基于机器学习的股票分析与预测模型研究
金融观察?一
基于机器学习的股票分析与预测模型研究①
姚雨琪
摘一要:近年来?随着全球经济与股市的快速发展?股票投资成为人们最常用的理财方式之一?本文研究的主要目标是利用机器学习技术?应用Ｐｙｔｈｏｎ编程语言构建股票预测模型?对我国股票市场进行分析与预测?采用ＳＶＭ与ＤＴＷ构建股票市场的分析和预测模型?并通过Ｐｙｔｈｏｎ编程进行算法实现?
本文对获取到的股票数据进行简单策略分析?选取盘中策略作为之后模型评估的基准线?分别选取上证指数二鸿达兴业股票二鼎汉股票数据利用已构建的支持向量机和时间动态扭曲模型在Ｐｙｔｈｏｎ平台上进行预测分析?结果表明?对于上证指数而言?支持向量机预测下逆向策略更优?对于鸿达兴业股票和鼎汉股票而言?支持向量机预测下正向策略更优?基于时间动态扭曲算法的预测方法对于特定的股票有较高的精度和可信度?研究结论表明将机器学习运用于股票分析与预测可以提高股票价格信息预测的效率?保证对海量数据的处理效率?机器学习过程可以不断进行优化模型?使得预测的可信度和精度不断提高?机器学习技术在股票分析方面有很高的研究价值?
关键词:机器学习?股票预测?Ｐｙｔｈｏｎ?ＳＶＭ?ＤＴＷ
中图分类号:Ｆ８３０.９１一一一一一一文献标识码:Ａ一一一一一一文章编号:１００８－４４２８(２０１９)０２－０１２３－０２
一一一二引言
国外股票市场的股票分析预测开始得很早?研究者们将各种数学理论二数据挖掘技术等应用到股票分析软件中?并通过对历史交易数据的研究?从而得到股票的走势规律?近年来?由于现实中工作与研究的需要?机器学习的研究与应用在国内外越来越重视?机器学习可以在运用过程中依据新的数据不断学习优化?完善预测模型?将机器学习应用于股票市场的预测?从股票的历史数据中挖掘出隐藏在数据中的重要信息?这样既能够为股民们对股价预测研究提供理论支撑?又能够为公司的领导层提供决策支持?基于此?本文选择机器学习在股票分析中的应用作为研究方向?在机器学习及股票分析相关理论基础上?使用Ｐｙｔｈｏｎ开发工具?并分别运用支持向量回归及时间动态扭曲进行预测?
二二相关技术与理论
(一)机器学习
机器学习是融合多领域技术的交叉学科?主要包括概率论与数理统计二微积分二线性代数二算法设计等多门学科?通过计算机相关技术自动 学习 实现人工智能?(二)股票分析方法
１.基本面分析
基本面分析指的是在分析股票市场供应和需求关系的相关因素(如宏观经济二政策导向二财务状况以及经营环境等)基础上确定股票的实际价格?从而预测股票价格的趋势?２.技术面分析
技术面分析指的是对股票图样趋势来分析和研究?来判断价格的走势?
(三)基于Ｐｙｔｈｏｎ的经典机器学习模型
１.支持向量机(ＳＶＭ)
该模型最初用于分类?其最终目标是引入回归估计?建立回归估计函数Ｇ(ｘ)?其中回归值与目标值之间的差值小于μ?同时保证该函数的ＶＣ维度最小?线性或非线性函数Ｇ(ｘ)的回归问题可以转化为二次规划问题?并且获得的最优解是唯一的?
２.动态时间扭曲(ＤＴＷ)
这是衡量时间序列之间的相似性的方法?并可以用在语音识别领域以判断两段声音是否表达了同一个意思?三二股票预测模型的构建
(一)确定初始指标
１.基于支持向量机确定指标
施燕杰(２００５)利用支持向量机进行股票分析与预测?在多次反复尝试基础上提出了一系列的指标作为预测模型的输入向量?该指标能够有效地预测未来股价波动情况?本文在结合自身研究的基础上?对以上施燕杰提出的指标进行改进?在原有的指标基础上添加７日平均开盘价和７日平均收盘价?去除了成交额保留了成交量?最终建立如表１所示的２０个初选指标?
表１一初选指标
变量Ｘ１Ｘ２Ｘ３Ｘ４Ｘ５Ｘ６Ｘ７Ｘ８Ｘ９Ｘ１０含义
今日
开盘价
昨日
开盘价
前日
开盘价
７日平均
开盘价
今日
最高价
昨日
最高价
前日
最高价
７日平均
最高价
今日
最低价
昨日
最低价变量Ｘ１１Ｘ１２Ｘ１３Ｘ１４Ｘ１５Ｘ１６Ｘ１７Ｘ１８Ｘ１９Ｘ２０含义
前日
最低价
７日平均
最低价
今日
收盘价
昨日
收盘价
前日
收盘价
７日平均
收盘价
今日
成交量
昨日
成交量
前日
成交量
７日平均
成交量一一本文主要是进行股票分析与预测?因此在综合考虑各个
价格指标的基础上?本文选择选定时间段的下一日收盘价作为模型的输出向量?
２.基于动态时间扭曲确定指标
根据往常研究经验?我们将时间序列数据分成不同的期间?每个期间长度为５日?以每个时间段相邻每日收盘价涨跌率变化趋势为初始指标?选择时间序列期间下一日的收盘价与期间内最后一日收盘价涨跌率作为模型的输出向量?(二)选择样本
１.实验对象
本文在分别在主板市场二中小板市场和创业板市场中采取随机抽样的方法各随机选择一只股票数据作为研究对象?分别是上证指数二鸿达兴业股票二鼎汉股票?
２.样本规模
我们选取了２０１１年至２０１７年间上证指数１５５０条数据?２０１５年至２０１７年的鸿达兴业股票５３２条数据二鼎汉股票５７２
３２１
①基金项目:江西财经大学第十三届科研课题立项?编号ｘｓｋｔ１８３４５?
