导读:本文包含了金融数据模型论文开题报告文献综述及选题提纲参考文献，主要关键词:分位数回归,最小二乘法,聚类分析,股票收益率
金融数据模型论文文献综述
勾建伟,钱耀飞,汪泽晴[1]（2019）在《分位数回归模型在高维金融数据分析中的方法和应用》一文中研究指出在处理高维数据的时候,若变量之间具有一定的相关性,往往会加大解决问题的难度,我们在进行回归分析之前,先采用聚类分析对数据进行分类。特别是金融领域中很多的高维数据都是尖峰或者厚尾的情况,我们采用聚类分析与分位数回归相结合的方法。利用数值模拟实验,比较分位数回归与线性回归这两种方法在处理异方差和尖峰厚尾数据的异同。在实证分析部分,选取国内股票数据,对影响股票收益率的26个因素进行实证分析,通过聚类分析,筛选出13组影响因素,并采用分位数回归得出每组因素对股票收益率的影响水平,进一步证实本文提出的聚类分析与分位数回归相结合的有效性和可行性。(本文来源于《知识经济》期刊2019年07期）
陈倩莹[2]（2018）在《基于模糊理论的金融数据预测模型与交易策略算法研究》一文中研究指出随着信息时代的到来,为得到我们所需要的信息,人们在各个方面对数据处理的要求也越来越高,通过数据之间特有的相关联系能更好地帮助我们进行分析并作出判断,以便采取适当行动。而在金融领域,经济全球化持续发展的大环境下,金融投资已逐渐成为社会生活的一个重要组成部分,金融数据的信息化也正发挥着日益重要的作用。但是金融数据,包括日常股票交易在内,往往受到许多因素的影响,比如人的短期情绪、心理因素与产业发展趋势。因此,每日股票交易数据是高维且不确定的,其特点是固有的非线性,这些特点对股票交易决策提出了巨大的挑战。本文基于短期投资者角度围绕单只股票投资和多只股票组合投资展开了研究和分析,主要研究成果如下:(1)提出了一种基于模糊收益与波动的投资策略(简称FSPVIS),并进一步构建了基于BP神经网络的投资策略(简称NN-FSPVIS)。在第一个策略中,FSPVIS构造了一个全新的模糊推理机制。为了更好的进行股票交易决策,该机制将波动率和利率作为输入变量以引入经典操作交易规则,降低数据的不确定性。在此基础上,由于目前大多数现有的方法。只关注个股,很少考虑影响股票交易的社交网络关系,考虑股票市场的影响,建立了股票行业关系数学模型,并利用BP神经网络实现了模型参数的学习。相比日股票交易策略的现有计算方法,本文首次结合了波动率、利率、相关行业股票、买入和卖出份额等诸多因素,基于模糊理论,计算/获得股票交易的决策信息,并采用香港证券多家银行股票数据进行实验,结果表明本文方法有效提高了投资决策的准确性,且具有良好的稳定性。(2)提出了一种基于模糊推理机制的多目标组合投资策略。考虑到收益率的不稳定性,用历史收益率无法很好的预测未来收益率,而FSPVIS中模糊推理机制的输出变量DA(Decision Acceptance)结合了收益率和波动率,并且吸收了投资者多年投资经验。为此本文利用DA替代历史收益率去预测未来收益,从而构建一个新的多目标组合投资模型。进一步利用模糊多目标优化算法,将其转化成一个单目标线性规划问题,并通过仿真实验证实了该策略的有效性。(本文来源于《湖南大学》期刊2018-05-15）
张栗粽,王谨平,刘贵松,罗光春,卢国明[3]（2018）在《面向金融数据的神经网络时间序列预测模型》一文中研究指出针对Elman神经网络模型,通过引入时间权重与随机性因素,提出了改进的Elman神经网络模型,提高了现有Elman神经网络针对时序数据预测的精度。提出了基于时序数据的特征学习框架,可评估多个特征参数对结果的联合影响。在此基础上,提出了一个互联网金融风险预测模型,实验结果表明,所提出的模型在金融时序预测中具有更好的准确度。(本文来源于《计算机应用研究》期刊2018年09期）
