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XGBoost的股指涨跌预测策略研究

量化投资作为一种投资管理的新方法,在欧美国家发展已达40年之久,在国内也受到较大关注。论文对沪深300股票的数据进行预测,依据年度财务报告数据进行分析,采用XGBoost算法建立模型,基于网格搜索算法得出最佳权重,并分别对LR算法、随机森林算法、SVM算法和XGBoost算法进行分析,证明了XGBoost算法在预测的准确度上是较优的。

运用变点理论对连涨连跌收益率的Bayes分析

文章运用变点统计分析理论对上证指数连涨、连跌收益率进行Bayes实证分析。选用2005年6月6日至2010年5月12日共1 204个交易日的上证指数收益率数据,利用K-S检验法将其分成3个阶段,发现这3个阶段的连涨和连跌收益率服从伽马分布。通过计算后验概率的大小,判断分段之后的每一段收益率数据是否存在变点,同时给出变点发生位置的估计,并探讨变点发生的影响因素。

基于信息准则的连涨连跌收益率变结构分析

文章主要运用Schwarz信息准则(Schwarz information criterion,SIC)对上证综指连涨连跌收益率进行变结构分析,选用1992年5月至2015年5月近6 000个交易日的对数收益率数据,基于信息准则,检验该段时间内连涨和连跌收益率是否发生结构变化。如果发生结构变化,估计发生结构变化点的个数以及相应的变结构点位置,并探讨发生变结构的背后影响因素,并对连涨连跌收益率的不同变化情况给予解释。

基于日涨跌率推动的股指序列建模和实证分析

为了更好地拟合原始股指序列,以信息流的驱使推进股指序列,在以交易时间或日历时间为推进进程的原始股指序列的基础上,重新构造基于日涨跌率的新的序列,并通过对其进行误差自回归分析来建立AR-GARCH模型。实证分析表明,相对于原始股指序列,用新序列预测的误差明显缩小,因此通过日涨跌率这一信息流维度变化思想重构股指序列的方法是可行、有效的。