隐马尔可夫模型参数训练的改进及在股市预测中的应用

摘要

本文首先介绍了隐马尔可夫模型（the Hidden Markov Model，简记为HMM模型）的结构。这一模型被应用到很多领域，如语音识别、基因关联分析和基因识别、文字识别等。隐马尔可夫模型需要解决三个问题：学习问题、识别问题和解码问题。对这三个问题的回答就构成了隐马氏模型理论。　　本文的工作主要有：　　1.受启发于模式识别工具在股市预测中的成功应用，本文将HMM模型应用于股市预测中，并利用历史数据进行实证检验。样本外预测的结果说明了HMM模型的适用性，但准确率较低。　　2.由于国内股市的观测序列，如股票日收益率，资金日净流入，成交金额等数据自身具有较强的自相关性，而传统的隐马尔可夫模型认为观测序列的概率分布仅与当前的隐含状态有关，不能很好的刻画股市观测序列的性质，所以本文引入了改进的HMM模型，即考虑时域上相关性的HMM模型（the time correlation HMM，简记为TCHMM模型）。实证表明TCHMM模型在预测准确率上有一定的改进。　　3.TCHMM模型虽然在预测准确率上有了一定的改进，但由于模型中需要估计的参数量增大，参数训练收敛速度较慢，本文将遗传算法应用于HMM模型的参数训练中，仿真计算与实证检验说明了该方法对收敛速度和收敛稳定性的有一定改进。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 隐马尔可夫模型简介

1.2 隐马尔可夫模型的发展现状

1.3 模式识别在股市预测中的应用

1.4 本文的研究思路和论文结构

第二章 传统隐马尔可夫模型

2.1 HMM模型的的一般定义

2.2 离散HMM模型的一般算法

2.3 连续HMM模型的参数训练

第三章 考虑时域相关性的隐马尔可夫模型

3.1 时域上相关性的模型化

3.2 前向-后向变量

3.3 参数估计问题

第四章 基于遗传算法改进的隐马尔可夫模型参数训练

4.1 遗传算法简介

4.2 隐马氏模型参数训练

4.3 传统连续HMM模型仿真计算

4.4 TCHMM模型仿真计算

第五章 隐马尔可夫模型在股市预测中的应用

5.1 隐马尔可夫模型的建模

5.2 模型与模型参数选择

第六章 研究展望

参考文献

致谢