左喜梅,郇志坚[4]（2018）在《日度金融数据能提高对宏观经济的预测吗?——基于混频数据ADL-MIDAS模型》一文中研究指出金融数据种类多、数量大、频率高,具有蕴含预期信息、可得性强、免修订的优点。通常,金融数据频率高于经济数据,需降频使用,损失了其原始信息,降低了预测精度。本文运用混频数据ADL-MIDAS模型,使用日度CHIBOR和月度M2对季度GDP进行组合估计,并对比ADL-MIDAS模型与时间序列回归模型的优劣。结果显示:高频数据预测效果优于低频数据;月/日数据对季度数据组合估计的预测效果最优;加入不同长度的领先日度数据,预测效率进一步提高。(本文来源于《上海金融》期刊2018年04期）
郝建明[5]（2018）在《基于复杂性科学的金融数据中心运营过程模型的研究》一文中研究指出中国银联是中国银行卡联合组织,通过银联跨行交易清算系统,实现商业银行系统间的互联互通和资源共享,保证银行卡跨行、跨地区和跨境的使用。基于复杂性科学的金融数据中心运营过程模型的研究工作为中国银联运营系统的各项日常工作提供理论支撑,从技术、业务、服务、管理等多个角度提升运营系统的服务质量,指导运营系统各项工作的策划、实施与(本文来源于《中国金融电脑》期刊2018年01期）
苑慧芳[6]（2017）在《基于模型平均方法的金融数据分析》一文中研究指出金融数据分析主要是围绕描述性与预测性这两大任务进行的,其中描述性任务主要根据一些多元统计分析方法描述数据集中关系特征,而预测性任务一般是对事物数量方面进行分析,通常通过建立模型对数据结构进行近似,以已知解释变量的观测值预测目标变量的未来值,这种任务也是金融数据分析中最基本的问题。针对预测问题,传统金融数据分析方法主要包括时间序列分析方法与回归分析方法,虽然这两者均可以通过建立模型对未来数据作出预测,但是模型选择过程中的不确定性往往会增大预测模型偏差,这就需要一种新的思路来研究金融数据。模型平均方法作为研究金融数据的有效方法,不仅可以为准确的预测分析提供有力的工具,而且还可以为规避风险与偏差提供重要的技术支持,在许多领域有着广泛的应用前景。模型平均方法是把来自不同模型的估计值或者预测值通过一定的权重平均起来,以极小化样本内预测误差为目的的方法。它作为一种复杂的数据分析方法,可以有效地弥补模型选择过程中的不确定性,减少有用或特有信息的遗失,降低估计或预测的风险,其中组合权重的选择是这种方法的关键问题。本文主要针对预测问题围绕频数模型平均方法来研究金融数据,首先简单介绍了几种模型选择准则和模型优劣评价指标与几种传统的金融数据分析方法及其特点和发展趋势,然后分别对无穷阶自回归模型、自回归条件异方差模型及一般回归模型基于模型平均方法进行金融数据分析,并通过模拟及实例验证得到较为理想的结果。(本文来源于《山东理工大学》期刊2017-04-01）
孙晓宇,李卓然[7]（2016）在《基于线性时间序列模型对金融数据分析——以云南白药股票数据为例》一文中研究指出股票市场的繁荣与国民经济的活跃程度存在一致性,从宏观角度来说,股市的繁荣往往意味着一国或者一个地区的经济繁荣,从微观角度来看,股票市值的变动对上市企业乃至投资个体均是有较大影响的。因此对股票走势采用科学合理的研究方法对投资主体而言是及其必要的。本文基于云南白药上市公司股票数据,试图采用时间序列模型模型及其扩展对云南白药上市企业股票市值建立适合的时间序列模型对股票未来走势作出预测,研究结果表明,云南白药股票市值适合ARFIMA-EGARCH模型,预测误差最小,在实际分析中可作为参考。(本文来源于《时代金融》期刊2016年14期）
