2023年基于Verhulst模型的加权移动数据耦合的股票研究.docx

目录 1.问题综述………………………………………………………………1 2.分析问题………………………………………………………………1 3.建立模型………………………………………………………………2 3.1模型一……………………………………………………………2 3.1.1模型假设……………………………………………………2 3.1.2 建模过程……………………………………………………2 3.1.3建模结果……………………………………………………9 3.1.4模型验证……………………………………………………9 3.1.5模型评价……………………………………………………10 3.2模型二……………………………………………………………10 3.2.1模型假设……………………………………………………10 3.2.2建模过程……………………………………………………11 3.2.3建模结果……………………………………………………11 3.2.4模型验证……………………………………………………11 3.2.5模型评价……………………………………………………12 4.模型比拟和优化………………………………………………………12 5.结论……………………………………………………………………14 6.反思……………………………………………………………………14 7.参考文献………………………………………………………………14 6.附录 6.1附录1…………………………………………………附录1.xlsx 6.2附录2…………………………………………………附录2.xlsx 6.3附录3…………………………………………………附录3.xlsx 1问题综述： 中国股市开展的二十余年中，随着市场经济环境的日益开展和成熟，投资观念的不断更新，股市已成为影响经济开展的重要原因之一。所以为了使经济较为理想地开展，采取适当的预测方法是非常重要的。 2023年A股市场的上证指数和深成指数都出现暴跌，使投资者蒙受了很大的损失。在这种情况下，定量分析并预估未来一年时间内A股市场的涨跌变化显然愈显重要。 自从股票“诞生〞以来，我们就与这个无形的智能机器人——股市，开始长久的博弈，为了掌握股价的未来走向，我们人类提出了很多预测的模型，例如：灰色系统模型、ARMA模型、马尔科夫模型、各种神经网络模型、混沌力学模型、GARCH模型等。 确实，这些模型发挥了很大作用，并被不少学者深入研究。陈赣洪(1993)，胡锡健(1997)等研究了股价预测的马尔科夫模型 ;Franeesand、恤 n(1996)， Choo(1999)等讨论了用oAReH模型预测股市的方法;张悦华(1997)一，徐迪等(1998)，杨一文等(2023)研究了股价预测的各种神经网络模型;樊智(2023)，田宏伟 (2023)，刘文财(2023)等研究了股价预测的ARFIMA模型;崔健福，李兴绪 (2023)用GARcH模型和BP神经网络模型对股票价格进行了预测和比拟;鲁万波，李竹渝(2023)基于非参数核回归估计方法研究了上海和深圳股市收益率的波动性;曹剑，刘璐(2023)“运用非对称ARCH模型分析了上海股市波动性;高宇(2023)‘5’运用GARCH模型分析了沪深300指数波动性;严定琪，李育锋(2023)61用GARcH族模型对沪深300指数波动率进行预测;张深(2023)川用GARCH类模型对沪深股市波动性进行分析;肖冬荣，杨子天(2023)R’用基于粒子群训练的神经网络模型对股票价格行情进行预测;白营闪(2023)，运用ARIMA模型对上证指数进行预测，等等。【1】 但是股票市场是一个极其复杂的非线性系统，受经济形势、国家政策、政治局势、国际环境以及投资者心态等因素的影响，所以单纯用某一个模型来描述股票市场是很片面而且预测结果与真实情况相差较大。同时在以往学者的研究成果中，不少是依据股票的历史价格来对未来价格进行预测，而无视股票系统内在因素对其影响，这样会导致对于长期预测的结果相当不可靠。 因此，汲取各模型的优点并从股票市场内部影响机制入手来预测股票市场显得更为准确客观。 2分析问题： 影响股市因素有很多，经济形势、国家政策、政治局势、国际环境以及投资者心态等因素。将各大类因素分解后可得如下。 经济形势：工业总产值、全民工业总产值、预算内工业企业销售收入、社会商品零售额、国内商品纯销售、海关进口额、一次能源生产总量、钢产量、铁矿石产量、10种有色金属产量、国内工业品纯购进、国内钢材库存、国内水泥库存、新开工项目数、基建贷款、工业贷款、商品销售收入等先行指标。【2】 国家政策：房地产价格指数、一次能源进出口额、主要农牧渔业生产情况等。 国际形势：海关进出口情况、国际股价变化情况、国际石油价格变化等。 分别找到每一个子因素的近年数据，求出各自的相关系数，按照相关系数的大小从大到小排列各个因素，选取相关系数较大的一局部因素进行下一步分析。之后，用Verhulst模型分别分析所筛选出的因素，得出各自的预测函数和预测值。最后，以相关度来代替权重，用加权移动平均方法得出股票预测值并进行检验。 3.建立模型： 3.1模型一： 3.1.1模型假设： 1.所查到的数据真实性、可靠性较为理想。 2.不考虑子因素之间的影响。 3.认为未被选中的因素对股市没有影响。 