上海电力(600021)股评报告
上海电力股票分析报告 上海电力股份有限公司，1998年6月4日，经国家经济体制改革委员会批准，并依据特别规定，由上海市电力公司和中国华东电力集团公司作为发起人，以发起设立方式设立本公司。后在2003-10-29由国泰君安证券股份有限公司承销上市，注册资金为21.3974亿元，上市总市值139200万元，上证A股，股票代码600021，首日开盘价8.51元，首日收盘价8.67元首日涨幅1.88%。经营范围为电力、热力的生产、建设、经营及企业内部电力人员技能培训，主营业务为电力、热力生产与销售。 上海电力股份有限公司成立于1998年6月4日，并于2003年10月14日在境内成功发行人民币普通股股票，同年10月29日在上海证券交易所正式挂牌交易。公司是由中国电力投资集团公司（以下简称“中电投集团”）控股的大型发电公司。2005年11月，公司顺利完成股权分置改革。公司目前股权结构情况：中电投集团持股比例为42.84%；中国电力国际发展有限公司持股比例为20.17%；中国长江电力股份有限公司持股比例为8.77%；社会公众股东持股比例为28.22%。 截至2010年6月30日，公司总股本21.40亿元，总资产323.65亿元，股东权益57.25亿元，公司全资拥有吴泾热电厂、闵行发电厂、杨树浦发电厂、上海上电电力运营有限公司、上海电力能源发展（香港）有限公司、上海电力燃料股份有限公司；控股经营上海上电漕泾发电有限公司、上海外高桥发电有限责任公司、上海漕泾热电有限责任公司、江苏阚山发电有限公司、江苏上电八菱集团有限公司、上海上电电力工程有限公司、浙江上电天台山风电有限公司；合作经营上海吴泾发电有限责任公司、上海外高桥第二发电有限责任公司、淮沪煤电有限公司、上海外高桥第三发电有限责任公司；联合经营上海吴泾第二发电有限责任公司、江苏华电望亭天然气发电有限责任公司、浙江浙能镇海天然气发电有限责任公司等。目前公司权益装机容量为750.77万千瓦。 一、宏观层面分析 （一）盘面分析 经过5月15日到5月21日连续的五连阳后，上证股指上升到一个相对高位，指数维持在2300点附近，但是，从5月23日开始，当我们还以为大盘将开始相对高位的一个震荡的时候，股指却在5月31日应声下落，一周之内将股指打压到2242点附近。由于受到房产税以及IPO等多重消息的影响，4月以来，股指一直处于盘面震荡格局，究其原因主要是人们对股市信心不足。 （二）经济数据分析 虽然4月份工业增加速度同比增长9.3%，高于3月份的8.9%，但是据统计4月份的制造业PMI为50.6%，不仅低于人们普遍的预期，更低于3月份的50.9%，同样的非制造业PMI4月份为54.5%，低于3月份的55.6%。 而众所周知，拉动经济的三驾马车分别为：居民消费，社会投资，净出口总额。 4月份，社会消费品总额为17600.3亿元，环比下降了0.23%。 固定资产投资总额4月当月为33226.9亿元，国家主导的固定投资份额，即为达成城镇化的政府投资额为10672亿元，因此社会资金投资固定资产的份额为22554.9亿元，67.89%，而3月份为69.63%，因此可见，由于4月经济增速放缓，社会投资力量明显不足。 据海关数据显示，4月净出口总额为1145.3亿元，而3月份的净出口总额为-61亿元，因此，只有净出口实现了逆转，增长额为1206.3亿元。 结论分析：4月份总体经济数据显示，2057.6亿元拉动经济增长的占比中国内消费仅占
华能国际基本面分析
华能国际（600011） 华能国际电力股份有限公司（基本面分析） 金融1102印双 201141070214
一、宏观经济分析： 2013年以来，全球经济增长略有好转，经济增长呈分化趋势。美国处于内需型复苏过程中，复苏态势逐步增强；日本处于刺激型复苏过程中，短期增长强劲；而欧洲仍处于债务型衰退过程中，经济增长低迷；新兴经济体处于结构性放缓过程中，经济潜在增速放缓。展望下半年，全球经济仍将疲弱，而美联储退出量化宽松政策、日元大幅贬值以及新兴经济体潜在增速放缓将成为国际经济的主要不稳定因素。 2013年是中国经济“在持续回落中逐步趋稳”的一年，也是十分复杂的一年。政府实施“稳经济、调结构、控通胀”的经济发展思路，实施积极的财政政策和稳健的货币政策，国内经济总体保持稳健增长的态势，但经济稳定增长的同时，也暴露出一些隐忧和亟待解决的问题，我国经济发展依然面临众多挑战，经济发展还有很多不确定性。首先当前仍处于08年经济危机的阴影之下而欧洲债务危机使全球经济正走向二次探底，经济危机的持续即调节恢复期一般是3-5年而我们当前正处于危机的尾声阶段，这一时期是消化库存，平复心态，等待产业升级或变革的时期。而要走出危机最主要的是需要产业变革或升级。当前2013年应该是危机末期，目前从各种经济数据来看国内商品库存依然严重，房地产悬而未跌，外贸出口正在减速，物价上涨通货膨胀以及中小企业资金链断裂等现象。 第一，房地产泡沫破裂风险。经过限购、紧缩货币等一些列的房地产调控，房地产价格终于出现了拐点，但根据国家统计数据来看，央行公布的房地产领域的贷款占新增贷款的20%左右，国内银行50多万亿元的贷款中，有30%以上的贷款是流向政府融资平台和房地产领域。如果房地产泡沫破裂的话，会对银行体系产生重大冲击，因此房地产调控的最理想的结果是实现房地产的软着陆。 第二，关于地方政府融资平台的风险。2008年、2009年发放的地方政府融资平台的银行贷款集中到期,同时地方政府的土地出让金减少,地方政府融资平台还款来源减少，地方政府融资平台风险应当值得关注。 第三，经济增速放缓。2012年到现在为止，经济增长9%，那如果跟前十年，我们平均两位数以上的增长率来比较的话，从数字上来说，中国经济在放缓。中国经济增
股票预测模型【运用ARIMA模型预测股票价格】
