中国股票市场短期趋势预测方法研究

《中国股票市场短期趋势预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东南大学博士学位论文中国股票市场短期趋势预测方法研究学科专业：系统工程博士研究生：李国平指导导师：陈森发教授中国南京东南大学系统工程研究所20lO年3月APPSTUDYONTHEFOI冱CAST烈GROACHOFSHOIU∑TERMTRENDINCHⅣESESTOCKMARKETADissertationSubmittedtoSoutheastUniVersityFortheAcademicDegreeofDoctorofEngineeringBYLIGuo-pingSupervisedbyPro￡CHENSen

2、—faInstituteofSystemEngineeringSoutheastUniVers时March2010东南大学学位论文使用授权声明得的研他人已或证书作了明只9东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布(包括刊登)论文的全部或部分内容。论文的公布(包括刊登)授权东南大学研究生院办理。日期：加／口·甲∥中文摘要摘要本文主

3、要研究了基于灰色理论、神经网络、模糊理论等智能控制理论与方法的股票短期技术分析预测方法。主要内容如下：第一章概述了股票短期趋势预测方法，叙述了基于传统技术分析的预测方法、基于系统理论的预测方法以及技术分析方法评述。第二章研究了中国股市价格波动规律的存在性和中国股市的可预测性，特别是通过采用本文提出的基于HWSME和模糊数学的股票最佳投资区域的模糊综合评判方法证明了中国股票市场的可预测性。第三章介绍了灰色系统理论，利用黄金分割法对灰色预测GM(1，1)模型的背景值进行寻优，提出了基于一维搜索中的黄金分割法改进的灰色

4、预测GM(1，1)模型：针对灰色预测模型中数据量与数据处理方法对预测结果的显著影响，提出了基于黄金分割法寻找最佳数据量和最佳数据处理方法的股票灰色预测GM(1，1)模型。预测实验证明了改进模型的有效性。介绍了神经网络的基本原理、灰色神经网络预测方法，并首次将灰色神经网络用于股票预测，并验证了其有效性。第四章提出了基于HWS^IE和模糊数学的股票价格异常波动、局部项底部和最佳投资区域的模糊综合评判方法，实践证明效果良好。第五章介绍了本文研究的主要结论、创新之处及今后进一步研究的方向。关键词：股票市场，短期趋势，预测

5、，灰色系统理论，神经网络，综合集成研讨厅体系，模糊理论。东南大学博士学位论文AbStractBasedonintelligentcontr01theoryandmethodthestockshort—termtechnicalanalysisforecastingmethods，suchasgraytheory、neuralnetwork、fuzzytheory，aremainlystudied．Thefollowingpartsareincludedbythedissertation：InChapter1，th

6、eforecastingmethodsforshort—termtendencyofstockissummarized，theforecastingmethodbasedontraditionaltechniqueanalysisandthesystemtheoryarerespectiVelyanalysised．Technicalanalysismethodsareevaluateda1so．TheexistenceofthePriceVolatilityofstockmarketandthepossibil

7、ityofpredictioninChinesestockmarketarediscussedinChapter2．ItisalsoValidatedbyuseofthemethodheretoevaluatethebesttimeofinvestmentbasedonHWSMEandfuzzymultilevelcomprehensiveevaluation．Chapter3，thegraysystemtheoryisintroduced，thei11]provedgraypredictionmodelGM(1

8、，1)BasedonG01dsegmentationinone—dimensionalsearchisputforward：stockgraypreditionmodelGM(1，1)isobtainedbasedonGoldensegmentationforsearchingfortheoptimaldataV01umeandtheoptimaldataprocessi