孙红果,王竟竟[8]（2016）在《金融数据波动率模型教学研究》一文中研究指出条件异方差模型即波动率模型是金融时间序列分析中很重要的一系列模型,是用来解决金融收益率波动问题,波动率是度量风险的一个常用指标。金融专业高年级学生会开设金融时间序列分析,必然涉及到波动率模型,波动率模型形式比较复杂,包含信息量很大,文章从如下几个方面探讨如何上好条件异方差模型:模型引入,模型介绍,案例分析,小论文写作和复习课讲解。旨在让学生掌握扎实的理论,敏锐的分析能力和动手能力。(本文来源于《中国集体经济》期刊2016年06期）
王东明[9]（2015）在《基于金融数据的评估模型及算法研究》一文中研究指出自金融市场建立开始,就处于一个多空博弈的环境中,并逐渐出现各类的分析方法,其中有基于国家政策环境与供求关系的基本面分析法,或者单纯基于数据指标的技术分析法,技术分析法的发展为量化交易提供了理论与实践基础。国内金融市场飞速发展,使各类投资者参与热情增高,数据量和交易频率急剧增大,对交易速度要求提高,市场间的数据相关性更加复杂,量化交易所占比重越来越大,相应在金融中利用模型算法来进行量化交易的比例越来越高;同时,计算机性能的不断提升,使基于高频指标的量化交易成为可能。1952年建立的均值方差模型,作为数理工具第一次被引入到金融研究中,随后神经网络,决策树等方法陆续被引入量化交易中,使得量化交易得以迅速发展。对金融时间序列的研究表明,历史行情对未来行情走势特征有一定指导性和预见性,从而使利用模式识别的分析金融数据指导量化交易成为可能,其中隐马尔科夫模型在多种数据识别领域和预见领域有很好表现。本文对连续隐马尔科夫模型与算法在金融数据上的应用进行研究,其主要工作内容与成果如下:1、对国内外交易算法的发展做了深入研究,针对算法在未来金融市场上的不足以及国内金融市场的具体环境,提出运用连续隐马尔科夫模型对金融数据进行分析和预测。2、对整个连续隐马尔科夫模型系统的发展和算法理论进行全面研究,对模型的识别,解码,学习过程等进行算法分解,并对叁类过程在金融上的应用进行研究。同时针对特定的金融数据与模型的算法过程,提取处理股票与期货数据,运用分类选取、小波去噪和构建平稳指数等方法设定模型系统样本数据与各类参数,以完善模型在金融数据下的应用。3、通过实例来详细分析整个模型系统在国内金融市场的应用方法,并利用实际交易数据验证整个模型系统,然后运用识别与解码过程对模型的适应性进行研究,得出连续隐马尔科夫模型能够很好识别金融数据中的模式特征。在此基础上,运用模型的学习过程提取金融数据中的走势特征并进行强化,将结果反馈到更新后的模型中。最后,通过更新后的模型预测沪深300股票数据以及期货数据的未来走势,并进行仿真交易。通过对仿真交易的成功率,累计收益,交易次数等进行研究对比,表明连续隐马尔科夫模型在对提高累计收益,减少交易次数,降低冲击成本上有较好表现。通过本文的研究,提出了一套连续隐马尔科夫模型在金融上的整体应用方法。依据对实际数据应用分析和对比,证明模型在金融数据的特征提取与预测未来走势等应用上有一定的可行性,为量化交易策略与算法的发展提供理论与实践支持。(本文来源于《成都理工大学》期刊2015-05-01）
郝建明,马平清[10]（2015）在《金融数据中心运营质量模型的建立与应用》一文中研究指出信息化时代,各行各业每天都会产生大量的数据,对这些数据传递、存储和处理的需求催生了数据中心的发展。十多年前,以中国工商银行数据大集中为标志,我国金融行业数据中心应用正式拉开帷幕,并带动了其他行业数据中心的建设。随着我国经济的蓬勃发展,金融业蒸蒸日上,业务量呈指数增长,金融数据中心的运营也进入新的阶段。(本文来源于《中国质量》期刊2015年02期）
