论文部分内容阅读
证券价格是经济、系统科学领域研究的热点问题之一。证券市场变幻莫测,作者试图找出证券价格这一时变波动序列的运行规律,从而对证券价格进行预测,以期为证券投资行为做出有效指导。证券市场具有不确定性和迅速变化的特征,完全真实的模型是很难甚至不可能得到的,因此探求较为准确反映实际过程模型的尝试无疑具有很大价值。但是,在大多数预测中,就具体预测的目的和时效性而言,不容等待真实模型的发现,而且由于新的不确定性可能代替旧的不确定性,高度敏感的单个精巧或复杂模型会相应地面临模型设定错误的风险。而组合预测的基本出发点就是承认构造真实模型的困难,将各种单项模型预测看作代表或包括不同的信息片断,通过信息的集成,分散单项预测特有的不确定性和减少总体的不确定性,从而提高预测精度。因此,构建组合预测模型来预测证券价格的波动,既具有一定的理论价值又具有较强的现实指导意义。本文采用ARIMA模型、GM(1,1)模型、RBF神经网络模型分别从线性与非线性角度对证券价格进行拟合与预测,然后结合三者中有用的信息集合,构建一个最优组合预测模型,对证券价格预测进行实证研究。本文一共分三部分:第一部分系统分析了单项预测模型及其在金融领域的应用,为构建组合预测模型奠定理论基础;第二部分在系统分析单项预测模型的基础上,选取三种不同预测方法中具有一定代表性的单项预测模型构建组合预测模型;第三部分基于单项预测模型和组合预测模型,在制定预测效果评价指标体系之后,对证券价格预测进行实证分析,研究单项预测模型与组合预测模型的预测精度,结果表明组合预测模型的预测精度明显优于参与组合预测的各单项预测模型。本文的创新点:以ARIMA模型、GM(1,1)模型、RBF神经网络模型三个单项模型为基础,利用最小预测误差平方和为目标函数对各单项预测模型进行赋权,构建最优组合预测模型,并得出结论,组合预测方法有效结合了各单项预测方法的信息片断,因此,比单个预测模型更系统全面,在一定程度上弥补了单项模型的局限性。