3.1.2 建模过程 依据【附录3】【3】的原始数据得到相关系数如下〔表一〕： 　子因素类别 货币和准货币〔M2〕 CPI 当月出口额〔亿美元〕 PPI 制造业 非制造业 社会消费品总额 相关系数 　 -0.30024 0.359078 -0.19261 0.202385 0.62118 0.188527 -0.2802 〔表一〕 Verhulst模型简介： 设x(0)为原始数据序列 为的一次累加生成〔1-AGO〕序列 为的紧邻均值生成序列 ，k=2,3,…,n 那么称 为灰色Verhulst模型，a和b为参数。称 为灰色Verhulst模型的白化方程，t为时间。 设Verhulst模型如上所述，假设 为参数列，且 ， 那么参数列的最小二乘估计满足 白化方程的解〔时间响应函数〕为 灰色Verhulst模型的时间响应序列为 取为，那么上式变为 复原式为 用Verhulst模型预测未来CPI 下表即为 　时间 CPI 2023 /2 103.2 2023 /1 104.5 2023 /12 104.1 2023 /11 104.2 2023 /10 105.5 2023 /9 106.1 2023 /8 106.2 2023 /7 106.5 2023 /6 106.4 2023 /5 105.5 2023 /4 105.3 2023 /3 105.4 2023 /2 104.9 …… …… 初值化后得 　时间 初值化 2023 /2 1.016749 2023 /1 1.029557 2023 /12 1.025616 2023 /11 1.026601 2023 /10 1.039409 2023 /9 1.04532 2023 /8 1.046305 2023 /7 1.049261 2023 /6 1.048276 2023 /5 1.039409 2023 /4 1.037438 2023 /3 1.038424 2023 /2 1.033498 …… …… 一次累加后得 　时间 累加值 2023 /2 50.98719 2023 /1 49.97044 2023 /12 48.94089 2023 /11 47.91527 2023 /10 46.88867 2023 /9 45.84926 2023 /8 44.80394 2023 /7 43.75764 2023 /6 42.70837 2023 /5 41.6601 2023 /4 40.62069 2023 /3 39.58325 2023 /2 38.54483 …… …… 求紧邻均值， 　时间 紧邻均值 2023 /2 50.47882 2023 /1 49.45567 2023 /12 48.42808 2023 /11 47.40197 2023 /10 46.36897 2023 /9 45.3266 2023 /8 44.28079 2023 /7 43.233 2023 /6 42.18424 2023 /5 41.14039 2023 /4 40.10197 2023 /3 39.06404 2023 /2 38.02808 …… …… 用Matlab软件进行矩阵运算 得 将k带入得，累减复原，得 CPI 预测初始值 2023/3 2023/2 0.980272 2023/1 1.009983 2023/12 1.037865 2023/11 1.063645 2023/10 1.087056 2023/9 1.107847 2023/8 1.125791 2023/7 1.140682 2023/6 1.15235 2023/5 1.160656 2023/4 1.165501 2023/3 1.166827 将预测初始化值乘基准值得2023/3~2023/3的CPI预测值，如下表 CPI 预测值 2023 /3 　 2023 /2 99.4976 2023 /1 102.5132 2023 /12 105.3433 2023 /11 107.96 2023 /10 110.3361 2023 /9 112.4465 2023 /8 114.2677 2023 /7 115.7792 2023 /6 116.9635 2023 /5 117.8066 2023 /4 118.2983 2023 /3 118.4329 2023 /1 　 同理得到下述PPI、当月出口额、非制造业、货币和准货币、社会消费品额、制造业的预测值。 PPI 预测初始值 预测值 2023/3 0.992628 103.5311 2023/2 1.020823 106.4719 2023/1 1.047038 109.206 2023/12 1.071007 111.706 2023/11 1.09248 113.9457 2023/10 1.111224 115.9006 2023/9 1.12703 117.5492 2023/8 1.139717 118.8725 2023/7 1.149139 119.8552 2023/6 1.155184 120.4857 2023/5 1.15778 120.7565 2023/4 1.156896 120.6642 2023/3 1.152542 120.2101 2023/1 104.3 　 出口额 预测初始值 预测值 2023/3 1.537717 1683.416