基于动态贝叶斯网模型的股指收益率序列预测

摘要

证券市场预测,是当前研究的热点和难点.动态贝叶斯网(DBNs),能够学习变量间的概率依存关系及其随时间变化的规律,表达时间序列蕴含的潜在信息.利用DBNs方法,在证券心理分析技术的基础上.建立中国证券指数的日收益率预测模型.文中使用上海证券交易所综合指数日收益率数据对模型进行训练与预测.在离散量预测环境下,模型能达到80.12%预测命中率,在采用混合高斯(GMM)分布的连续量预测中,模型的平均绝对比例误差(MAPE)指标<1%.低于BP神经网络和GARCH-BP神经网络,而且累计误差增长稳定.说明:在市场高噪声的情况下,模型具有良好的稳定性和预测能力.