股价预测模型-数学建模-优秀论文
基于数学建模和神经网络的股票预测模型研究
基于数学建模和神经网络的股票预测模型研究股票市场的波动一直是商界和投资者所关心的问题。
从历史数据分析到技术指标，还有机器学习以及以神经网络为代表的深度学习技术，各种方法都被用来预测股票市场。
那么，本文所探讨的是基于数学建模和神经网络的股票预测模型研究。
1. 基于数学建模的股票预测模型在股票市场预测方面，基于时间序列分析的ARIMA模型一直被广泛运用。
ARIMA模型是通过寻找上一个时间段内数据的模式来预测下一个时间斜的股票价格。
其它经典模型如指数平滑和趋势模型也都继承了ARIMA模型的基础框架。
除了以上模型，GARCH模型也是自回归时间序列分析的一种扩展形式，它将异常的波动方差考虑进来。
尽管GARCH模型相比ARIMA模型对于股票市场更有可行性，但其参数估计和预测的过程比较复杂，导致实际应用中较为困难。
为了改善以上模型的缺陷，研究者们也进行了很多创新的尝试。
其中，波动率控制方法和即时回归模型，最小二乘回归和交叉熵方法等都取得了很好的效果。
2. 基于神经网络的股票预测模型神经网络在股票市场的预测中也广泛应用。
其可以根据过往股票价格和交易量的变化来进行预测。
并且，有时候神经网络还可以挑选出比起基础经典模型更有效的变量进行预测。
其中，BP神经网络模型是运用最广泛的一种神经网络模型。
这种方法可以学习之前的历史数据，并且通过网络层传递，最后输出确切的预测值。
除了BP神经网络之外，还有一些更高级的神经网络模型，如卷积神经网络和循环神经网络，也可以用来预测股票市场。
3. 数学建模和神经网络模型的整合应用虽然基础的数学统计模型（如ARIMA模型和GARCH模型）和神经网络模型（如BP神经网络）独立运用股票市场预测方面均有很好的表现，但是结合两种模型的运用仍然是一个重要的研究课题。
事实上，近年来很多学者已经尝试将二者相结合，比如，将ARIMA模型预测后的残差序列输入BP神经网络中进一步预测。
有些人将BP神经网络对股票价格变化的预测结果输入GARCH模型中进行方差预测。
应用数学模型在股市预测中的应用研究
应用数学模型在股市预测中的应用研究引言：股市预测一直是投资者和研究人员关注的焦点。
在过去几十年中，随着计算机技术的不断发展和数学模型的应用，预测股市的方法也取得了重大突破。
数学模型的灵活性和准确性使其成为分析市场趋势和预测股价走势的重要工具之一。
本文将介绍几种常见的数学模型，并探讨其在股市预测中的应用。
一、线性回归模型线性回归是一种简单但有效的数学模型，常用于预测股市中的趋势。
该模型基于统计数据建立了自变量和因变量之间的线性关系。
通过观察历史数据，并找出最佳拟合线，可以预测未来的股市走势。
然而，线性回归模型对于复杂的市场变化无法准确预测，因此只适用于短期和相对简单的预测。
二、时间序列模型时间序列模型是一种基于时间相关性的预测方法。
它假设未来的股价取决于过去的股价变化，通过分析历史数据中的趋势、季节性和周期性等特征来预测未来的走势。
常见的时间序列模型包括移动平均模型（MA）、自回归模型（AR）和自回归移动平均模型（ARMA）。
这些模型适用于预测短期和中期的股价变化，但对于长期趋势的预测准确性较低。
三、人工神经网络模型人工神经网络模型是一种模拟人类大脑学习和决策的数学模型。
它通过构建多层神经元网络来模拟人类大脑中的神经元之间的连接和传递关系。
人工神经网络模型可以学习历史数据中的复杂模式，并在未来的股市中预测股价走势。
由于其强大的非线性处理能力，人工神经网络模型在股市预测中有着广泛的应用。
然而，该模型对于大量的训练数据和参数调整非常敏感，需要合理的输入和处理。
四、蒙特卡洛模拟模型蒙特卡洛模拟模型是一种基于随机抽样的数学模型，可以模拟股价的不确定性。
该模型通过重复随机试验，根据一系列随机生成的股价走势来预测未来的股价。
蒙特卡洛模拟模型适合预测长期和复杂的股价变动，可以考虑到不同的风险因素和外部影响。
然而，该模型对于随机源的选择和模拟参数的设定要求较高，需要合理的假设和模拟方法。
结论：数学模型在股市预测中有着重要的应用价值。
基于数学建模的股票价格预测模型研究
基于数学建模的股票价格预测模型研究随着互联网技术的不断发展，越来越多的人开始关注股票市场和股票投资。
股票价格的波动不仅受到市场经济波动、政策法规等因素的影响，更受到技术手段的干预。
因此，如何预测股票价格的走势成为了投资者们非常关注的一个问题。
近年来，随着数学建模技术的不断发展和应用，越来越多的人开始将数学建模应用于股票价格预测中。
在数学建模中，利用某些特征参数将数学模型应用到预测中，来预测股价走势变化。
一、基础理论在股票价格预测中，常用的数学方法有时间序列分析法、机器学习方法、神经网络分析法等。
1. 时间序列分析法：这是对股票价格的历史走势进行分析，并根据某类分析模型进行预测的方法。
这种方法根据历史走势，结合多种分析方法，如均值、方差、趋势线、周期分析等，对股票的未来波动进行预测。
2. 机器学习方法：机器学习方法是利用计算机科学和统计学中的算法和模型，通过学习大量历史数据来发现规律和预测未来趋势。
在股票预测中，机器学习方法可以通过训练数据集来预测股价和走势的变化。
3. 神经网络分析法：神经网络分析法是一种基于人工神经网络技术的分析方法。
神经网络是一种类似人脑神经系统的非线性系统，通过设定输入、中间层和输出层，模拟人类大脑过程，利用大量的历史数据进行训练，预测未来的股票价格波动。
二、数学建模在股票价格预测中的应用1. 基于时间序列分析法的股票价格预测模型时间序列分析法是一种对历史数据进行分析，然后根据历史数据的结果来预测未来趋势的方法。
在股票价格预测中，该方法可以对历史股票价格数据进行统计分析，然后通过数学模型对未来股价的波动进行预测。
