一、文献综述
- 国内外研究现状
- 国外研究
国外对时间序列模型的研究开始较早，并广泛应用于金融领域。
2018年Salim和Lahmiri基于奇异谱分析和支持向量回归结合粒子群优化的股票价格预测模型与其他四种常用的股票市场价格预测方法进行了比较。我们对六个日内股价时间序列进行了实证研究。预测性能结果表明，所提出的预测模型在本研究所用的所有时间序列中都达到了最低的MAE、MAPE和RMSE。
2017年Kun Guo, Yi Sun和 Xin Qian首先根据中国股市雪球社交网站的评论数据构建投资者情绪指数。然后提出了研究整个市场和两个行业投资者情绪和股票价格动态超前-滞后结构的顶层方法。
2.国内研究
国内学者从单模型分析预测和双模型比较分析。如孙吉红(2011)首先基于股票价格时间序列的特点抽取出的最大指数、总功率谱、几个时域特征（幅值平方和、峰值、谷值、方差、峰度、偏度）、趋势项系数、周期、自相关系数、偏相关函数等个全序列特征的，旨在用这些全序列特征对股票日收盘价构成的长时间序列进行重新描述，然后在对主要时间序列聚类方法进行分析比较的基础上，提出了一种改进的聚类算法并用该算法对重新描述后的股票日收盘价时间序列进行聚类。
杨玉军(2018) 研究了机器学习的时间序列模型，通过分析时间序列的相关性、波动性和多尺度效应，掌握时间序列的特性，为提出有效的时间序列预测方法提供重要的参考和依据，借助复杂问题分治的思想和机器学习逐渐优化的策略，提出多种基于 EEMD和机器学习的预测方法，有效提高了传统预测方法的准确性。宁苡鹤(2018)在梳理前人研究的基础上，考虑股市中各股票间价格的相互影响，提出了一种基于相关性的股票价格预测模型一一Ｃｏｐｕｌａ－ＡＮＮ模型，该模型作为一种新的时间序列神经网络股票预测模型，能在一定程度上对股票价格进行准确预测。
孙竹斌(2017) 在前人研究的基础上，结合知识发现、机器学习等方法对时间序列研究中的几个重要课题包括多元时间序列的分割、宏观经济中的商业周期拐点识别以及针对期货价格时间序列的期货自动化交易等提出了一些新的研究思路并得到了一些有意义的结果。蒋倩仪(2017)提出将基于时间序列预测的关键技术应用于商业智能模型之中，构建了一个股票交易决策建议系统。该系统结合了时间序列预测方法、快速多核学习方法以及交易边界模型，使得系统在股票市场交易中能够给出合理、可靠、高收益、低风险的决策建议，并且具有极高的训练速度，能够满足实际股票市场的需求。注意到对于某些股票本系统获得的收益率远高于系统获取的平均收益率，在今后的研究中，将重点关注如何用聚类以及半监督学习技术选择出对于本系统具有交易潜力的股票，以使得收益率进一步提高。张捷 (2017)进行了股票价格波动分析，提出时间序列模型能较有效提取金融序列中的信息 , 在假定残差序列方差齐性条件下 , 以序列的水平为关注重点的 ARIMA 模型对深交所股票东阿阿胶日收盘价的短期预测值与实际值相对误差小 , 说明未来 5 d 股价很大概率以小于 1 元的波动范围在 58 元左右变化 , 变化趋势较稳定 , 投资者可暂时观望、减少操作为宜。条件异方差条件下拟合的 GARCH 模型反映出股价的波动区间 , 它比无条件方差更及时地反映了序列即期波动的特征。
杭雨，许学军(2016)主要研究沪市股票日收益率波动，在分析了该时间序列数据的特性之后，用 GARCH（1,1）模型对其进行拟合，观察中国股市收益率波动以及拟合结果得出收益率波动具有以下两大特征。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