股票预测模型【运用ARIMA模型预测股票价格】 [摘要]ARIMA模型是时间序列中十分常见和常用的一种模型，应用与经济的各个领域。本文基于ARIMA模型，采用了莱宝高科近67个交易日的数据，对历史数据进行分析，并且在此基础上做出一定的预测，试图为现实的投资提供一些参考信息。[关键字]ARIMA模型；股价预测；莱宝高科一、引言时间序列分析是从一段时间上的一组属性值数据中发现模式并预测未来值的过程。ARIMA模型是目前最常用的用于拟合非平稳序列的模型，对于满足有限参数线形模型的平稳时间序列的分析，ARIMA在理论上已趋成熟，它用有限参数线形模型描述时间序列的自相关结构，便于进行统计分析与数学处理。有限参数线形模型能描述的随机现象相当广泛，模型拟合的精度能达到实际工程的要求，而且由有限参数的线形模型结构可推导出适用的线形预报理论。利用ARIMA 模型描述的时间序列预报问题在金融，股票等领域具有重要的理论意义。本文将利用ARIMA模型结合莱宝高科的数据建立模型，并运用该模型对莱宝的股票日收盘价进行预测。二、ARIMA模型的建立 2.1ARIMA模型简介ARIMA是自回归移动平均结合模型的简写形式，用于平稳序列或通过差分而平稳的序列分析，简记为ARIMA(p,d,q)用公式表示为：△dZt=Xt=ψ1Xt-1+ψ2Xt-2+?+ψpXt-p+at-θ1at-1-θ2at-2-?-θqat-q 其中，p、d、q分别是自回归阶数、差分阶数和滑动平均阶数；Zt是时间序列；Xt是经过d阶差分后的时间序列值；at－q是时间为t－q的随机扰动项；ψp、θq分别是对应项前的系数。 2.2模型建立流程(1)平稳性检验以2010－3－4到2010－6－10的“莱宝高科”(002106)股票的收盘价作为模型的数据进行建立时间序列模型：做出折线图观察数据的特征：进行单位根检验，判别序列是否为平稳序列；若一阶差分后的数据为平稳序列，可以建立时间序列模型。说明原数据为一阶单整。(2)模型的选择和参数的估计根据数据的平稳性特征，初步确定建立ARIMA模型。观察一阶差分以后的序列的自相关函数和偏自相关
对股票收益率时间序列的检验研究
金融学 对股票收益率时间序列的非线性及机制转变的检验研究 王煦逸1林阳春2 （同济大学中德学院，上海 200092） 0 引言 近年来，对金融市场的时间序列的进行建模，试图通过计量经济学模型解释金融市场时间序列的内在关系一直是金融经济学和计量经济学研究的热点课题。关于金融市场的研究也大都集中于研究金融资产收益率。Campbell，Lo，MacKinlay认为金融资产收益率可以更好地解释投资的机会收益，同时金融资产收益率时间序列由于本身的统计特性也能更容易建立成模型。传统的金融资产收益率时间序列模型以线性关系为假设，最重要的是随机游走假设和ARMA模型。 关于随机游走假设的研究主要是讨论金融资产收益率的可预测性。一般来说，关于实证检验随机游走假设的研究十分困难，原因在于过去和将来的价格变化之间的独立性很难被直接检验出来。Granger和Morgenstern（1964）在美国的股票市场，Cristina Del Rio（1997）在西班牙的股票市场，Conrad和Jüttner（1993），Ronning（1974），Mühlbradt（1978）和M?ller（1986）在德国的股票市场上的研究都否定了随机游走假设。Conrad和Jüttner（1973）认为，连续的价格变化随机性地相互独立，许多股票收益率分布都存在显著的独立性。通过随后大量的研究发现，ARMA过程对于描述金融资产收益率时间序列是十分合适的，因为在这种情况下参数和矩函数都比较容易确定。1970年，Box/Jenkins(1976)解释了ARMA模型建立和参数估计的问题。从70年代开始，大量关于金融资产收益率的时间序列的线性模型研究都采用了ARMA与其扩展模型，实证研究表明，ARMA模型可以较好地解释金融资产收益率的时间序列的线性结构。然而由于金融资产收益率时间序列特殊的统计性质，80年代以来，越来越多的研究结果表明了金融资产收益率时间序列具有的非线性的关系，传统的金融资产收益率时间序列线性模型已经不能完整的刻画金融资产收益率时间序列的分布。90年代以来，关于金融资产收益率时间序列的非线性建模取得了很大的成功。Maravall（1983）用Bilinear模型研究了西班牙金融市场上的股票收益率。根据研究结果Maravall 认为，通过Bilinear模型可以修正由ARMA模型产生的10%的预测错误。Clements和Krolzig （1998），Rothman（1998）则利用了TAR模型成功地模拟了美国宏观经济指标的分布。De Gooijer (1998)，Potter（1995），Montgomery等等的研究也得出了相似的结果。随着时间的推移，越来越多的经济科学家都致力于用研究金融资产收益率时间序列的非线性建模。例如，Granger和Anderson（1978）的Bilinear模型，Tong（1978）的TAR模型，Priestley（1980）的State Space模型，Hamilton（1989）的MRS模型。在用非线性模型描述金融资产收益率时间序列之前，首先必须解决下列问题： 1）线性模型（例如ARMA模型）是否足以描述德国股市DAX30收益率时间序列？ 2）在DAX30 收益率时间序列中是否存在非线性和机制转变呢？ 为了回答这两个问题，在本论文中，通过对德国股票市场DAX30指数的收益率时间序列进行实证研究，并对DAX30指数收益率时间序列的非线性性质和机制转变性质进行检验。 1 金融资产收益率时间序列的非线性检验 由于许多复杂的时间序列过程并不能通过线性模型完全描述出来，对于非线性模型的应用逐渐受到人们的关注。对时间序列的非线性检验则成为一个对时间序列成功建模的前提条件。只有能够成功地检测出时间序列非线性的性质，对时间序列的非线性分析才有意义。80年代以来非线性检验逐渐成为金融市场理论的一个重要的研究领域，在这种情况下，很多用于非线性检验的新方法和技术应运而生，例如McLeod－Li －检验，Bispectral检验，BDS检验，RESET检验，F检验，神经网络非线性检验等等。由于时间序列非线性的来源无法得知，因此哪种检验方法最好也很难下定论。本文将采用部分检验方法，如McLeod－Li －检验和BDS检验。 1王煦逸：管理学博士，同济大学中德学院内部控制学基金教席教授, 同济大学中德学院泽尔腾经济管理研究所常务副所长, 研究方向为行为金融,、金融风险控制和商业银行管理 2林阳春：经济学硕士，同济大学中德学院内部控制学基金教席，研究方向为资本市场，公司治理和风险控制；本项目由德国蒂森克虏伯公司基金资助
上海股市的流动性和市场冲击成本分析
上海证券交易所 上海股市的流动性和 市场冲击成本分析 上海证券交易所研究中心 2006年4月