时间序列分析法的主要思想是根据股票价格的历史走势，预测未来几个时期的股价波动情况。
该方法首先要建立一个时间序列模型，然后对这个模型进行分析，并用它预测未来的股票价格波动情况。
2. 基于机器学习的股票价格预测模型在数学建模中，机器学习是一种利用计算机来学习知识，并基于这些知识来预测未来趋势的方法。
基于数学建模的金融股票行情预测研究
基于数学建模的金融股票行情预测研究近年来，随着信息技术的普及和金融市场的日益复杂化，金融股票行情预测越来越成为人们关注的焦点。
在金融市场中，股票是重要的投资品种之一，对于投资者而言，股票的价格走势是个重大的问题。
在这样的背景下，基于数学建模的金融股票行情预测逐渐受到业内人士的广泛研究。
本文旨在探讨基于数学建模的金融股票行情预测的研究现状和方法，以及可能出现的问题。
一、研究现状目前，基于数学建模的金融股票行情预测方法主要有以下几种：1. 时间序列模型时间序列模型是经典的预测方法之一，它是利用已知历史数据推算未来情况的一种方法。
主要依靠统计分析来推测未来趋势，常用的模型有ARIMA、GARCH和ARCH等。
这些模型在历史数据较多的情况下表现较为准确，但对于时间序列中存在的非线性趋势和季节性变化较难进行有效预测。
2. 神经网络模型神经网络模型是基于神经科学的模仿，可以自学习和自适应，曾经在金融市场预测中取得了较好的效果。
神经网络的训练过程是逐步调整权重和阈值达到训练的目标。
然而，在实践中发现，神经网络模型在无法处理稀缺数据、数据样本量小和噪声较大的情况下表现并不理想。
3. 支持向量机模型支持向量机模型是机器学习方法中的一种，在金融市场预测中同样得到了广泛的应用。
它适用于非线性、高维、小样本的数据，能够快速准确地拟合高维数据的非线性关系。
但是，支持向量机模型在样本量少时，容易产生过拟合问题。
二、方法应用基于数学建模的金融股票行情预测方法，需要依赖大量的历史数据，以及充分的经验和专业知识。
在实际应用中，必须进行以下几个步骤：1. 数据准备数据准备是预测模型的前置工作，需要收集、清洗和整理大量的历史数据。
金融数据具有复杂性、随机性和多样性，需要在样本数据的选择、筛选、加工和存储方面尽可能提高数据质量。
同时，在数据处理过程中必须注意对数据进行标准化处理，这样可以在一定程度上减轻模型训练和预测的难度。
2. 模型选择在模型选择上，应根据具体情况、任务目标和模型优秀度综合考虑，综合判断哪种模型最适合解决预测问题。
2024研究生数学建模优秀论文
2024研究生数学建模优秀论文近年来，研究生数学建模领域涌现出了许多优秀的论文。
这些论文通过对实际问题的建模和求解，为相关领域的研究和实践提供了有力的支持。
一篇优秀的研究生数学建模论文是《基于改进的模拟退火算法的机器调度问题》，该论文通过对机器调度问题进行建模，并采用改进的模拟退火算法进行求解。
在问题建模方面，该论文提出了一种新的机器调度模型，该模型包括了机器的技术约束、资源约束和任务约束。
在算法设计方面，该论文通过对模拟退火算法的改进，提高了算法的收敛速度和求解质量。
通过大量的实验验证，该论文的结果表明，该算法在求解机器调度问题上具有较好的性能和可行性。
另一篇优秀的研究生数学建模论文是《基于网络流的城市交通优化研究》，该论文针对城市交通拥挤问题进行建模和优化方案设计。
在问题建模方面，该论文采用了网络流模型来描述城市交通情景，对城市交通流动进行了量化分析，并提出了一种基于网络流的城市交通优化算法。
在算法设计方面，该论文通过对交通流量的调整和限制，优化了城市交通系统的整体效率。
通过实验验证，该论文的结果表明，该算法能够有效地缓解城市交通拥堵问题，并提高交通系统的运行效率。
此外，还有一篇优秀的研究生数学建模论文是《基于支持向量机的股票价格预测模型》，该论文针对股票价格预测问题进行建模和预测模型设计。
在问题建模方面，该论文采用了支持向量机模型来对股票价格进行预测。
在模型设计方面，该论文基于支持向量机模型，通过对历史数据的学习和分析，构建了一种适合股票价格预测的模型。
通过实验验证，该论文的结果表明，该模型能够较为准确地预测股票价格的变动趋势，对于投资者进行股票投资决策具有较好的参考价值。
综上所述，这些优秀的研究生数学建模论文通过对实际问题的建模和求解，为相关领域的研究和实践提供了有力的支持。
通过不断地创新和实践，研究生们不仅在数学建模领域取得了突破，也为社会的发展和进步做出了贡献。
股票涨跌中数学模型毕业论文
目录摘要 (Ⅱ)关键词 (Ⅱ)英文摘要 (Ⅱ)英文关键词 (Ⅱ)1 前言 (1)2 国内外研究发展现状 (1)3 股票的选取 (2)3.1 MA(移动平均线技术) (3)3.2 ASI与KDJ技术指标组合 (4)3.3 DMI(趋向技术指标) (5)4 模型建立 (5)4.1 问题分析与回顾 (5)4.2 建立股票价格预测模型 (6)4.2.1 神经网络结构设计 (6)4.2.2 网络模型选择 (7)4.2.3 网络学习具体过程 (7)4.3 算法工具以及样本数据来源 (8)5 模型求解与股票价格预测 (8)6 模型评价和改进 (12)结束语 (12)参考文献 (13)股票涨跌中数学模型的研究摘要：股票价格的涨跌受到政治、经济、社会因素的影响，针对股票价格具有非线性、不稳定性的特点，本文结合了三种实用的选股技术进行选股，利用神经网络强大的非线性逼近能力，设计出了优化的BP神经网络数学模型，并实现了对股票的价格进行预测。
