具有技术指标的逻辑回归模型预测谷歌股票的涨跌趋势

正确预测股价的涨跌趋势会给投资者带来巨大的经济效益.近年来人们提出了时序预测、技术分析、基本分析和机器学习等方法来提高股价趋势的预测精度.文章主要结合技术指标和逻辑回归模型发展提高股价趋势预测精度的有效方法.首先,基于Murphy对金融股市发展的技术分析方法提取一些重要技术指标作为预测变量,构建刻画股价涨跌趋势的逻辑回归模型;再利用训练样本和迭代加权最小二乘法得到模型参数估计,计算股价上涨和下跌的概率估计,并确定最佳阈值预测股价涨跌趋势;最后利用检验样本计算混淆矩阵、灵敏度和特异度,绘制ROC(receiver operating characteristic)曲线评价预测精度.文章采用2010-2017年谷歌股价作为训练样本学习股价涨跌趋势,建立具有6个技术指标的逻辑回归预测2018年谷歌股价的涨跌趋势,不仅能得到股价涨跌的概率估计,而且能提高趋势预测精度和AUC(the Area under the ROC Curve).预测结果表明具有技术指标的逻辑回归预测方法优于支持向量机、人工神经网络、Elman神经网络和基于五类统计指标的一阶自回归逻辑模型.该方法也能预测美国微软等公司的股价涨跌趋势,给广大投资者带来更加丰厚的经济回报.

期货混沌理论的定量描述(Ⅱ)期货涨跌周期的研究

从多种期货价位涨跌的记录中发现，期货价位随时间变化有三种混沌周期．一种是以５～３０ｍｉｎ为一周期的价位涨跌混沌波；第二种是以０．５～１．５天为一周期的每日极端价位涨跌混沌波；３～７个每日极端价位涨跌混沌波构成一个涨跌的基本单元，称为大势涨跌混沌波；第三种是以大势涨跌混沌波为单元构成的１３～２５天的期货混沌走势波．这三种混沌运动组成了整个期货的混沌运动．共同组成期货价位随时间涨跌的宏观运动．发现期货涨跌混沌运动的意义在于：以三到七波为一单元，可以判断每天价位涨跌的走势，预测次日的涨跌趋势，预测５～１５天的行情走势．

基于KNN和神经网络算法的数据挖掘与预测模型研究

数据挖掘是运用统计学、机器学习和数据库理论等多方面学科知识来对数据进行提炼获取的多学科领域.为了从大量的数据中提炼出有效的信息,拓宽数据挖掘技术在现实生活中的应用范围.利用数据挖掘中的最近邻法、支持向量机法、卷积神经网络法和CNN-LSTM混合神经网络法分别对股价数据进行分析建模和预测,并对所建立模型进行检验.结果表明,运用KNN法对股票价格的涨跌趋势进行短期预测是可行的,而在股票价格实时预测方面,按算法预测的准确度由小到大排序为:SVM法<CNN法<CNN-LSTM法.

基于EMD-MF-DCCA方法的非对称多重分形相关性研究——以深圳、上海股市为例

本文基于经验模态分解的高低频索引值重构序列,提出了一种新的EMD-MF-DCCA方法来度量上涨、振荡、下跌三种趋势下金融市场的非对称多重分形相关性。以沪深股市为研究对象,结果发现:在振荡和下跌时期,两市场间在大波动时呈现长呈相关性特征,在小波动时呈现反持续性特征,具有非对称多重分形关系;在上涨时期,两市场间存在时变波动的多重分形关系;与传统MF-ADCCA法相比,EMD-MF-DCCA法能更准确的刻画市场的多重分形强度。上述研究成果为深入研究市场间复杂的非对称依赖关系提供了合理的建议。