上海股市的流动性和市场冲击成本分析 研究中心 施东晖 摘要： l交易成本是市场质量的综合体现，也是构成证券交易所核心竞争力的重要因素。在交易成本的构成中，市场冲击成本是重要的组成部分，并且是衡量流动性的最重要指标。 l在电子竞价市场中，由于交易所在某个时刻可以观察到限价指令簿的整体状况，因此可以精确地计算出不同委托量下市场冲击成本的大小。 l尽管上海股市的买卖价差在全球交易所中处于较低水平，但在相同的委托金额下，上海股市的市场冲击成本要远远高于欧洲的主要交易所。 l市场冲击成本可以在实践中得到广泛运用，交易所可用来监测市场流动性的变化，投资者可用来支持投资决策，监管者可用来制定投资指引，指数编制者可用来筛选指数成份股。 l为了给投资者（特别是机构投资者）提供有效的信息服务，增加市场透明性，建议本所可在外部网上每日发布前一个交易日市场冲击成本最低（流动性最好）的１０个股票的流动性数据，并在每月的统计月报中披露上证５０指数成份股和整个指数每个月的平均冲击成本数据。 一、交易成本与市场质量 １．交易成本是市场质量的综合体现 在金融市场全球化和信息技术革命的双重影响下，证券交易所迎来了全球竞争的新时代。在新在竞争环境下，证券交易所对市场质量的关注与日俱增，国际证券交易所联合会（ＷＦＥ）在其２００４年度报告中就指出：“证券交易过程中的市场质量在全球竞争环境中的重要性日益凸现。”
衡量交易所市场质量的指标可谓是多种多样，包括：流动性、稳定性、透明性、有效性等，这些特性受到交易机制、市场结构和监管制度等一系列因素的影响，而其综合体现就是交易成本的高低。 首先，流动性和交易成本其实是“一个硬币的两面”，较低的交易成本即意 味着较高的流动性。其次，较低的交易成本意味着股价不会因不完全信息及供需 突然变化而大幅扭曲，使市场具有较好的稳定性。再次，较低的交易成本使投资 者可以根据市场信息快速地改变投资组合，加快股价对新信息的反应和吸收能力，使市场具有较高的有效性和透明性。 可见，交易成本是市场质量的综合体现，其高低反映了市场功能的发挥程度。著名的交易系统开发商ＯＭ集团就是将交易成本最小化作为系统设计的根本目标。 图１ 交易成本是市场质量的综合体现 ２．交易成本是构成证券交易所核心竞争力的重要因素 证券交易所的竞争力来源于上市公司和投资者数量的不断增加。从上市公司 角度来看，资本成本等于投资者的需求收益率，当交易成本下降时，投资者的需 求收益率也会下降，进而导致资本成本的降低。就投资者角度而言，交易成本的 降低既会提高投资的净收益，也将显著地增加机构投资者对市场的资产配置比重。因此，从交易所竞争角度来看，交易成本的降低将吸引上市公司和投资者的 积极参与，而上市公司和投资者的积极参与将提高交易量和流动性，并进一步降 低交易成本，从而引发正反馈效应。正是在这一意义上，可以认为交易成本是构
上海证券交易所股票代码及名称
600000 浦发银行600030 中信证券600064 南京高科600087 长航油运 600004 白云机场 600031 三一重工 600066 宇通客车 600088 中视传媒 600005 武钢股份 600033 福建高速 600067 冠城大通 600089 特变电工 600006 东风汽车600035 楚天高速600068 葛洲坝600090 啤酒花 600007 中国国贸 600036 招商银行 600069 银鸽投资 600091 明天科技 600008 首创股份 600037 歌华有线 600070 浙江富润 600093 禾嘉股份 600009 上海机场 600038 哈飞股份 600071 凤凰光学 600095 哈高科 600010 包钢股份 600039 四川路桥 600072 中船股份 600096 云天化 600011 华能国际 600048 保利地产 600073 上海梅林 600097 开创国际 600012 皖通高速 600050 中国联通 600074 中达股份 600098 广州控股 600015 华夏银行 600051 宁波联合 600075 新疆天业 600099 林海股份 600016 民生银行 600052 浙江广厦600076 *ST 华光 600100 同方股份 600017 日照港 600053 中江地产600077 *ST 百科 600101 明星电力 600018 上港集团600054 黄山旅游600078 澄星股份600102 莱钢股份600019 宝钢股份600055 万东医疗600079 人福科技600103 青山纸业 600020 中原高速 600056 中国医药600080 ST 金花 600104 上海汽车 600021 上海电力 600058 五矿发展 600081 东风科技 600105 永鼎股份 600022 济南钢铁 600059 古越龙山 600082 海泰发展 600106 重庆路桥 600026 中海发展 600060 海信电器600083 ST 博信 600107 美尔雅 600027 华电国际 600061 中纺投资600084 *ST 中葡 600108 亚盛集团 600028 中国石化 600062 双鹤药业 600085 同仁堂 600109 国金证券 600029 南方航空600063 皖维高新600086 东方金钰600110 中科英华
数学建模预测股市走向
2012年A股市场涨跌预测 摘要 本文主要解决了预估未来一年时间内A股市场的涨跌变化的问题。 首先通过收集2011年的上证A股指数每天开盘后的收盘价，对其进行分析处理，作出A股收盘价指数的走势图观察后，然后对数据作级比分析，得知一部分级比数据不在区间() 0.9474中，故先对数据进行变换，变换后的数据 , 1.0555 的级比都落在了上述区间中。然后通过分析建立灰色预测)1,1( GM模型，代入数据求解模型，并进行参数检验，先进行残差检验，得出预测模型的精度为：96.69%；然后进行相关度检验，检验合格；但是在进行后验差检验中的小概率检验时不合格，故又对模型进行残差修正后，用修正模型预测出2012年的上证A股指数的收盘价，但是由于灰色预测模型在预测长期数据时误差有可能增大，故用2011年的实际数据与用灰色预测模型预测2011年收盘价值之间的误差值修正了2012年A股指数的预测值。为使预测值更准确，又采用了马尔科可夫链模型预测出每天的涨幅情况来进一步修正预测值，得到了更精确的预测结果。预测上证A 股指数在2012年233天的收盘价分别为：2236.5 2221.5…1574.7 1601.9。其收盘价走势图为： 关键词：A股灰色预测马尔可夫链模型预测