关键词：股票；BP神经网络；数学模型Stock ups and downs in the mathematical model studyWu Mengzhe(Kaili University Mathematical Sciences College, guizhou Kaili 556000) Abstract: The ups and downs of the stock price is influenced by political, economic, and social factors, the stock price has nonlinear instability characteristics, this paper combines three practical stock picking technology stock, a powerful non-linear neural networkapproximation capability of the design the BP neural network optimized mathematical model, and better short-term forecast on the stock price.Key words:Stock; BP neural network; mathematical model1 前言随着科学技术的进步，居民的生活水平普遍提高，收入的快速增长使得居民逐渐成为市场投资的主题，人们的理财意识也不断增强。
《2024年RF-SA-GRU模型的股价预测研究》范文
《RF-SA-GRU模型的股价预测研究》篇一一、引言随着金融市场的日益复杂化和信息技术的飞速发展，股价预测已成为金融领域的重要研究方向。
然而，由于股票市场的非线性和时变性特点，传统的股价预测方法往往难以达到理想的预测效果。
为了解决这一问题，本文提出了一种基于随机森林（Random Forest，RF）、自注意力机制（Self-Attention，SA）和门控循环单元（GRU）的混合模型（RF-SA-GRU模型）进行股价预测研究。
二、研究背景与意义股价预测对于投资者、金融机构和市场监管部门具有重要意义。
通过准确预测股价，投资者可以做出更明智的投资决策，降低投资风险；金融机构可以更好地进行风险管理，制定投资策略；市场监管部门则可以通过预测市场走势，制定更有效的监管政策。
然而，股票市场的复杂性和时变性使得股价预测成为一项具有挑战性的任务。
因此，研究更有效的股价预测模型具有重要意义。
三、RF-SA-GRU模型本文提出的RF-SA-GRU模型结合了随机森林、自注意力机制和门控循环单元的优点，旨在提高股价预测的准确性和稳定性。
1. 随机森林（RF）：随机森林通过集成多个决策树的结果，提高模型的泛化能力和鲁棒性。
在股价预测中，随机森林可以用于特征选择和预处理，提取与股价相关的关键特征。
2. 自注意力机制（SA）：自注意力机制可以捕捉序列数据中的长距离依赖关系，在自然语言处理、语音识别等领域取得了显著成果。
在股价预测中，自注意力机制可以用于捕捉股票价格序列中的时序依赖关系。
3. 门控循环单元（GRU）：GRU是一种常用的循环神经网络结构，可以捕捉序列数据中的时序信息。
在股价预测中，GRU可以用于捕捉股票价格序列的动态变化。
4. 模型结构：RF-SA-GRU模型首先通过随机森林进行特征选择和预处理，然后利用自注意力机制捕捉时序依赖关系，最后通过GRU捕捉动态变化。
模型采用端到端的方式，可以同时学习特征和时序信息，提高预测准确性。
大学论文：基于ARIMA模型的股价预测研究
基于ARIMA模型的股价预测研究摘要随着我国金融市场的逐步放开、股票市场的迅猛发展，股票市场作为整个国民经济的重要基石之一，其地位和作用也日益突出．如何有效地控制金融市场风险，促使金融市场有效、健康的运行，已成为我国金融机构面临的重大挑战．而通过历史数据，建立ARIMA模型，能较好地预测股价的发展趋势，从而使股票的投资者和管理者获得最大的回报或最小的损失。
本文利用同花顺软件收集深市同德化工（002360）股票从2010年3月3日—2016年4月25日间的每日收盘价，其中样本数据采用股指对数收益率作为样本数据，并采用其数据进行平稳、零均值化处理，模型识别和模型定阶，在使用最小二乘法估计参数后，建立ARIMA模型；最后利用已建模型预测出未来3天的股票开盘价指数，并与实际数据相对照，计算模型预测误差，验证ARIMA模型是否适合于所选股票的短期预测。
关键词：股价 ARIMA模型Comparison of urban and rural residents in Hebei ProvinceLi da Directed by Lecturer Liu linghuiAbstractIn recent years, under the guidance of the national integration strategy launched in Beijing, Tianjin, Hebei Province, by means of its regional advantages Hebei Province efforts to build "one hour life circle."Accelerate the flow of population makes the structural differences in Hebei Household Consumption size changed.In order to better describe this difference, and this difference is a measure of the size of the paper to survive and consumption, development and enjoyment and consumption and consumption in total consumption in proportion to the share of differences and build