本论文在全面研究股票市场及其问题的基础上,把股票的小波神经网络预测方法与ARMA时间序列预测方法用贝叶斯组合理论相结合,构造出一个综合且准确率较高的股票组合预测模型,并对模型性能的改善和提高进行了深入研究。 总结国内外股票市场预测决策的理论方法,由于计算机与人工智能技术的飞速发展,针对传统神经网络收敛速度与训练算法的不足,本文采用嵌套式的小波神经网络即用小波函数直接代替隐含层函数构成神经网络模型,兼具有小波理论与神经网络的优点,有更灵活有效的函数逼近能力和滤波作用。训练算法在原有BP算法的基础上采用引入动量项和变学习速率的方法,并修正了小波基函数的伸缩平移参数,改善了收敛性能且减少了网络训练时间。 时间序列分析法中ARMA(自回归滑动平均模型)模型较为成熟,文中详细阐述了股票ARMA预测模型的确定、检验与分析。 决策者面临决择的预测方式可能不只一种,且各有千秋,在预测过程中,对于相同的数据,不同的预测方法所针对的信息不尽相同,因而得到的预测结果也不相同。文中采用贝叶斯组合理论组合小波神经网络和ARMA模型的预测结果,对股票的收盘价进行预测,综合利用这两种预测方法所提供的信息,解决了多模式预测问题且提高了预测精度。 通过MATLAB和SPSS软件对单个模型进行仿真,并计算出组合模型的预测价格,对比结果说明组合模型的预测效果较好,准确率较高。本文最后对研究工作进行了总结,指出了今后需进一步深入研究的问题。