问题重述 未来一年时间A股市场涨跌的评估预计 A股即人民币普通股票，是中国大陆机构和个人投资的主要股票。A股市场的涨跌受经济形势，国家政策，外部环境以及投资者心态等多个因素影响。2011年A股市场的上证指数和深成指数都出现暴跌，使投资者蒙受了很大的损失。 请查阅网上的资料和数据。建立数学模型，定量分析并预估未来一年时间内A股市场的涨跌变化。 符号说明 α----------为发展灰度数 μ---------为内生控制灰度 )(t X------表示在时间244 ... 2,1 ,= t t时的股票收盘价 r----------表示关联度 S1-------- 表示序列)(t X的标准差 S2--------表示绝对误差序列的标准差 C----------表示方差比 A i---------表示对数据划分区间,244) 1,2, (i? = p ij --------表示第i状态转移到第j状态的概率18 .... 2,1 ,= j i I0------------表示时刻0处于状态18 ... 2,1 = j的概率 i k j1+-----------表示经过k步转移后处于状态18 ... 2,1 = j的概率 模型假设 （1）运用的数据的来源是有效的，在统计过程中无错误 （2）假设无人为操纵股市的走向,为随机数据 （3）假设2009年到2011年无统计数据的日期为股市休息日 模型分析 一、问题的分析 因为A股指数包括上证A股指数与深成A股指数，选择其中一个进行分析即可，所以就不妨选择上证A股指数2011年1月4日到2011年12月30日的每天
上海电力股票分析.doc
证券投资分析报告 实验课程名称《投资学》 开课专业年级商学院 班级 B120401 学号 B12040115 姓名陈红燕 指导教师梁美娟 2015年 6月 2日 上海电力（600021）股票分析 一、选股理由 上海电力这支股票主要根据行业选择的，当时听说毒胶囊事件给医药行业的股票带来很大的波动，所以在选股是特意避开了食品医药行业，选股力求稳定，我认为一些像电力、盐业这些国家控股的行业不会有太大的波动，且上海电力地处中国东部沿海地区，受燃料来源的影响较小，当山西、安徽等地的煤炭供应不足时进口燃料也十分的便利。在经济环境方面，上海市肩负着面向世界、服务全国、联动“长三角”的重任,在全国经济建设和社会发展中具有十分重要的地位和作用。上海电力作为一家电力生产企业,身处能源消费中心,有益于分享上海市经济的高速增长。 在购进股票的时候，股票走势位于低点，存在上涨的可能，有可能带来盈利。 二、基本分析 （一）、宏观分析 2011年是内忧外患、纷繁复杂的一年。欧洲债务危机不断蔓延，主要经济体复苏步伐受阻。为了刺激经济，财政紧张的发达经济体不断推出宽松货币政策，但政策刺激边际效用递减，同时引致全球流动性泛滥，给新兴经济体带来通胀压力。新兴经济体不得不连续紧缩货币，但遏制通胀的同时也损害了经济增长。中国作为全球最大的新兴经济体和世界第二大经济体，一方面饱受通胀高企的困扰，不断进行紧缩调控；另一方面，积极推进要素价格、财税体制改革，为促进经济转型保驾护航。进入今年四季度后，欧
债危机进一步恶化，外围经济下滑风险加大，中国经济增速持续下行；遏制通胀的政策效应逐渐显现，通胀水平也明显回落，增长、物价双下行，经济步入衰退期。在温州民间借贷资金链断裂的刺激下，政策微调开启，调控重心逐渐由抗通胀向保增长转移。 展望2012年，转型成为宏观经济的主要特征，经济增长中枢将下移，而政策促转型所释放的政策红利将带来结构性机会。三驾马车中内需对经济的拉动依然较强，在政策刺激和物价回落背景下，消费实际增速将有所提高；受房地产调控的拖累，固定资产投资将进一步下滑；由于全球经济复苏前景黯淡，出口对经济的贡献将成为负拉动。预计2011年GDP同比增长9.2%，2012年GDP同比增长8.6%。考虑到库存投资的短周期影响和基期因素，预计GDP环比增速或在2012年二季度触底，同比增速或在2012年三季度触底，经济将在三季度后完成从衰退向复苏的转变。政策方面，中国经济发展模式路径依赖使得转型困难重重，唯有释放政策红利才能促进中国经济真正转型。预计明年政策取向将是货币政策中性偏松、财政政策积极促转型。货币政策方面，12月央行三年来首次下调存款准备金率，2012年上半年存款准备金率将继续下调，而降息窗口开启可能在下半年。财政政策将更加积极担当转型重任，充实经济内生增长动力。根据美林投资时钟显示的大类资产配置，经济从衰退走向复苏，对应的债市牛市或可持续到明年三季度，如果股市有反转行情，或须等到2012年四季度。根据日本、韩国等国家转型期的特点，消费、战略性新兴产业、服务业等行业存在结构性投资机会。 （二）、行业分析 上海电力股份有限公司属于电力、蒸汽、热水的生产和供应业，上半年,电力工业持续向好态势进一步增强,新增装机容量和输变电规模较大,发电市场总体旺盛,用电需求保持快速增长,重点行业用电的拉动作用更加突出。从电力生产看,上半年,全国发电量延续回升向好后的高速增长。其中,水电发电量累计增速恢复正增长,火电发电量增速自高位回落。今年在宏观经济减速的背景下，电力需求增速下滑，电力供应紧张的局面明显好于去年，再次上调上网电价的预期不大。不过，受去年上网电价上调的翘尾因素以及发改委控煤价成果显现等因素影响，今年电力行业的业绩表现或优于2011年。 （三）、公司分析 1、基本素质分析 上海电力全称上海电力股份有限公司，主营电力的开发、建设、经营及管理;组织电力、热力生产、销售;电力企业内部电力人员技能培训;合同能源管理;电力工程施工总承包;机电安装工程施工总承包;新能源与可再生能源项目开发及应用;煤炭经销;招投标代理;电力及相关业务的科技开发与咨询服务;整体煤气化联合循环发电项目的技术开发与技术咨询服务;自有物业管理;电力及合同能源管理相关的设备、装置、检测仪器及零部件等商品的进出口和自有技术的出口(国家限定公司经营或禁止进出口的商品和技术除外);承包境外工程和境内国际招标工程;对外派遣境外工程及境外电站运行管理及维护所需的劳务人员;仓储。上海电力股份有限公司成立于1998年6月4日，并于2003年10月14日在境内成功发行人民币普通股股票，同年10月29日在上海证券交易所正式挂牌交易。公司是由中国电力投资集团公司（以下简称“中电投集团”）控股的大型发电公司。2005年11月，公司顺利完成股权分置改革。公司目前股权结构情况：中电投集团持股比例为42.84％；中国电力国际发展有限公司持股比例为18.86％；中国长江电力股份有限公司持股比例为9.37%；社会公众股东持股比例为28.93%。 2、财务分析