differentiated consumption structure.In this paper, descriptive statistics, found that the proportion of urban and rural consumption structure difference in survival consumption and enjoyment and consumption of large differences in the development and consumption of a smaller proportion of the status quo.Then analyzed to find a comprehensive description of the size difference factor by factor analysis reveals that the reason for the difference generated by the status quo.Finally, the specific economic development in Hebei Province, Hebei Province, is given to promote the coordinated development of urban and rural consumption policy recommendations.KEY WORDS：Urban and Rural Residents Consumption Differences Compare Research目录摘要 (I)英文摘要 (II)目录 (1)前言 (2)1概念界定 (5)1.1城镇和乡村的界定 (5)1.2本研究中的消费结构 (5)2指标体系的建立与原数据的选取 (20)2.1河北省城乡居民消费结构体系的建立 (20)2.2河北省城乡居民消费结构数据......................................错误!未定义书签。
基于ARIMA模型的股票价格预测
基于ARIMA模型的股票价格预测随着股票市场的不断发展，投资者们开始越来越依赖于股票价格预测模型，以帮助他们更好地制定投资策略。
ARIMA模型就是其中一种有效的股票预测模型，它利用历史数据来预测未来一定时间段内的股票价格走势。
一、ARIMA模型的基本原理ARIMA模型，全称为自回归移动平均模型，是一种基于时间序列的预测模型。
ARIMA模型将时间序列分解成三部分：自回归（AR）成分、差分（I）成分和移动平均（MA）成分。
ARIMA模型将各部分组合起来，形成一个数学模型，通过该模型预测未来的价格走势。
其中，自回归成分指的是一个时间序列中某一时刻的观察值与前一时刻的观察值之间存在的相关性。
差分成分则是为了使原始序列变得更平稳而进行的数据处理，消除序列中的非平稳趋势。
移动平均成分则是指序列中某一时刻的观察值与其前一时刻以及后一时刻的观察值之间存在的相关性。
基于以上三个成分，ARIMA模型能够精确地预测出未来一定时间段内股票价格的走势，从而帮助投资者进行更加理性的投资决策。
二、ARIMA模型的实现过程ARIMA模型的实现过程主要包括以下几个步骤：1. 收集相关数据：首先，我们需要从可靠的数据源（如股票行情数据）中收集关于股票价格的历史数据。
2. 数据预处理：然后，我们需要对数据进行预处理，包括去除异常值、填补缺失值、平滑数据等。
3. 模型选择：接着，我们需要根据数据特征选择合适的ARIMA模型，并进行模型训练。
4. 模型检验：在模型训练完成后，我们需要对模型进行检验，评估模型的预测准确性。
5. 模型预测：最后，我们使用已经训练好的模型对未来股票价格进行预测，并根据预测结果进行相应的投资决策。
三、ARIMA模型的优缺点ARIMA模型作为一种对股票价格预测效果良好的模型，在实践中得到广泛应用。
但是，ARIMA模型也存在一些局限性：1. 对非线性时间序列的预测效果较差，无法适应某些极端情况。
2. 对于数据缺失、异常值较多或者干扰较强的数据集，ARIMA模型的预测结果难以准确。
数学建模在股票价格预测中的应用研究
数学建模在股票价格预测中的应用研究近年来，随着互联网经济的飞速发展，股票市场成为了投资者的重要选择之一。
在这个市场中，股票价格预测问题一直备受关注。
尽管这是一个复杂的问题，但是数学建模技术的发展使得股票价格预测变得可行。
本文将介绍数学建模在股票价格预测中的应用研究。
股票价格预测是金融市场的重要研究方向之一，也是实践中需要解决的关键问题。
如何做出准确的预测，这是所有研究者需要解决的问题。
传统的股票价格预测方法主要基于统计学和经济学分析，但这些方法难以处理大量的历史数据和高维性问题。
因此，应用数学建模技术解决股票价格预测问题变得越来越受关注。
在数学建模中，利用机器学习技术（如人工神经网络、支持向量机、决策树等）进行股票价格预测是主流方法之一。
机器学习是一种人工智能技术，具有自我学习、适应性强、智能化程度高等特点，在股票价格预测中有着广泛应用。
例如，可以通过对历史数据进行分析并训练模型，预测未来股票价格的趋势。
此外，在数学建模中，协整和向量自回归模型也是常用的方法。
协整模型利用多个时间序列数据之间存在长期关系的特点，可以提高预测准确度。
同时，向量自回归模型基于时间序列的自相关性和互相关性，可以更好地捕捉股票价格变化的规律和趋势，提高预测的精度。
以上方法都是基于历史数据进行预测的，但是随着AI技术的飞速发展，更加注重对外部影响因素的预测。
例如，天气、政治因素和自然灾害等因素都对股票市场产生了影响。
因此，在数学建模中，利用情感分析、网络搜索量等外部信息，也成为了股票价格预测的重要参考因素。
