时间序列分析在股票市场中的研究及其应用
摘 要：随着经济的不断发展，股票市场在我国证券市场中有了越来越重要的地位。在股票市场当中，股票指数会随着市场信息的不断变化而产生变化，因此股票价格也会因此波动。因此对于股票市场的分析、研究与预测就显得尤为重要。本文采用时间序列分析中的ARIMA、GARCH等模型对股票指数数据进行分析。
关键词：时间序列分析 ARIMA模型 GARCH模型 股票 预测
一、引言
从20世纪90年代我国进行股份制改造之后，开始创建了自己的证券市场，从初创到现在股票市场的繁荣经历了近30年。股票是股份制企业(或股份公司)发给股东证明其所入股的一种凭证，是有权取得股息和红利的有价证券[[1]]。经历了近30年的发展，我国的股票市场规模也变得越来越大，涵盖的领域越来越广。上市公司越来越多，股票市场无疑促进了我国国民经济的发展。随着我国人民生活水平的不断提高，人们对投资也逐渐的了解起来，股票逐渐走进了人们的视野当中。由于股票市场有着高收益的情况下，越来越多的人们加入到“炒股”行列当中，但是投资者们要想获得高收益，就需要对股票价格未来走势预测的准确，所以他们就需要对预测情况对自己的股票投资进行管理。股票价格的预测就需要借助一些工具或者方法来进行预测。而时间序列分析就是很好的方法，它主要用来研究随着时间的变化事物发生、发展的过程，寻找事物发展变化规律，并预测未来走势。这就可以用于预测股票的发展趋势，从而可以帮助投资者得到高收益。
二、深度学习
深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。LMST深度神经网络善于处理数据量大、非线性关系复杂的时间序列数据，并在自然语言处理，识别等领域取得了较好的结果。
李勇[[2]]基于LMST深度神经网络对股票价格进行了预测，首先对股票交易指标的处理,选取股票的交易基本数据和技术指标数据作为预测模型的输入指标，然后分析股票交易技术指标的特性,采用主成分分析法对股票交易技术指标进行数据处理。将股票交易基本数据和处理后的股票交易技术指标数据进行组合,作为预测模型的输入数据。选用LSTM深度神经网络构建股票价格预测模型,从而预测股票的价格。并对影响股票预测模型效果的输入特征间序列长度和网络结构等因素进行了详细的实验论证分析,进而能够训练出适应于股票市场且预测效果好的股票价格预测模型。从而为股票智能预測系统的智能预测模块,提供了准确的股票价格预测模型。
李铭[[3]]在对股票市场预测研究时采用了深度学习的方法，首先是他的数据选取了高频和低频的两个不同市场的股票序列数据，对数据的预处理时建立了LSTM深度学习网络对股票价格进行预测，并且与传统的AR时间序列模型的预测结果进行对比，得出了深度学习在预测准确性方面有优势。在股价涨跌趋势预测的时候，对股票价格预测网络改进和增强，加入了卷积进行深度特征学习，建立卷积-双GRU深度学习网路。在减少训练参数的同时加强训练结果，再与logistic模型对比试验后得到了更准确的预测结果，并且能够支持同时实时更新预测。我觉得能够实时更新预测做的是很好的，能够帮助投资者们在短期的事件之内改变自己投资策略。
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。
