论文部分内容阅读
随着经济的不断发展,作为“晴雨表”的股票市场逐渐受到关注,股票投资成为一种重要的投资方式。股票价格的预测研究工作对于国家宏观经济调控和个人投资都具有重要的指导意义。本文深入分析了当前股票市场面临的问题以及股票价格预测的相关方法,提出了运用隐马尔科夫模型(HMM)对股票价格进行预测的可行性。首先,文章详细介绍了HMM的理论框架,包括HMM的概念、原理、三个经典问题以及对应的解决算法。其中,三个经典问题分别为评估问题、解码问题和学习问题,其对应的算法为前向—后向(Forward-backward)算法、Viterbi算法和Baum-Welch算法。其次,在已有的理论基础上,将HMM运用于股票价格预测中。具体解法是以股票价格的开盘价、收盘价、最高价和最低价为观测序列,运用BIC、OEHS准则等标准确定隐状态个数;通过Baum-Welch算法,对HMM的初始参数进行重估;选择Viterbi算法对数据模式进行识别,并运用极大似然概率估计方法,找出与目标序列相似的模式,借助单日预测方法对未来一天的收盘价格进行预测;并用绝对平均误差对模型的预测精度进行测定。第三,优化传统的隐马尔科夫模型。一方面,对原始数据进行小波去噪处理,去除干扰噪声,留存有用信息;另一方面,改进预测计算方法,运用多日加权预测法进行预测。第四,运用MATLAB 2010a软件对模型的预测过程进行实证分析。根据当前政策导向,选取农业银行(601288)和民生银行(600016)两支股票,结合小波分析、加权预测法和传统的HMM,运用改进的HMM对股票价格进行预测。同时,也分别运用传统的HMM模型、ARIMA模型、GARCH模型和BP神经网络模型进行预测,通过绝对平均误差测定各个模型的预测精度。实证结果表明,相对于其他预测模型而言,改进的HMM的预测精度较好,且15日加权的预测效果已达到较好水平。最后,给出全文结论。说明改进的HMM在股票价格预测中具有较强的优越性和应用价值,为股票价格的预测打开了新的研究思路。