尽管现在有很多数学模型可供选择，但对于股票市场这个问题，任何单一的模型都不能完全胜任。
因此，研究者需要将多种模型相结合，建立混合模型，以期达到更好的预测效果。
这些混合模型可以将多个具有不同特点的模型组合起来，从而最大限度地利用各自的优点。
总之，数学建模已经成为股票价格预测中的重要工具。
随着技术的飞速发展，未来数学建模将能够更加准确地预测股票价格的走势。
基于数学建模的股票市场预测模型探索
基于数学建模的股票市场预测模型探索股票市场预测一直是投资者和金融机构关注的重要问题。
数学建模作为其中的一种工具，通过分析历史数据和建立数学模型，可以帮助预测股票市场的走势和未来的发展趋势。
本文将探索基于数学建模的股票市场预测模型，并讨论其中的方法和技术。
一、时间序列模型时间序列模型是一种基于历史数据来预测未来走势的常用方法。
其中，ARIMA模型是最为经典的时间序列模型之一。
ARIMA模型结合了自回归（AR）模型、移动平均（MA）模型和差分（I）模型，通过对历史数据的分析，建立了一个可以预测未来走势的数学模型。
ARIMA模型的核心思想是将当前的数值与过去的数值进行关联，并结合移动平均和差分运算来消除非随机性的部分。
通过ARIMA模型，我们可以对股票的走势进行拟合，并预测未来的变化。
二、神经网络模型神经网络模型在股票市场预测中也有广泛的应用。
其中，基于深度学习的神经网络模型，如长短期记忆网络（LSTM）和卷积神经网络（CNN）等，能够自动学习特征，并进行有效的预测。
LSTM模型是一种特殊的循环神经网络，它能够处理时间序列数据，并具有记忆机制。
LSTM模型通过对历史数据的学习和记忆，可以学习到股票市场的规律和趋势，并进行准确的预测。
CNN模型则通过卷积运算和池化运算提取特征，并进行有效的分类和预测。
在股票市场预测中，CNN模型可以通过学习历史数据的特征，判断未来走势的可能性。
三、混合模型除了单独使用时间序列模型或神经网络模型外，混合模型也是一种常见的股票市场预测方法。
混合模型通过结合多种不同的方法和模型，充分利用各种模型的优势，提高预测的准确性。
例如，可以将ARIMA模型和LSTM模型进行结合，利用ARIMA模型对长期趋势和周期性进行拟合，再通过LSTM模型对短期波动进行预测。
此外，还可以结合其他模型和方法，如金融市场指标、技术分析等，提高预测的精度和可靠性。
四、评估指标无论是单独使用某一模型还是采用混合模型的方法，评估预测结果的准确性是非常重要的。
基于数学建模的股票市场趋势预测方法研究
基于数学建模的股票市场趋势预测方法研究股票市场作为一个信息发达、快速变化的领域，一直以来都备受关注。
但是，市场的变化无法被预测，这成为了投资者们最大的难题。
因此，基于数学建模的股票市场趋势预测方法就成了目前研究的热点之一。
一、简介股票市场是一个典型的复杂系统，其中存在诸多的不确定性和随机性。
在这样的背景下，基于数学建模的预测方法便备受瞩目。
其核心思想是通过分析历史股市数据，构建模型，预测未来趋势。
本文将从宏观和微观两个方向阐述基于数学建模的股票市场趋势预测方法的研究现状。
二、宏观建模预测宏观建模预测方法在预测股市趋势方面表现出了出色的效果。
其主要的手段是基于理论模型对未来经济情况进行推测，再据此推测股市的发展趋势。
这种方法因其研究手段成熟而被广泛应用。
以美国为例，其宏观经济的判断研究主要有两大类。
一类为美国经济周期研究委员会提出的经济增长周期模型。
该模型基于对美国经济周期的历史数据，通过对周期的转折点进行分析，得出经济周期长期走势的预测。
而经济周期长期走势又影响到了股市走势，在上一个周期结束时股市便开始了下一个周期的反应，因此，该模型可用于股市预测的研究。
另一类则是基于经济学中的国民收入多角度分析方法。
该模型不同于第一种，其主要是通过对影响国民收入的各种因素的预测，再综合分析得出国民收入未来的走势趋势。
国民收入与股市的关系相近似于经济周期在股市中的作用。
因此,该方法同样适用于基于股市中长期走势预测。
三、微观建模预测与宏观建模预测不同，微观建模预测致力于通过对于单一证券的价格走势分析，得出未来股票价格的变化趋势。
其实现方法包括时间序列分析（TSA）、向量自回归（VAR）等。
通过时间序列分析，可以了解到股票价格是如何随着时间变化而变化的，通过筛选得到合适的指标，再应用不同的数学模型对其进行拟合，即可得出预测结果，常见的模型有AR（Autoregressive Models）、MA（Moving Average Models）、ARMA（Autoregressive Moving Average Models）等。
股票价格预测模型的构建与分析
股票价格预测模型的构建与分析近年来，随着人工智能、大数据等技术的不断发展，股票价格预测也变得越来越普遍。
而股票价格预测模型的构建与分析，依据的则是股票市场里的各种因素。
这些因素涉及到宏观经济、行业、公司的财务状况、投资者情绪等多个层面。
在这篇文章中，我们将探讨股票价格预测模型的构建与分析。
一、股票市场的因素股票市场涵盖了宏观经济因素，包括国内国际贸易关系、通货膨胀等因素，以及行业内部的因素，包括消费者需求、行业政策等因素。
此外，公司财务状况和投资者情绪也是影响股票价格的重要因素。
对于预测未来股票价格，我们需要建立一个全面的模型，并考虑到这些因素的相互作用。
因此，我们需要搜集大量数据，并使用人工智能技术来处理数据。
二、数据搜集这个预测模型的第一步是数据搜集。
我们需要搜集历史股票价格、宏观经济数据、行业和公司的财务数据，以及社交媒体等数据。
其中，历史股票价格是最重要的数据，它反映了股票市场的变化趋势，并且可以被用于推断未来股票价格。
其他数据也都是很重要的，如宏观经济数据可以反映经济周期和股票市场的关系，行业和公司的财务数据反映公司的盈利能力和设施情况，而社交媒体等数据也可以反映投资者舆情和情绪。
