基于合作对策的股指时间序列组合预测

doi:10.16182/j.issn1004731x.joss.201806011

系统仿真学报 ›› 2018, Vol. 30 ›› Issue (6): 2086-2094.doi: 10.16182/j.issn1004731x.joss.201806011

基于合作对策的股指时间序列组合预测

罗伟

湖南铁道职业技术学院,湖南株洲 412001

收稿日期:2016-08-06 修回日期:2016-11-01 出版日期:2018-06-08 发布日期:2018-06-14
作者简介:罗伟(1979-),男,湖南株洲,硕士,副教授,研究方向为控制工程。
基金资助:
湖南省教育厅科学研究项目(13C591)

Combination Forecasting of Stock Index Time Series based on Cooperative Game Theory

Luo Wei

Hunan Railway Professional Technology College, Zhuzhou 412001, China

Received:2016-08-06 Revised:2016-11-01 Online:2018-06-08 Published:2018-06-14

摘要/Abstract

摘要： 针对我国股市呈现出非线性,大幅度、频繁波动的特征,提出一种股指时间序列智能组合预测方法。从多种经济指标之间的相关性出发利用神经网络方法,建立股指时间序列预测模型;同时从时间关联性的角度出发,利用改进ARIMA方法,建立辨识股指时间序列发展趋势和规律,通过引入合作对策方法,对两种预测方法进行组合。仿真结果表明,采用此算法能够有效的将预测精度控制在6.6%以内,与单一模型在RMSE、MAPE和F三项指标比较具有较大优势。

关键词: 股指时间序列, 组合预测, ARIMA, 神经网络, 合作对策

Abstract: In view of the characteristics of nonlinear, large amplitude, frequent fluctuations in China's stock market, a prediction method of intelligent composite stock index time series based on the cooperative game is presented. The prediction model of stock index time series is established by using neural network method based on the correlations among the various economic indicators, and the development trend and laws of stock index time series are established by using the improved ARIMA method. The two methods are combined by importing cooperative game method. Simulation results show that the prediction accuracy of the presented method is controlled within 6.6% effectively, which has greater advantage than the single model in the index evaluation such as RMSE, MAPE and F.

Key words: Financial time series, combination prediction, ARIMA, NN, cooperative game

中图分类号:

TP273+.21

罗伟. 基于合作对策的股指时间序列组合预测[J]. 系统仿真学报, 2018, 30(6): 2086-2094.

Luo Wei. Combination Forecasting of Stock Index Time Series based on Cooperative Game Theory[J]. Journal of System Simulation, 2018, 30(6): 2086-2094.

