毕业设计（论文）
译文及原稿
|
译文题目：
|
股票价格预测的ARIMA模型和人工神经网络模型的比较
|
|
|
|
|
原稿题目：
|
Comparison of ARIMA and Artificial Neural Networks
|
|
|
Models for Stock Price Prediction
|
|
原稿出处：
|
Journal of Applied Mathematics,2014,(2014-3-19) , 2014 , 2014 (1) :1-7
|
股票价格预测的ARIMA模型和人工神经网络模型的比较
摘要
本文探讨了纽约证券交易所股票数据发表有马和人工神经网络模型的预测性能。得到的实证结果表明，神经网络模型ARIMA模型的优越性。研究结果进一步解决和澄清意见对立的文献报道过的优越性，神经网络和ARIMA模型，反之亦然。
1.说明
在预测股市的一些研究已经提出了各种解决方案的技术多年来进行的。突出的技术可分为两大类，即统计和软计算技术。统计方法包括，除其他外，指数平滑法、自回归移动平均（ARIMA），和广义自回归条件异方差（GARCH）波动[1]。ARIMA模型，也被称为箱詹金斯模型或方法，通常用于分析和预测。它被广泛认为是最有效的预测方法在社会科学领域得到广泛应用的时间序列。时间序列预测有马的使用是必不可少的具有不确定性，因为它不承担任何潜在的模式或关系的知识在其他一些方法。华宇基本上依赖于过去的系列值以及预测以前的错误[2，3]。然而，ARIMA模型要比短期预测更复杂的结构模型相对更加强大和有效的[3]。
人工神经网络（ANN）作为一种软计算技术是最准确和最广泛使用在许多领域，包括社会，经济，商业，工程，金融，外汇汇率预测模型，与股票的问题[4–8]。它的广泛使用是由于几种特色的人工神经网络，使他们有吸引力的研究人员和工业界。正如在[4]，ANNs是数据驱动的，自适应的方法很少预先假设。他们也从原始数据的学习结果使广义观测的能力很好的预测，从而使人口的潜在部分正确推理。此外，ANNs是万能逼近器作为网络可以有效的连续函数近似所需的精度水平。最后，人工神经网络已被发现在求解非线性问题，包括那些在现实世界是非常有效的[4]。这与时间序列预测的许多传统的技术，如有马，假定系列是从线性的过程和产生的结果可能不适合大多数现实世界的问题，是非线性的[5，6]。人们越来越需要解决高度非线性、时变的问题，许多应用程序如股票市场非线性不确定性的行为，随着时间的推移变化[7，8]。人工神经网络是众所周知的提供有竞争力的结果，各种传统的时间序列模型如ARIMA模型[4，9–11]。在本文中，人工神经网络和ARIMA模型的性能进行比较的股票预测的案例，这也进一步澄清和/或确认意见对立的报道，关于每个模型的优越性文学对另一个。
本文的其余部分安排如下：第二提出了对ARIMA和神经网络模型的比较相关的一些工作，而在这项工作中使用的方法是在第三。区域四提出并讨论了在这项工作中得到的实验结果，同时提供了部分有益的结论五。
2.相关作品
有效的股票价格预测技术的研究是文学中深刻。这是动力部分的动态性质的问题以及更好的结果的需要。坦塞尔等人。[12]比较线性优化，ANNs的表现，和遗传算法（气）的时间序列数据的基础上，模拟精度，方便建模和计算时间。研究表明，线性优化技术给气提供类似的结果，如果参数的边界和分辨率都经过精心挑选，最好的估计，而网络给最坏的估计。工作报告[13]还比较ARIMA和ANN模型的预测性能在韩国股票价格指数预测。ARIMA模型提供了比一般的反向传播神经网络（BPNN）更准确的预测模型。这是更为显着预测的视野中。merh等人。[14]提出了一种神经网络和ARIMA的混合方法之间的印度股票趋势预测的ARIMA的许多实例对比预测证明是优于人工神经网络预测与实际股票价值观价值观。Sterba和Hilovska [15]认为，ARIMA模型和神经网络模型的实现在许多现实世界的应用，特别是时间序列预测的良好的预测性能。作者通过以下方式获得的实验结果进一步表明，ARIMA模型一般在线性时间序列预测的更好，而ANNs表现的更好，在非线性时间序列预测。在财务预测报告类似的研究[16]，ANNs模型被证明优于ARIMA模型预测值，而ARIMA模型进行比方向预测的人工神经网络。
姚明等人。[17]相比股市预测神经网络性能和有马模型和显示模型得到的比传统的ARIMA模型同样更好的回报，汉森等人。[18]比较ANNs和有马的时间序列预测模型的预测性能表明，人工神经网络优于ARIMA预测股票的运动方向，后者能够发现隐藏的模式在数据的使用。prybutok等人。[19]也比较人工神经网络和ARIMA模型的预测性能，在每日最大臭氧浓度的预测。实证结果还表明，人工神经网络模型优于ARIMA模型。Wijaya等人。[20]是基于印度尼西亚证券交易所类似的比较，得到了较好的精度比ARIMA模型与人工神经网络。比较文学中所表现的普遍使用人工神经网络的股票价格预测一个有效的工具[10，21–29]。这使得安一个很有前途的技术或潜在的混合时间序列中的运动预测。
然而，文学对时间序列预测的相对性能和有马和ANNs模式的优越性表现出不同的观点，特别是用不同的数据；因此，进一步的研究可以帮助统一在一个连贯的观点，需要更好的方法。本文旨在进一步明确不同意见，文献报道对人工神经网络模型优于ARIMA模型和反之亦然在股票价格的有效预测。得到的结果是基于使用来自纽约证券交易所的股票预测的时间系列数据的实证研究（纽约）。
三.方法论
本研究采用的研究方法总结如下。该研究使用的数据从证交所公布股票ARIMA模型和神经网络模型的开发。利用Eviews软件和MATLAB的神经网络工具箱7版进行ARIMA模型和神经网络模型，分别。
3.1.输入数据