三、数据分析数据分析是预测模型构建的核心。
许多机器学习算法只依赖于数据本身，并试图自动地提取和概括与数据相关的信息。
其中常用的机器学习算法有回归和神经网络，以及基于深度学习的算法。
这些算法可以挖掘出数据中的关键信息，并预测股票价格的未来趋势，以及趋势的幅度。
此外，我们还可以使用技术分析来预测股票价格的未来变化，技术分析主要是基于股票价格和交易量这些市场数据的图表分析。
四、预测结果预测股票价格是一个复杂的过程，涉及到多个影响因素的综合作用。
预测结果是基于模型的输出来得到的，其准确性主要取决于所选用的算法和数据质量。
对于模型，越精简且可解释性强的模型，越容易被运用到实际投资场景中。
而不可解释性强的深度学习模型，虽然预测的准确率高，但其模型的构建和训练过程可能相对复杂，被普及应用的机会可能会较少。
基于LSTM的股票价格预测建模与分析
基于LSTM的股票价格预测建模与分析基于LSTM的股票价格预测建模与分析1. 引言随着金融市场的不断发展和信息技术的迅速进步，股票市场操作的复杂性和风险性日益增加。
对于投资者和交易者来说，准确预测股票价格的走势非常重要。
然而，股票价格受到多种因素的影响，如经济指标、公司业绩、市场情绪等，预测股票价格走势变得更加困难。
2. LSTM模型介绍LSTM（Long Short-Term Memory）是一种特殊类型的循环神经网络（RNN），在处理时序数据上表现出色，尤其对于长期依赖关系的建模有一定优势。
LSTM模型通过引入门控机制，能够有效地捕捉并利用历史信息，从而实现更准确的预测。
3. 数据预处理为了构建LSTM模型，我们首先需要对股票价格数据进行预处理。
主要包括以下几个步骤：（1）数据清洗：剔除异常值和缺失值，保证数据的完整性和准确性。
（2）特征选择：根据领域知识和相关性分析，选取与股票价格相关的特征。
（3）特征缩放：对选定的特征进行缩放处理，以避免不同尺度间的差异对模型的影响。
4. LSTM模型构建在完成数据预处理后，我们可以开始构建LSTM模型。
LSTM模型的关键是确定合适的网络结构和参数配置，以实现最佳的预测效果。
具体包括以下几个步骤：（1）网络结构设计：根据问题的复杂性和数据的特点，确定LSTM的层数和每层的神经元数量。
（2）训练过程：通过将数据集分为训练集和验证集，在训练过程中不断调整模型参数，以找到最佳的权重和偏置值。
（3）模型评估：使用验证集进行模型评估，通过计算预测结果与实际值之间的误差来评估模型的性能。
5. 结果分析与讨论根据构建的LSTM模型，可以进行股票价格预测，并通过与实际数据进行对比来评估预测的准确性。
在此基础上，我们可以进一步分析预测结果的特点和规律，以及模型的优缺点。
此外，还可以扩展研究，比如对不同时间尺度、不同历史窗口大小、不同影响因素的组合等进行分析，进一步提升预测模型的效果。
股票市场预测与决策的数学模型研究
股票市场预测与决策的数学模型研究股票市场一直以来都是高风险高收益的投资领域。
投资者希望通过对市场发展的预测来做出正确的决策，从而获取最大化的收益。
然而，在一个不断变化的市场中，想要准确预测并不容易。
数学模型便可以为投资者提供一种较为可靠的预测分析工具，而且还可以辅助投资者做出最优决策。
一、时间序列模型时间序列模型是一种重要的数学模型，主要用于预测未来的股票价格。
这种模型是依据股票市场在时间上的连续性，将历史上不同时间点的价格数据作为自变量，预测未来价格的变化走势。
时间序列模型的核心思想是根据历史数据的规律性和周期性，来推测未来的价格变化。
这种模型主要分为自回归模型、滑动平均模型以及ARIMA模型三种。
其中，自回归模型（Autoregressive Model，AR）是根据历史数据的规律性来对股票未来的价格进行预测的。
其基本思想是，将过去若干期的股票价格作为自变量，对未来的股票价格进行预测。
这个模型的优点在于简单易懂，但缺点也很明显，只能预测一定时间内的价格走势。
滑动平均模型（Moving Average，MA）是根据历史数据的周期性来对未来股票价格进行预测的。
其基本思想是，用过去若干期的股票平均价格来预测未来的价格变化。
这个模型在预测长期股票价格时效果较好，但在短期预测上则表现较差。
ARIMA模型则将自回归模型和滑动平均模型结合起来，既考虑规律性，又考虑周期性。
ARIMA模型适合预测短期和长期股票价格。
二、神经网络模型神经网络模型是一种人工智能模型，通过对股票市场的历史数据进行学习，得出未来股票价格变化的预测结果。
这种模型是基于大量数据的学习和模式识别，可以对股票价格变化的非线性关系进行预测。
神经网络模型的核心思想是，将股票市场的历史上升和下降的趋势当做股票价格变化的非线性模型进行学习，通过训练，得出一个适用于未来的预测模型。
这种模型可以自适应地进行调整，使得其能够在不同时期对股票价格变化进行预测。
基于ARIMA模型的股票价格预测
基于ARIMA模型的股票价格预测第一章：引言随着世界经济快速发展和股票市场的迅猛发展，股票交易越来越受到人们的关注。
股票市场的价格波动对投资者和经济学家来说都是一个有趣的研究主题。
随着信息技术的发展，预测股票市场价格可以更加准确地提供投资者和经济学家所需的信息。
在这种背景下，基于ARIMA模型的股票价格预测成为了一个研究热点。
第二章：ARIMA模型概述ARIMA模型是一种常用的时间序列分析模型，可以分析时间序列的趋势、季节性和随机性。
ARIMA模型可以用于预测时间序列的未来值。
ARIMA模型可以分为自回归模型(AR)、移动平均模型(MA)和自回归移动平均模型(ARMA)三种。
ARIMA模型可以对不同的时间序列进行预测分析，因此经济学家常常使用ARIMA模型来预测股票价格。
第三章：ARIMA模型的构建ARIMA模型的构建过程包括四个主要步骤。
