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。
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:
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。
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;
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。
最新文档
- 微通道换热器自适应流道设计及换热规律研究文献综述
- 生物质碳调控土壤重金属有效性的影响因素研究开题报告
- 基于深度学习与计算机视觉的果蔬识别系统的研究文献综述
- 二维材料MXene及其复合材料的制备及光催化降解有机物性能的研究开题报告
- 地震作用下延性桥墩抗剪承载力计算与分析文献综述
- PBO纤维/氟橡胶复合材料耐老化性能研究开题报告
- 基于深度学习的快速目标检测算法研究文献综述
- 御景楼建筑给排水设计开题报告
- 基于SpringBoot的微信点餐系统的设计与实现文献综述
- 基于VaR的寿险公司资产负债管理优化开题报告
- 大型活动场馆中人员应急疏散诱导方案研究文献综述
- 基于Saas模式的物流信息化平台研究开题报告
- 环境污染事件中网络舆论引导研究文献综述
联系我们
加微信咨询
加QQ咨询
服务时间:09:00-23:50(周一至周日)