文摘要

中国的证券市场经过了十几年的迅猛发展,吸引了越来越多的投资者将资金投入到了证券市场当中,想要从中获得巨大的回报。同时在近几年,数据挖掘技术也取得了巨大的进步,它具有在海量数据中发掘潜在的信息的能力,被广泛的进行运用,尤其运用在证券领域中。沪深300指数从2005年成立以来,就成为了一个能够表现出上海和深圳股指的良好的指数。选择标准是规模大,流动性好的股票,覆盖了沪深两市达到60%以上的市值,又是即将推出的股指期货的标的物。而对股指收益率的预测可以从两个角度入手:从收益率的来源看,影响股票的收益率的来源可以从外部环境、监管部门、上市公司的基本面、投资者的行为、技术分析、相关投资品价格等角度进行分析。从波动的时间序列特性上来看,股票收益率的时间序列除了具有非线性,非平稳性的一般时间序列所具有的特性之外,还具有尖峰厚尾、高噪音、波动聚集性等特征。因此对股票的收益率的时间序列的预测更具有难度和挑战性,并具有很广泛的应用价值和广阔的市场前景。针对上面的两个角度,本文尝试着利用数据挖掘方法进行了分析预测。首先从上述的六个波动来源找到一些具有代表性的指标,利用数据挖掘中的Logistic,决策树和神经网络方法对股指的未来的走势进行了分析和预测。并找到了波动率来源的一些特点,并发现神经元网络在预测的效果良好。随后利用BP神经网络中的自适应、自学习、非线性的优化与GARCH模型中的刻画时间序列中自相关性、波动聚集性、尖峰厚尾性的特性相结合。建立了BP—AR—GARCH模型,在预测中取得了良好的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究目的与意义
• 1.2 文献综述
• 1.2.1 数据挖掘在证券领域中的应用研究现状
• 1.2.2 证券领域的三个分析角度及相应的数据挖掘技术
• 1.2.3 波动率预测的研究进展
• 1.3 本文的研究内容与创新点
• 1.4 研究框架与结构安排
• 第二章 股票投资与预测概述
• 2.1 证券投资与证券分析方法
• 2.2 影响股票价格波动的因素
• 2.3 研究股票收益率波动的方法
• 2.3.1 ARCH系模型族
• 2.3.2 随机波动性模型
• 2.3.3 数据挖掘神经网络方法
• 2.4 股市预测面临的主要难题
• 2.5 利用数据挖掘方法对股市预测的可行性
• 第三章 数据挖掘技术
• 3.1 数据挖掘产生的背景
• 3.2 知识发现和知识发现过程
• 3.3 数据挖掘的功能
• 3.4 数据挖掘工具Clementine简介
• 3.5 数据挖掘的方法
• 3.5.1 Logistic方法
• 3.5.2 决策树方法
• 3.5.3 神经元网络方法
• 第四章 沪深300指数波动来源分析与预测
• 4.1 预测对象
• 4.2 变量选取
• 4.3 数据的来源与预处理
• 4.3.1 节日效应与空缺值处理
• 4.3.2 数据的基本统计量审核
• 4.3.3 属性离散化
• 4.3.4 数据集划分与数据集的平衡
• 4.4 建模
• 4.4.1 Logistic建模
• 4.4.2 决策树建模
• 4.4.3 神经网络建模
• 4.5 模型的预测与评价
• 4.5.1 预测评价的方法
• 4.5.2 三类模型预测结果的比较
• 4.5.3 模型优劣性比较总结
• 4.6 小结
• 第五章 BP-AR-GARCH模型在沪深300指数的运用
• 5.1 模型建立的依据
• 5.2 数据预处理方法
• 5.3 预测模型的评测方法
• 5.4 实证分析过程
• 5.4.1 数据统计量分析
• 5.4.2 模型估计过程
• 5.4.3 模型结果的分析与评价
• 5.5 小结
• 第六章 总结与展望
• 附录
• 参考文献
• 致谢