首先，需要确定时间序列的性质。
其次，需要对时间序列进行平稳性检验，如果时间序列不平稳，需要进行差分处理。
第三，需要确定ARIMA模型的阶数，包括自回归阶数p、差分阶数d和移动平均阶数q。
最后，需要通过拟合ARIMA模型来预测时间序列。
第四章：股票价格预测案例为了证明ARIMA模型的实用性和准确性，本文提供了一个股票价格预测案例。
我们选取了2019年1月至2021年1月之间上证指数的日收盘价数据作为样本，使用ARIMA模型进行预测分析，预测2021年2月至3月的股票价格。
首先，我们对时间序列进行平稳性检验，使用ADF检验和KPSS检验得到的p-value均小于0.05，表明时间序列平稳。
接着，我们对时间序列进行差分处理，得到一阶差分序列。
接下来，我们通过自相关图和偏自相关图来确定ARIMA模型的阶数。
自相关图和偏自相关图都可以帮助我们确定ARIMA模型的p和q值。
通过分析ACF图，我们发现ACF图在滞后3时刻之后截尾，因此我们可以将p设置为3。
通过对偏自相关图进行分析，我们发现PACF在lag为3时呈现截尾，因此我们可以将q设置为3。
基于时间序列分析的股票价格预测模型研究
基于时间序列分析的股票价格预测模型研究基于时间序列分析的股票价格预测模型研究股票市场一直以来都是一个充满风险和不确定性的领域，投资者们都希望能够找到一种可靠的方法来预测股票价格的变化趋势。
时间序列分析是一种常用的预测方法，它可以通过对历史数据进行分析，建立出一个数学模型来预测未来的股票价格。
本文将探讨基于时间序列分析的股票价格预测模型的研究。
一、时间序列分析的基本原理时间序列分析是一种用于预测未来数据趋势的方法，其基本原理是将历史数据看作是一个时间序列，通过对这个序列进行分析，建立出一个数学模型来预测未来的数据变化趋势。
时间序列分析通常包括三个主要的步骤：平稳性检验、模型识别和模型检验。
平稳性检验是指对时间序列数据进行检验，判断其是否具有平稳性。
在时间序列分析中，平稳性是非常重要的一个概念，因为只有平稳性序列才能够进行有效的预测。
如果数据不具有平稳性，需要对其进行差分或其他处理方法，使其变得平稳。
模型识别是指在平稳性检验通过后，选择合适的数学模型来对时间序列进行拟合。
时间序列分析中常用的模型包括AR模型、MA模型、ARMA模型和ARIMA模型等。
不同的模型适用于不同类型的时间序列数据，因此需要根据实际情况选择合适的模型。
模型检验是指对拟合后的模型进行检验，判断其是否符合实际情况。
常用的检验方法包括残差分析、自相关函数和偏自相关函数等。
如果模型检验不通过，则需要重新选择模型或调整参数。
二、基于时间序列分析的股票价格预测模型在股票市场中，股票价格的变化受到多种因素的影响，包括公司业绩、宏观经济环境、政策法规等。
因此，在进行股票价格预测时，需要考虑多种因素，并建立相应的数学模型。
在时间序列分析中，常用的模型包括ARIMA模型和GARCH模型等。
ARIMA模型是一种自回归移动平均模型，可以对时间序列数据进行拟合和预测。
GARCH模型是一种广义自回归条件异方差模型，可以对股票价格波动率进行建模和预测。
在使用ARIMA模型进行股票价格预测时，首先需要对历史数据进行平稳性检验，并选择合适的ARIMA(p,d,q)参数。
数学模型在股票预测中的应用研究
数学模型在股票预测中的应用研究随着互联网的普及以及全球金融市场的蓬勃发展，股票市场成为了一个备受关注的话题。
人们在追逐收益、抵御风险的过程中形成了不同的交易策略，而关于股票投资，实际上应用了大量的数学模型来辅助预测市场走势。
本文将通过研究数学模型在股票预测中的应用，探究数学模型对于股票市场的预测，以及如何对模型进行优化。
一、数学模型在股票预测中的应用1.经典模型技术指标是股票投资中经典的数学模型之一，其中使用得比较多的是MACD、KDJ、RSI、BOLL等技术指标。
这些指标基于技术分析，通过历史股价的变化来预测股票的未来涨跌趋势。
例如，MACD通过计算股票价格的快速移动平均线和慢速移动平均线的差异来预测市场涨跌，KDJ则通过计算股票价格的随机指标来判断机会点。
这些指标被广泛应用于股票市场的预测，其优点是简单明了、操作容易，但是这些指标只能分析出相对短期的走势，无法反映长期走势趋势。
除了技术指标，另一种常见的模型是趋势线分析。
趋势线分析根据历史行情，通过连通股票价格的低点或者高点，得到趋势线，以此来预测股票价格的走势。
趋势线分析需要按照特定的方法来选择低点和高点，因此需要一定的经验和技巧。
同时，趋势线分析也无法反映短期波动，不太适合用于股票短线操作。
2.神经网络模型神经网络模型是一个广泛使用的模型，用于股票市场的预测。
神经网络模型模拟人脑的神经网络系统，通过对股票市场的历史数据进行学习和构建，形成对于未来市场的预测能力。
神经网络模型具有以自适应性、易于并行处理、能够处理非线性问题的优点，因此在股票市场的预测中，如股票价格、交易量等方面，神经网络模型具有较好的优势。
3.ARMA模型ARMA模型是一种时间序列的统计模型，广泛应用于股票市场中。
这种模型能够捕捉时间序列的分布模式、趋势或周期变化，提供对未来趋势的预测。
ARMA 模型的优点在于生成的模型易于解释，同时系数显著高质量统计推断，这将是预测错误的主要来源。
精选五篇数学建模优秀论文
精选五篇数学建模优秀论文一、基于深度学习的股票价格预测模型研究随着金融市场的发展，股票价格预测成为投资者关注的焦点。
本文提出了一种基于深度学习的股票价格预测模型，通过分析历史数据，预测未来股票价格走势。
实验结果表明，该模型具有较高的预测精度和鲁棒性，为投资者提供了一种有效的决策支持工具。
二、基于优化算法的智能交通信号控制策略研究随着城市化进程的加快，交通拥堵问题日益严重。
