全文总字数：5057字

1. 研究目的与意义及国内外研究现状

国内股票市场虽经历二十多年的快速发展，但在制度上尚存在诸多不完善，政府监管也存在不到位之处，导致股市价格波动频繁。国内股市中占绝大多数的中小投资者抵抗风险的能力普遍较弱。这些原因导致我国股票市场投机色彩浓厚，进而导致股价波动十分剧烈和频繁，其波动幅度和风险大大高于国外成熟市场，异常波动更是频繁出现。我国投资者的风险承受能力相对较弱，投资者对证券风险十分敏感，一旦风险增加，必然要求得到较高的风险补偿。股票市场作为金融市场的一部分，一定程度上能及时反映整个社会的经济形势，股票价格趋势判断的准确性对投资者的收益率有较大影响，合理预测未来股票市场的价格趋势具有重要的现实意义。在这个过程中，投资者总是希望凭借自己对股票市场的充分认识来获得超额报酬，而政府则面临着市场监管，即如何防范金融风险的问题。股票价格趋势具有非线性、混沌性，且近年来高频交易的出现使其波动更为显著，受到政治因素，经济情况，基本面因素，交易者心理预期等诸多因素影响，这使得股票价格波动愈加难于预估。[c1] 因此，近年来，关于股票预测的理论研究和实证仿真研究已经被众多学者和金融市场参与者广泛关注，如何能较为真实地刻画和衡量股票价格趋势已经成为众多学者和投资者关注的焦点问题。本文正是从这一焦点出发，针对我国股票的可预测性进行研究。

普通投资者在进行股票投资活动需要一种有效的分析方法来辅助决策，从而最大限度的降低风险，增加收益。人们通过对股票市场的实际操作和长期观察，逐步发现并总结出股市发展变化的一些规律，对这些规律进行再验证、再分析，进而产生出各类股票预测方法和理论。传统的预测方法，主要包括证券投资分析方法、时间序列分析法、市场调查法、马尔可夫法等等。但是，股票市场本身是一个庞杂的系统，不但有大量的参与者参与其中，同时还受到除市场规律之外的各种因素的影响。传统的预测模型大多建立在统计分析基础之上，需要长期、大样本的数据统计，且对数据分布规律性和数据本身的完整性要求较高。由于我国股市起步较晚，目前还存在诸多不完善，如较突出的人为操纵行为和政策性干预，再加上多次股改等因素的影响，股票市场数据的完整性和分布的规律性都不够理想，无法满足对传统方法建立的股市预测模型的数据支持。因此许多传统的预测模型直接套用在中国股市存在很大的局限性，往往出现预测模型解决好一个难题同时又产生出许多新问题的现象。

近年来，随着对人工智能领域研究的再度兴起，不少研究者将目光投向基于大数据建立的预测模型，并取得了较好的预测效果。基于人工神经网络的预测模型应用于股市预测具有很强的现实意义和推广价值。首先，在股票投资者中，占绝大多数的非专业人士不具备很强的专业知识和技能，很难独立去设计开发一个预测模型。而基于人工神经网络建立的股票预测模型是样本驱动型的，非专业人士只需将数据样本载入基础模型，对神经网络进行训练和简单调整，就可以建立一个适合自己的新模型，获得准确度较高的预测结果。这对于普通投资者而言，非常具有吸引力。其次，由于人工神经网络具有良好的非线性逼近能力和对杂乱信息的综合处理能力，其特性与股票市场这个多变量非线性动态系统中的研究难点相对应。因此，基于人工神经网络的预测模型将能较好的克服数据统计中的不足，与传统金融预测方法相比更科学，预测精度上有很大提高，更适合于国内股票市场的短期预测研究。

2. 研究的基本内容

本文采用极限学习机算法对单隐层前馈神经网络的机器算法进行改进，相较于传统的神经网络，该方法具有权重范数小、速度快、预测误差小、泛化性能更强的优点，可以较好地克服传统神经网络算法中过度拟合的问题。面对复杂的股票价格历史数据，极限学习机算法可以对其中的非线性信息进行高效的提取，但其局限性在于无法捕捉其中的线性信息，如何结合极限学习机模型的良好特征，提取出历史数据中充足的信息并构建股票价格预测模型，是本文的研究核心。

3. 实施方案、进度安排及预期效果

1.研究文献资料，建立模型

2.论文大纲

3.抓取数据后通过matlab对模型进行实现

4. 参考文献

[1]a.lendasse，e.d.bodt，v.wertz，andm.verleysen，“non-linearfinancialtimeseriesforecasting:applicationtothebel20stockmarketindex，”europeanjournalofeconomicandsocialsystems，vol.14，pp.81–91，2000.

[2]薛勇，郭菊娥，梁伟.股指期货预测模型构建及其应用效果分析[j].统计与决策，2009(13):19-22.

[3]altafhossain，mohammednasser.comparisonofthefinitemixtureofarma-garch，backpropagationneuralnetworksandsupport-vectormachinesinforecastingfinancialreturns[j].journalofappliedstatistics，2011，38(3).