参考文献

[1] Benjamin Graham, David Dodd.Security Analysis[M]. 北京: 人民大学出版社, 2013: 15-20.
Benjamin Graham, David Dodd.Security Analysis[M]. Beijing: China renming university press, 2013: 15-20.
[2] 杨德勇. 证券投资学[M]. 北京: 中国金融出版社, 2010: 25-40.
Yang Deyong, Wang Shoufa.Research on Ecological Investment and Financing[M]. Beijing: China Financial press, 2010: 25-40.
[3] 刘晓倩, 周勇. 金融风险管理中ES度量的非参数方法的比较及其应用[J]. 系统工程理论与实践, 2011, 26(4): 53-57.
Liu Xiaoqian, Zhou Yong.Comparison and Application of Nonparametric Methods for ES Measurement in Financial Risk Management[J]. Systems Engineering- Theory & Practice, 2011, 26(4): 53-57.
[4] 曹松涛. 宏观基本面与股票市场的可预测性[J]. 前沿, 2012, 36(18): 52-56.
Cao Songtao.Macroeconomic fundamentals and predictability of stock market[J]. Forward Position, 2012, 36(18): 52-56.
[5] 马春光, 吴冲锋, 倪苏云. 中国股票市场信息机构及实证研究[J]. 系统工程学报, 2003, 18(6): 530-534.
Ma Chunguang, Wu Chongfeng, Ni Suyun.Information Institutions and Empirical Research on Chinese Stock Market[J]. Journal of Systems Engineering, 2003, 18(6): 530-534.
[6] 马思齐, 马刚. 股票市场风险、收益与市场效率: ARMA-ARCH-M模型[J]. 世界经济, 2003, 18(5): 19-28.
Ma Siqi, Ma Gang.Stock market risk, return and market efficiency: ARMA-ARCH-M model[J]. World Economy, 2003, 18(5): 19-28.
[7] 李民. 用ARIMA模型预测深沪股市[J]. 长沙铁道学院学报, 2000, 20(1): 78-84.
Li Min.Prediction of Shenzhen and Shanghai Stock Markets Using ARIMA Model[J]. Journal of Changsha Changsha Railway Institute, 2000, 20(1): 78-84.
[8] 郑晓阳, 仲崇雨. ARIMA-GARCH随机收益过程下幂型交换期权定价[J]. 哈尔滨工程大学学报, 2011, 32(3): 45-48.
Zheng Xiaoyang, Zhong Chongyu.Pricing of power-type exchange options under ARIMA-GARCH stochastic revenue process[J]. Journal of Harbin Engineering University, 2011, 32(3): 45-48.
[9] 赵蕾, 陈美英. ARIMA模型在福建省GDP预测中的应用[J]. 科技和产业, 2007, 18(7): 39-12.
Zhao Lei, Chen Meiying.Application of ARIMA Model in GDP Forecast of Fujian Province[J]. Science & Technology, 2007, 18(7): 39-12.
[10] 宋海礁. ARIMA模型在上海市GDP预测中的应用[J]. 科教文汇(上旬刊), 2008, 23(8): 56-59.
Song Haijiao.Application of ARIMA Model in GDP Forecast of Shanghai City[J]. Science, Education and Culture, 2008, 23(8): 56-59.
[11] 胡旺, 李志蜀. 一种更简化而高效的粒子群优化算法[J]. 软件学报. 2007, 21(4): 71-75.
Hu Wang, Li Zhishu.A simpler and more efficient particle swarm optimization algorithm[J]. Acta Scientiae Sinica. 2007, 21(4): 71-75.
[12] 孟栋, 樊重俊, 刘思. 混沌粒子群神经网络在上证指数预测中的应用[J]. 数学理论与应用, 2014, 22(5): 92-95.
Meng Dong, Fan Chongjun, Liu Si.Application of Chaos Particle Swarm Neural Network in Shanghai Stock Index Prediction[J]. Mathematic Theory and Applications, 2014, 22(5): 92-95.
[13] 曾艳姗, 李仲飞. 基于粒子群优化算法的均值-VaR投资组合选择[J]. 中山大学学报, 2012, 26(9): 87-89.
Zeng Yanshan, Li Zhongfei.Mean-VaR Portfolio Selection Based on Particle Swarm Optimization[J]. Journal of Sun Yatsen University, 2012, 26(9): 87-89.
[14] 冯健, 邱菀华. 一种基于信息熵的金融数据神经网络分类方法[J]. 控制与决策. 2012, 18(8): 61-65.
Feng Jian, Qiu Yuanhua.A Financial Data Neural Network Classification Method Based on Information Entropy[J]. Control and Decision. 2012, 18(8): 61-65.
[15] 刘家和, 金秀, 陈露艳. 基于IDNPSO-BP神经网络的股票市场指数预测[J]. 东北大学学报, 2013, 25(7): 95-99.
Liu Jiahe, Jin Xiu, Chen Luyan.Prediction of Stock Market Index Based on IDNPSO-BP Neural Network[J]. Journal of Northeastern University, 2013, 25(7): 95-99.
[16] 黄安强, 肖进, 汪寿阳. 一个基于集成情境知识的组合预测方法[J]. 系统工程理论与实践, 2011, 25(7): 113-117.
Huang Anqiang, Xiao Jin, Wang Shouyang.A Combination Forecast Method Based on Integrated Situation Knowledge[J]. Systems Engineering - Theory & Practice, 2011, 25(7): 113-117.
[17] 韩卫彬, 孙浩, 王文文. 收益模糊合作对策Shapley值的公理化[J]. 模糊系统与数学, 2012, 12(2): 32-36.
Han Weibin, Sun Hao, Wang Wenwen.Axiomatization of Shapley Values for Fuzzy Cooperative Measures[J]. Fuzzy Systems and Mathematics, 2012, 12(2): 32-36.
[18] 孟凡永, 张强, 孙红霞. 模糊合作对策上的Banzhaf函数[J]. 系统工程学报, 2012, 24(1): 89-93
Meng Fanyong, Zhang Qiang, Sun Hongxia.The Banzhaf Function on Fuzzy Cooperative Games[J]. Journal of Systems Engineering, 2012, 24(1): 89-93.