上海电力股份有限公司罗泾燃机发电厂-招投标数据分析报告
招标投标企业报告 上海电力股份有限公司罗泾燃机发电厂
本报告于 2019年11月30日 生成 您所看到的报告内容为截至该时间点该公司的数据快照 目录 1. 基本信息：工商信息 2. 招投标情况：招标数量、招标情况、招标行业分布、投标企业排名、中标企业 排名 3. 股东及出资信息 4. 风险信息：经营异常、股权出资、动产抵押、税务信息、行政处罚 5. 企业信息：工程人员、企业资质 * 敬启者：本报告内容是中国比地招标网接收您的委托，查询公开信息所得结果。中国比地招标网不对该查询结果的全面、准确、真实性负责。本报告应仅为您的决策提供参考。
一、基本信息 1. 工商信息 企业名称：上海电力股份有限公司罗泾燃机发电厂统一社会信用代码：91310000084085194J 工商注册号：310000500536099组织机构代码：084085194 法定代表人：瞿浩成立日期：2013-11-26 企业类型：分公司经营状态：存续 注册资本：/ 注册地址：上海市宝山区川雄路300号 营业期限：2013-11-26 至 / 营业范围：电力、热力的生产和销售。【依法须经批准的项目，经相关部门批准后方可开展经营活动】联系电话：*********** 二、招投标分析 2.1 招标数量 789 企业招标数： 个 （数据统计时间：2017年至报告生成时间）
2.2 企业招标情况（近一年） 2019年01月38 企业近十二个月中，招标最多的月份为，该月份共有个招标项目。 仅展示最近10条招标项目 序号地区日期标题 1上海2019-11-29罗泾电厂资产评估项目 2上海2019-11-29罗泾电厂新建信息系统堡垒机项目 3上海2019-11-29罗泾电厂新建入侵检测系统 4上海2019-11-28罗泾燃机发电厂空调安装服务采购 5上海2019-11-21罗泾电厂CEMS增加启停标志位项目 6上海2019-11-20上电股份罗泾燃机发电厂空调采购 7上海2019-11-20罗泾燃机发电厂压力表采购 8上海2019-11-20罗泾燃机发电厂电磁阀采购 9上海2019-11-20上电股份罗泾燃机发电厂危化品(盐酸)采购10上海2019-11-20上电股份罗泾燃机发电厂办公用品采购2.3 企业招标行业分布（近一年）
基于BP网络的股票数据预测模型
基于BP网络的股票数据 预测模型 姓名：江政 班级：控制2015级 学号：2015028081100015 2016 年6月 26日
需求分析和网络结构设计 根据我们对自然神经系统的构造和机理的认识，神经系统是由大量的神经细胞（神经元）构成的复杂的网络，人们对这一网络建立一定的数学模型和算法，设法使它能够实现诸如基于数据的模式识别，函数映射等带有“智能”的功能，这种网络就是神经网络。其中，BP （Back Propagation ）神经网络是1986年由Rumelhart 和McCelland 为首的科学家小组提出，是一种按误差反向传播算法训练的多层前馈网络。BP 网络能学习和存贮大量的输入—输出模式映射关系，而 其他神经网络具有重要作用。 针对150组股票数据进行拟合（详细数据请见《附件1》），选取其中的开盘、最高、最低、收盘和成交次数五组数据，用当日的这五组数据来预测次日的收盘数据，从而等效建立一个股票数据预测模型。采用包括输入层、隐含层和输出层的三层BP 网络结构，如图1所示，输入层包含五个神经元，隐含层包含三个神经元，输出层为一个神经元。其中，隐含层神经元的激活函数采用非对称型Sigmoid 函数，函数表达式为：))exp(1/(1)(x x f -+=，输出层神经元的激活函数采用线性函数，表达式为：x x f =)(。将150组数据分为三等份，其中两份作为训练样本，用来对网络进行训练学习；另外一份作为测试样本，用来检验所训练出的网络的泛化能力。采用BP 算法对隐含层和输出层权值进行修正，以达到计算输出和实际样本输出相差最小，最终实现较精确预测的目的。 图1 预测模型的网络结构
(完整版)沪市大盘平均市盈率平均股价与大盘走势相关性分析
沪市大盘平均市盈率平均股价与大盘走势相关性分析(转)(2009-05-22 08:52:08)标签：杂谈 沪市大盘平均市盈率----沪市上市公司平均股价----大盘走势相关性分析 1994.1.20沪市大盘平均市盈率35.28倍---- 大盘当时见所谓"777"铁底"---后照样无情跌穿---平均股价12.06元 1994.7.29沪市大盘平均市盈率10.65倍---- 大盘见历史性大底325点---大熊市结束---平均股价4.24元 1994.9.13沪市大盘平均市盈率33.56倍---- 大盘见阶段顶1052点---平均股价13.91 1995.2.7沪市大盘平均市盈率18.97倍---- 大盘见阶段顶926点---平均股价7.14元 1996.1.19沪市大盘平均市盈率19.44倍---- 大盘见历史性大底512点---大牛市开始---平均股价6.17元 1996.12.11平均市盈率47.89倍---- 大盘见短期阶段顶1258点---平均股价13.1元 人民日报评论员称44倍市盈率是泡沫---股市出现崩盘---大盘连跌3个跌停板
1996.12.25平均市盈率33.62倍---- 大盘见历史性大底855点---平均股价9.44元 1997.5.12平均市盈率59.64倍---- 大盘见阶段性历史大顶1510点---大熊市开始---平均股价15.16 元 1997.7.8平均市盈率38.17倍---- 大盘见阶段大底1025点---平均股价10.43元 1998.6.4平均市盈率46.27倍---- 大盘见阶段顶1422点---平均股价13.13元 1998.8.18平均市盈率38.83倍---- 大盘见阶段大底1043点---平均股价9.96元 1998.11.17平均市盈率47.04倍---- 大盘见阶段顶1300点---平均股价11.97元 1999.5.17平均市盈率38.09倍---- 大盘见阶段大底1047点---5.19行情爆发---大牛市开始---平均股价9.26元