金融数据模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着信息时代的到来,为得到我们所需要的信息,人们在各个方面对数据处理的要求也越来越高,通过数据之间特有的相关联系能更好地帮助我们进行分析并作出判断,以便采取适当行动。而在金融领域,经济全球化持续发展的大环境下,金融投资已逐渐成为社会生活的一个重要组成部分,金融数据的信息化也正发挥着日益重要的作用。但是金融数据,包括日常股票交易在内,往往受到许多因素的影响,比如人的短期情绪、心理因素与产业发展趋势。因此,每日股票交易数据是高维且不确定的,其特点是固有的非线性,这些特点对股票交易决策提出了巨大的挑战。本文基于短期投资者角度围绕单只股票投资和多只股票组合投资展开了研究和分析,主要研究成果如下:(1)提出了一种基于模糊收益与波动的投资策略(简称FSPVIS),并进一步构建了基于BP神经网络的投资策略(简称NN-FSPVIS)。在第一个策略中,FSPVIS构造了一个全新的模糊推理机制。为了更好的进行股票交易决策,该机制将波动率和利率作为输入变量以引入经典操作交易规则,降低数据的不确定性。在此基础上,由于目前大多数现有的方法。只关注个股,很少考虑影响股票交易的社交网络关系,考虑股票市场的影响,建立了股票行业关系数学模型,并利用BP神经网络实现了模型参数的学习。相比日股票交易策略的现有计算方法,本文首次结合了波动率、利率、相关行业股票、买入和卖出份额等诸多因素,基于模糊理论,计算/获得股票交易的决策信息,并采用香港证券多家银行股票数据进行实验,结果表明本文方法有效提高了投资决策的准确性,且具有良好的稳定性。(2)提出了一种基于模糊推理机制的多目标组合投资策略。考虑到收益率的不稳定性,用历史收益率无法很好的预测未来收益率,而FSPVIS中模糊推理机制的输出变量DA(Decision Acceptance)结合了收益率和波动率,并且吸收了投资者多年投资经验。为此本文利用DA替代历史收益率去预测未来收益,从而构建一个新的多目标组合投资模型。进一步利用模糊多目标优化算法,将其转化成一个单目标线性规划问题,并通过仿真实验证实了该策略的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
金融数据模型论文参考文献
[1].勾建伟,钱耀飞,汪泽晴.分位数回归模型在高维金融数据分析中的方法和应用[J].知识经济.2019
[2].陈倩莹.基于模糊理论的金融数据预测模型与交易策略算法研究[D].湖南大学.2018
[3].张栗粽,王谨平,刘贵松,罗光春,卢国明.面向金融数据的神经网络时间序列预测模型[J].计算机应用研究.2018
[4].左喜梅,郇志坚.日度金融数据能提高对宏观经济的预测吗?——基于混频数据ADL-MIDAS模型[J].上海金融.2018
[5].郝建明.基于复杂性科学的金融数据中心运营过程模型的研究[J].中国金融电脑.2018
[6].苑慧芳.基于模型平均方法的金融数据分析[D].山东理工大学.2017
[7].孙晓宇,李卓然.基于线性时间序列模型对金融数据分析——以云南白药股票数据为例[J].时代金融.2016
[8].孙红果,王竟竟.金融数据波动率模型教学研究[J].中国集体经济.2016
[9].王东明.基于金融数据的评估模型及算法研究[D].成都理工大学.2015
[10].郝建明,马平清.金融数据中心运营质量模型的建立与应用[J].中国质量.2015