1. 研究目的与意义、国内外研究现状（文献综述）
意义：随着人民生活水平的提高，其理财观点也在发生着变化，银行、保险不在是人们的所有选择，在这个货币流通速度加快，cpi指数高度增长的时代，高回报率，快时效的理财方式才能让人们获得了投资带来的收益。证券业作为我国金融行业的三大支柱之一，因其资金流动量大的特点进入了人们的视线，但其很高的风险又让谨慎的投资者望而却步，因此规避股票风险投资的意义重大。股票市场收益率波动性的研究是金融研究的热点,正常范围内的收益率波动有利于活跃市场,但是过于频繁或较大幅度的波动会给投资者、上市公司和政府带来巨大的风险,并且不利于市场的正常运行及发展。
国内外研究概况：目前股票预测的方法有很多，比较常用的有回归分析[1][2][3]、时间序列分析[4][5][6]。覃思乾应用灰色系统理论建立g(1,1)预测模型对股票价格变化进行预测[7]；张晨希等使用支持向量机对某上市公司股票走势进行预测[8]；谢国强提出了利用粒子群算法优化支持向量回归模型对股票价格预测[9]。这些研究方法都对股票的预测起到了推动作用，但由于股市系统内部的复杂性、外部结构的多样性，限制了股票预测的准确性。因而又提出了组合预测模型[10]，即将不同的预测模型适当组合，发挥各参与预测模型的优势，让预测结果更加准确。
2. 研究的基本内容和问题
目标：股票预测的问题始终是一个备受关注的话题，研究的人也是络绎不绝，随着研究技术的提升，股票预测的准确率也在大为提升。本文是在各类研究的基础上，总结概括几种较为常规的研究方法，寻找较为精确的预测方法。
内容：本文利用三种统计学的方法对股票收益率进行预测。garch模型是对金融数据波动性进行描述的有效方法,它是最常用、最便捷的异方差序列拟合模型；多元回归模型则是在考虑了对股票波动影响较大的因素后，对其进行线性拟合，并对模型做出适当的调整，构造出相对合适的拟合模型；数据挖掘模型是利用数据挖掘算法,自动进行价格形态聚类, 并计算每类股票的收益情况, 从而找出其对投资者有参考意义的形态。
3. 研究的方法与方案
数据收集：在数据的收集上，选用沪深300指数，沪深300指数是沪深证券交易所第一次联合发布的反映a股市场整体走势的指数。沪深300指数样本覆盖了沪深市场六成左右的市值，具有良好的市场代表性。
模型的建立：
4. 研究创新点
国内外的研究者们对于股票预测的研究从未停止过脚步，其预测模型和技术也在不断地成熟和完善。但在之前，大多数人仅仅停留在用单一模型对股票进行预测，这样的预测方法对于股票市场的复杂环境略显吃力，无法在原有的基础上对预测精度有更高的提升。近些年来越来越多的人开始关注将多个预测模型结合在一起对股票进行预测，本文将时间序列、多元回归和数据挖掘进行比较与结合，发挥各自的优势，进行更加精确的预测。先利用单个模型分别进行预测，然后根据预测结果的比较进行适当的结合。
改为“适当的”
5. 研究计划与进展
研究计划：
第一步：收集数据，在数据的收集上，选用沪深300指数，沪深300指数是沪深证券交易所第一次联合发布的反映a股市场整体走势的指数。
第二步：时间序列、多元回归和数据挖掘单个模型的建立。包括时间序列中的平稳性检验，拟合arima模型，异方差检验；多元回归和数据挖掘中的影响因素的选择，岭回归估计，和对数据挖掘中几种方法的选择。
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