600021上海电力股份有限公司关于参与国家电投集团应收账款资产证券化2020-12-09
上海电力股份有限公司 关于参与国家电投集团应收账款资产证券化 业务的关联交易公告 重要内容提示 ◆交易内容：上海电力股份有限公司（以下简称“公司”或“上海电力”）拟参与由公司控股股东国家电力投资集团有限公司（以下简称“国家电投集团”）发起设立的资产支持票据和资产支持商业票据，转让公司及所属子公司标杆电费及新能源补贴应收账款。 ◆关联人回避事宜：上述关联交易已经公司董事会2020年第九次临时会议审议通过，与该关联交易有利害关系的关联董事已对该项议案的表决进行了回避。 ◆交易对上市公司的影响：有利于盘活存量资产、加速资产周转、提高资金使用效率；有利于拓宽融资渠道，优化公司资产负债结构。 根据《上海证券交易所股票上市规则》的有关规定，现将相关关联交易事项公告如下： 一、交易概述 为有效压降“两金”占用余额，提高资产周转效率，公司拟参与由公司控股股东国家电投集团发起设立的资产支持票据和资产支持商业票据，转让公司及所属子公司标杆电费及新能源补贴应收账款。 本次交易中，公司及所属子公司拟与国家电投集团签署协议，通过国家电投集团向第三方转让应收账款；同时国家电投集团与百瑞信托有限责任公司（以下简称“百瑞信托”）签订《信托合同》，国家电投集团以应收账款作为信托财产委托给百瑞信托，设立资产支持票据信托。鉴于国家电投集团为本公司的控股股东，百瑞信托为国家电投集团的控股子公司，根据《上海证券交易所股票上市规则》
的有关规定，构成关联交易。为保证董事会所形成决议的合法性，公司7名关联方董事回避了该项议案的表决，由其他6名非关联方董事进行表决，6票同意，0票反对，0票弃权。 二、关联方基本情况 1、国家电投集团 国家电投集团成立于2003年3月，注册资本金350亿元，经营范围：项目投资；电源、电力、热力、铝土矿、氧化铝、电解铝的开发、建设、经营、生产及管理（不在北京地区开展）；电能设备的成套、配套、监造、运行及检修；销售电能及配套设备、煤炭（不在北京地区开展实物煤的交易、储运活动）；铁路运输；施工总承包；专业承包；工程建设与监理；招投标服务及代理；技术开发、技术咨询、技术服务；电力及相关业务的咨询服务；物业管理；货物进出口；技术进出口；代理进出口。 关联关系：公司控股股东。 2、百瑞信托 百瑞信托成立于2002年10月，注册资本金40亿元，经营范围：经银监会批准，公司本外币业务经营范围如下：（一）资金信托；（二）动产信托；（三）不动产信托；（四）有价证券信托；（五）其他财产或财产权信托；（六）作为投资基金或者基金管理公司的发起人从事投资基金业务；（七）经营企业资产的重组、购并及项目融资、公司理财、财务顾问等业务；（八）受托经营国务院有关部门批准的证券承销业务；（九）办理居间、咨询、资信调查等业务；（十）代保管及保管箱业务；（十一）以存放同业、拆放同业、贷款、租赁、投资方式运用固有财产；（十二）以固有财产为他人提供担保；（十三）从事同业拆借；（十四）法律法规规定或银监会批准的其他业务。 关联关系：公司控股股东之控股子公司。 三、关联交易标的基本情况 （一）火电企业应收标杆电费资产支持票据 1、基础资产
上海医药个股分析
股票投资分析报告 分析对象:上海医药 证券代码: 601607 班级： 姓名： 学号：
公司个股分析 公司的前身是创建于1986年的科发药厂，1959年改称为上海四药厂.1993年被上海市认定为高新技术企业，同年9月改制为股份公司。公司主要经营合成药、抗生素、口服药品及制剂等医药产品，产品品种有40余种，其中约1/3的产品出口。公司在行业中占较重要地位，综合排序位于前列。 因受企业改造、企业规模和产品附加值之间的矛盾及市场因素的影响，四药股份95年以来主曹利润和资产质量逐年下降，发展缺乏后劲。1998年7月，上海医药(集团)总公司决定对其实施资产重组。上海医药(集团)总公司以下属企业上海市医药有限公司、上海医药工业销售有限公司、上海天平制药厂重组后的优质经营性资产与四药股份原有资产进行了等值整体置换。同时增发社会公众股4000万股. 上海市医药股份有限公司(以下简称，上海医药’)换股吸收合并上海实业医药投资股份有限公司(以下简称，上实氏药勺、上海中西药业股份有限公司(以下简称甲中西药业，)己获中国证券监督管理委员会《关于核准上海市医药股份有限公司向上海沃药(集团)有限公司等发行股份购买资产及吸收合并上海实业K药投资股份有限公司和 上海中西药业股份有限公司的批复》(证监许可〔2010]132号)核准，本次换股吸收合并己于2010年2月23日完成。 本次换股吸收合并后.公司股份总额增加799, 152, 702股，增至1, 992, 643, 338股，其中换股吸收合并上实医药新增公司股份592,181,860股.换股吸收合并中西药业新增公司股份206,970,842股。 本公司自2010年3月5日起变更证券代码，原证券代码为’600849'，变更后证券代码为’601607'，本公司证券简称为’上海医药’。原证券代码’600849'对应之证券简称变更为’上药转换’。 本公司重大资产重组已经全部完成.本次重大资产重组是上海实业(集团)有限公司(以下简称’上实集团’)对集团旗下医药资产及业务实施的全面重组核合，通过集团旗下三家上市公司吸收合并并注入资产，A本实现上实集团包括上药集团核心医药业务和资产的核体上市。经本公司申请，并经上海证券交易所核准，本公司自2010年3月5日起变更证券代码，原证券代码为’600849"，变更后证券代码为’601607'，本公司证券简称为‘上海医药‘。原证券代码，600849" 对应之证券简称变更为‘上药转换，。本公司股东之权益不会因证券
股市预测模型