基于合作对策的股指时间序列组合预测

Combination Forecasting of Stock Index Time Series based on Cooperative Game Theory

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张森, 张孟炎, 邵敬平, 普杰信. 基于随机策略搜索的多机三维路径规划方法[J]. 系统仿真学报, 2022, 34(6): 1286-1295.
[2]	张立峰, 王会忍. 基于卷积神经网络及有限元仿真的电容层析成像图像重建[J]. 系统仿真学报, 2022, 34(4): 712-718.
[3]	康旭, 张晓峰. 基于生成对抗神经网络的雷达遥感数据增广方法[J]. 系统仿真学报, 2022, 34(4): 920-927.
[4]	周思锦, 陈棣成, 涂耿, 姜大志. 基于个性化和记忆机制的多模态情感计算模型[J]. 系统仿真学报, 2022, 34(4): 745-758.
[5]	孙晓安, 栾小丽, 刘飞. 基于智能优化灰色模型的电子固废预测[J]. 系统仿真学报, 2022, 34(3): 536-542.
[6]	魏娟, 游磊, 郭阳勇, 唐志海. 基于小波神经网络的多楼层疏散模型[J]. 系统仿真学报, 2022, 34(2): 269-277.
[7]	敖邦乾, 杨莎, 令狐金卿, 叶振环. 基于级联神经网络疲劳驾驶检测系统设计[J]. 系统仿真学报, 2022, 34(2): 323-333.
[8]	魏腾飞, 潘庭龙. 基于改进PSO优化LSTM网络的短期电力负荷预测[J]. 系统仿真学报, 2021, 33(8): 1866-1874.
[9]	位晶晶, 刘勤明, 叶春明, 李冠林. 基于GA-SVR的小样本数据缺失下的设备故障诊断[J]. 系统仿真学报, 2021, 33(6): 1342-1349.
[10]	赵瑛, 陆耀, 张健, 梁启弟, 龙炜. 基于深度神经网络的多视角人体动作识别[J]. 系统仿真学报, 2021, 33(5): 1019-1030.
[11]	刘晓琳, 吴竟祎. 飞机舵机电液加载系统控制补偿器设计与仿真[J]. 系统仿真学报, 2021, 33(5): 1031-1038.
[12]	于广宇, 董学平, 王祥民, 甘敏. 弹性网下基于LSTM的分解炉出口温度预测[J]. 系统仿真学报, 2021, 33(5): 1078-1085.
[13]	方群, 陈绪凯, 何昕, 祝玉军, 刘毅杨, 方阳阳, 李贺举. 基于SWIPT无线协作网络的中继选择算法研究[J]. 系统仿真学报, 2021, 33(4): 801-808.
[14]	仝卫国, 庞雪纯, 朱赓宏. 基于卷积神经网络的气液两相流流型识别方法[J]. 系统仿真学报, 2021, 33(4): 883-891.
[15]	冯新扬, 邵超. 跨卷积网络特征融合的SAR图像目标识别[J]. 系统仿真学报, 2021, 33(3): 554-561.