函數(shù)型數(shù)據(jù)分析方法在股票價(jià)格預(yù)測上的應(yīng)用.pdf

1、股票價(jià)格的預(yù)測模型可以幫助交易者做更好的交易策略，但是因?yàn)楣善眱r(jià)格受到很多方面因素的影響，要建立一個合適的模型去模擬股票價(jià)格的波動是不容易的。時間序列模型在預(yù)測方面的應(yīng)用受到了廣泛的認(rèn)可，因此，以往有很多研究股票價(jià)格預(yù)測的文章都用到了時間序列模型。但是很多時間序列模型，如著名的ARIMA模型，通常需要假設(shè)樣本數(shù)據(jù)本身或變換后有平穩(wěn)性和線性性，這一假設(shè)并不一定能滿足，因此人們要尋找新的模型，可以適用于更寬松的假設(shè)，減少由于不滿足模型假設(shè)而

2、引起預(yù)測結(jié)果出現(xiàn)較大偏差的情形。文獻(xiàn)上有Wangand Leu(1996)利用神經(jīng)網(wǎng)絡(luò)方法來建模并進(jìn)行非線性擬合和預(yù)測，但這類模型多用于低頻數(shù)據(jù)的分析。隨著金融市場的迅速發(fā)展，證券市場中的交易越來越頻繁，交易量也越來越大，相應(yīng)的證券價(jià)格的變化也越來越頻繁，所以傳統(tǒng)的用低頻數(shù)據(jù)來做證券市場的研究已經(jīng)很難滿足市場發(fā)展的需求，人們開始轉(zhuǎn)向?qū)r間間隔更小而數(shù)據(jù)量更大的高頻數(shù)據(jù)的研究。高頻的股票交易數(shù)據(jù)蘊(yùn)含更豐富的信息，因而對建模選用的模型的靈活

3、性和適用性有更高的要求。
　　結(jié)合自回歸模型和非參數(shù)回歸思想，本文提出了一個新的混合模型以預(yù)測未來股票的開盤價(jià)。該模型的自回歸部分，反映了過去開盤價(jià)的信息，該模型的非參數(shù)部分，是對前一個交易日的日內(nèi)交易價(jià)格與一個未知函數(shù)作積分所得。由于利用了前一個交易日的日內(nèi)交易價(jià)格的綜合信息，故有望能提高我們對未來股價(jià)的預(yù)測能力。我們對混合模型中的未知函數(shù)不作任何參數(shù)形式的設(shè)定。通過對日間交易價(jià)格進(jìn)行函數(shù)型主成分分析，我們可以巧妙地?cái)M合混合模型