股市预测模型 基于混合ARMA模型和支持向量机 摘要：股市预测在以往的文献中已经吸引了大量的研究兴趣。传统上，ARMA模型已经成为时间序列中应用最为广泛的线性模型之一。但是，ARMA模型不能够轻易的捕捉非线性模式。并且最近的研究表明，人工神经网络（ANN）方法比传统的统计的人实现了更好的性能。人工神经网络方法在泛化（generalization）方面经历了一定的困难，但是其生产模式可以过度拟合数据。支持向量机（SVM）一种新型的神经网络技术，在解决非线性回归估计问题上已经得到成功的应用。因此，此次调查提出了在股市预测问题的支持向量机模型上，利用ARMA模型的独特优势试图向用户提供更好的解释力模型的混合方法。股市的真实数据集被使用来研究该模型的预测精度。计算的测试结果是很有前景的。 关键字：BP神经网络，金融时间序列，预测，支持向量机1.引言 股市预测因其高波动和不规则性被认为是具有挑战性的任务。因此，许多模型已经被描绘为投资者提供更精确的预
测。尤其是，人工神经网络（ANN）方法在以前的文献中最为频繁被使用，因为其已知的预测的效率优于其他模型。然而，由于解释神经网络的难度，大多数应用神经网络的研究集中在预测精度。在文献中已被报道，利用人工神经网络模型，以很少的努力提供对破产预测过程更好的理解。此外，由于神经网络的过度拟合在泛化方面具有困难，并且完全取决研究人员的经验或是知识，用于选择大量的包括相关的输入变量，隐含层的大小，学习率以及动量控制参数的预处理。 最近，在1995年首次由Vapnik提出的支持向量机（ＳＶＭ）方法近来被使用在一系列应用中，包括金融股市预测。支持向量机（ＳＶＭ）的基础已经被Ｖａｐｎｉｋ开发，由于许多吸引人的特点以及在广泛的问题上优异的泛化性能使其越来越受欢迎。该制定（formulation）体现了结构风险最小化（SRM）原则被常规神经网络采用，且已被证明优于传统的经验风险最小化原则。SRM泛化误差上限的最小化，用术语来说，就是在训练数据中误差最小化。 此外，SVM的解决方案可能是全局最优解，而其他神经网络模型往往会陷入局部最优解。一般来说，支持向量机技术被广泛认为是艺术分类的状态（the state of art classifier），并且以往的研究表明，SVM预测方法优于神经网络的方法。 最初为解决分类问题开发的SVM技术可以成功地在回归中应用。与模式识别问题只需输出是离散值不同，支持向
沪市成交量的时间序列分析
沪市成交量的时间序列分析 摘要 股票价格指数波动改变从一段很长的时间序列来看，因为行业周期性、宏观经济变化以及公司业绩的作用，表现出一定的规律，这对股票价格指数进行预测提供了判断依据。从短时间来看，因为会受到一些不确定因素影响，股票的价格指数呈现出相对的变化，这给预测带来了很多麻烦。股票市场上的两个最为根本的变量是成交量和收益率，这是因为收益率股价是有直接关系的。但定价问题一直是现代金融最为的核心问题之一。因此对股票市场的研究基本上都是将收益率作为核心的，目前与收益率及其波动相互关系的问题相关的研究已经取得了很多的成果。本文通过对ARCH模型和GARCH模型的研究，建立了增强的GRAMCH-M模型，并选用2003年至2013年之间沪市的上证综合指数的交易数据，对沪市的股票市场的股票成交量和ARCH效应之间的关系通过R语言建模，进行 了一系列实证研究，并最终得出股票成交量对减弱股市价格中的ARCH效应在一定程度上具有积极的作用的结论。 关键词：沪市；成交量；时间序列 Abstract Fluctuations in the stock price index from a longer time series , due to changes in the role of macro-economic performance of the company , cyclical industry , presenting certain rules , which predict stock price index provides the basis for the short term, due to uncertainties impact of stock price index showed some volatility , which makes it difficult to predict . Yield and volume are the two most fundamental variables on the stock market , because the yield is directly related to the share price . And one of the central problems in modern finance is the pricing. Therefore, the study of the stock market in order to yield almost all the core issues on the yield and volatility relationship has been a lot of research. Based on the model through the study of ARCH and GARCH models , established graced GRAMCH-M model , the choice of 2003-2013 transactions on the Shanghai Stock Exchange Shanghai Composite Index on the Shanghai Stock Exchange stock market for ARCH effects and stock deal through the relationship between the amount of R language modeling , empirical research , and come to weaken the stock trading volume in the stock price has a positive effect ARCH effect to some extent . Keywords：Stock Market Of Shanghai ；Trading volume；The time series