首页> 中文学位 >基于小波分析的灰色模型与ARMA-GARCH模型的组合预测
【6h】

基于小波分析的灰色模型与ARMA-GARCH模型的组合预测

代理获取

目录

声明

摘要

第1章 绪论

1.2 研究现状综述

1.3 研究方法和研究框架

2.1.1 小波的起源

2.1.2 多分辨分析

2.1.3 几种常用的小波函数

2.2 灰色理论简介

2.2.1 灰色理论基本思想

2.2.2 传统灰色预测模型GM(1,1)

2.3 ARMA-GARCH模型介绍

2.3.1 ARMA模型介绍

2.3.2 ARCH模型及其扩展模型介绍

第3章 基于小波分析的GM与ARMA-GARCH组合模型

3.1 建模流程

3.2 模型的建立

3.2.1 对原序列S进行小波分解与重构

3.2.2 对序列Aj建立灰色预测模型

3.2.3 对序列Dj建立ARMA-GARCH模型

3.3 模型的评价标准

4.1 数据的选取

4.2 单个模型实证研究

4.2.1 GM(1,1)模型实证分析

4.2.2 ARMA-GRACH模型实证分析

4.3 组合预测模型实验研究

4.3.1 小波分解与重构

4.3.2 对序列A2建立GM(1,1)模型

4.3.3 对序列D1、D2建立ARMA-GARCH模型

4.3.4 模型组合

4.4 模型比较

4.5 总结与展望

参考文献

致谢

展开▼

摘要

股票市场是整个社会经济的重要组成部分,在金融市场中起着重要作用。对股票价格的预测分析,一方面可以帮助管理者有效地管控风险,另一方面也可以帮助投资者在降低自身投资风险的同时获取更多收益。
  股票市场是一种复杂多变的非线性系统,受到政治经济环境、市场心理以及企业发展状况等多种因素的影响,因此运用单一模型难以达到预测目标。针对这一问题,本文将采用基于小波分析的改进灰色模型与ARMA-GARCH模型的组合预测方法,其利用小波多分辨率的特性,发挥了不同模型各自的优势特点,得到了更好的预测结果。主要工作和成果如下:
  1.介绍了灰色预测模型和ARMA-GARCH模型。对模型的原理和建模流程作了详细的介绍,并对两种单一模型进行简要分析。
  2.针对上述模型,在小波分析的基础上,将改进后的新陈代谢GM(1,1)模型和ARMA-GARCH模型结合起来。利用小波多分辨率的特性,将股票价格信号分解成一层低频信号和多层高频信号,再进行重构,对重构后的趋势部分建立改进后的GM(1,1)模型,各层细节部分分别建立ARMA-GARCH模型,根据每层预测值得到最终结果。
  3.分别选取预测序列波动大的和波动小的两组数据,运用上述几种模型进行实证分析,并采用RSME、MAE、MAPE三种模型评价标准进行预测效果比较,得出基于小波分析的灰色模型和ARMA-GARCH模型相比其他模型无论是预测波动大还是波动小的时间序列都具有更好的预测精度,在股票价格预测中有效可行。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号