基于隐马尔可夫模型的GDP预测开题报告

 2022-02-02 09:02

1. 研究目的与意义、国内外研究现状（文献综述）

课题的意义、国内外研究进展、应用前景等（列出主要参考文献）

数据挖掘在金融领域得到越来越多的关注，其对大量数据的系统分析日渐成熟，很多模型可以对数据研究，有神经网络模型(nn)[1]，支持向量机模型（svm）[2]，以及隐马尔科夫模型（hmm）等，不少经济学家都致力于研究如何预测变化多端的金融时间序列模型[6]。经研究，基于市场有效性假说，价格变动是不可预测的[7]，而有效市场假说认为，金融产品在每一时刻的价格由已有的信息所决定，价格的变化取决于新的信息。若没有产生新的信息，则无法预测。因此，价格的变动是随机的。在有效市场中，产品的价格并不会被高估或低估，因此投资者无法预测价格的变动。然而，市场有效性假说不一定成立，若考虑足够短的时间序列，则价格预测是可行的。比方说，在几周内，市场有效性无法产生作用，市场需要一段时间来改变其态性，则可利用已知信息进行价格预测，这是金融预测的理论基础[8]。通过绘图及简单的示性函数来发现并预测短期金融市场趋势，利用数据挖掘从数据中抽离有用信息，帮助研究人员通过分析发现出隐含的价值关系，从而预测数据的趋势走向。

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

2. 研究的基本内容和问题

研究的目标、内容和拟解决的关键问题

研究的内容：

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

3. 研究的方法与方案

研究方法、技术路线、实验方案及可行性分析

研究方法及实验方案：

使用隐马尔科夫模型(hmm)对国民消费倾向进行估计。首先，对关于hmm模型的三个基本问题 概率计算、学习, 以及学习问题,进行推导分析。包含用于解决概率计算的前-后向算法, 预测的viterbi算法, 以及进行参数估计的baum-welch算法.。在实际应用当中, 连续隐马尔科夫模型具有更好的性质，通过回归给出hmm模型参数估计公式。考虑到宏观经济的稳定性, 数据样本采用了近二十年gdp指数, 将数据划分为训练样本和测试样本, 利用隐马尔科夫模型对训练样本进行建模,从而得到最优状态序列, 以及状态序列概率矩阵, 再利用模型进行gdp预测。

剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！

4. 研究创新点

特色或创新之处

传统的金融预测是用的离散数据回归预测，而本研究利用HMM模型的特点，使用宏观经济数据， 将数据划分为训练样本和测试样本，使用连续HMM 模型来预测金融序列的变化方向(上升、不变或下降)，并平行对比不同的时间序列研究方法，使用MAD准则进行评价，来评估HMM模型在金融预测中的价值。

5. 研究计划与进展

研究计划及预期进展

研究计划：

2019年3月7日——2019年4月6日：对所涉及知识进行学习，对概率计算, 以及学习问题, 基于gdp进行推导分析并编写代码；

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

课题毕业论文、开题报告、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。

您可能感兴趣的文章