本文提出了一种基于优化算法的智能交通信号控制策略，通过优化信号灯的配时方案，实现交通流量的均衡分配，提高道路通行能力。
实验结果表明，该策略能够有效缓解交通拥堵，提高交通效率。
三、基于数据挖掘的电商平台用户行为分析电商平台在电子商务领域发挥着重要作用，用户行为分析对于电商平台的发展至关重要。
本文提出了一种基于数据挖掘的电商平台用户行为分析模型，通过分析用户购买行为、浏览行为等数据，挖掘用户偏好和需求。
实验结果表明，该模型能够有效识别用户行为特征，为电商平台提供个性化的推荐服务。
四、基于机器学习的疾病预测模型研究疾病预测对于公共卫生管理具有重要意义。
本文提出了一种基于机器学习的疾病预测模型，通过分析历史疾病数据，预测未来疾病的发生趋势。
实验结果表明，该模型具有较高的预测精度和可靠性，为疾病预防控制提供了一种有效的手段。
五、基于模糊数学的农业生产决策支持系统研究农业生产决策对于提高农业效益和农民收入具有重要意义。
本文提出了一种基于模糊数学的农业生产决策支持系统，通过分析农业环境、市场需求等因素，为农民提供合理的生产决策建议。
实验结果表明，该系统能够有效提高农业生产效益，促进农业可持续发展。
精选五篇数学建模优秀论文一、基于深度学习的股票价格预测模型研究随着金融市场的发展，股票价格预测成为投资者关注的焦点。
本文提出了一种基于深度学习的股票价格预测模型，通过分析历史数据，预测未来股票价格走势。
实验结果表明，该模型具有较高的预测精度和鲁棒性，为投资者提供了一种有效的决策支持工具。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2014年高教社杯全国大学生数学建模竞赛校内选拔赛组长组员组员姓名学号性别年级专业学院联系方式是否会员2013年12月2日股票市场的股价模型研究摘要股票本身没有价值，但它可以当做商品买卖，并且有一定的价格，股票的市场价格即股票在股票市场上买卖的价格。
目前，股票已经成为我国大众投资的主要渠道之一。
本文以上海股市2011年1月到2012年12月的数据为依据，分别对三个问题建立模型求解。
问题（1），根据上海股票市场在该段时间内综合指数历史交易，以市场布林线算法为评价标准划分时期,并建立不同时期的多指标模糊综合评价模型；并据此划分为四个时期，并且分析每一阶段的具体情况。
问题（2），根据2011/1/1到2012/11/30每天的收盘价，采用三次指数平滑方法对上证指数进行预测；我们利用了12月1日至12月4日的上证指数与预测的验证，其结果相差仅为0.00003，在实际中可以接受，验证了我们模型的准确性。
问题（3），我们建立成交量进程时间假设，描述股价变化所依托的经济学期。
根据2011-2012这短时间的成交量与对应收盘价的数据，分析得出成交量与收盘价的关系，并利用这一结论去预测2013年部分月份的股价情况，得出相应的结果，这就证明了我们模型的正确性。
最后，对该问题做了更深刻的探讨，对模型的优缺点进行评价。
关键词：布林线算法;模糊综合评价法; 三次指数平滑法.成交量进程时间假设；成交量；收盘价；一问题重述中国股市上证指数数据为例，选取2011年1月到2012年12月的数据，分析以下问题：1、对中国股市上证指数在该时间段（2011.1—2012.12）的走势情况做出定量的综合评价，并按照你划定的时期分析各个时期的发展状况。
2、依照2012年12月以前的主要统计数据，对中国股市上证指数股票市场的发展趋势做出预测分析，并利用中国股市上证指数12月以后的统计数据验证你的模型。
3、对于股票价格的研究，传统的股价研究方法是按照均匀日历时间间隔采样，即假定股价是基于均匀的日历时间间隔推进的。
但后期的研究者研究表明：成交量影响股票收益率的自相关性、互自相关性和惯性效应。
股价的变化与市场上的信息有很大的关系，实证表明：股价的调整并不是以均匀的日历时间进程推进的，它有自己独立的时间推进进程。
后期的大多数研究者将成交量作为金融或宏观经济事件的信息量的一种度量方法，这大大推动了股价的以成交量推进的实证和理论的研究。
试建立成交量推进进程下的股价模型，并进一步分析所建立的模型的有效性和可行性。
二问题分析关于问题一：根据上海股票市场在该段时间内综合指数历史交易，以市场布林线算法确定股市涨跌震荡强弱并据此划分时期,。
并建立不同时期的多指标模糊综合评价模型。
关于问题二：通过对2011年11月到2012年12月上海交易所综合股价指数变化趋势的分析, 可以看出上海证券交易所上证指数走势曲线存在非线性趋势, 因此采用三次指数平滑方法进行对其滤波处理, 消除其中的跳点和拐点, 以获得更有规律性的数据, 然后对滤波后的数据用三次指数平滑方法。
关于问题三：传统的股价分析都是建立在以日历时间为基础的固件数据上，但事实上股价不是完全跟随绝对的日历时间而变化的，比如信息的快速传播就有可能会导致股价在很短的时间巨变，所以基于这种数据的分析是不完善的，股价的变化有着它自己的经济学周期。
我们引入成交量进程时间来描述这一周期。
通过分析成交量与收盘价的相关性，得出成交量进程下的股价变化趋势，并且用2012年12以后的成交量与对应的收盘价验证模型的合理性。
三模型假设1 未来的行情由现在的行情决定2 股市仅受股市平均市盈率，经济增长数据，人民银行公布和调整存货利率与国家公布的宏观经济数据CPI影响。
3.股市受股市信息的影响，成交量发生变化，进而有股价的变化，在成交量进程时间内股价与成交量有相关性。
四符号说明本文采用以下符号, 特此说明其含义:lij 表示第i 股在第j 天的最低价;hij 表示第i 股在第j 天的最高价;aij 表示第i 股在第j 天的收盘价;Zij 表示第i 股在第j 天的销售总量;$Mj 表示第j 天的收益.五模型建立与求解5.1 问题一先用布林线算法[ 1]确定股市涨跌震荡强弱并据此划分时期, 为此记其中MA 表示N日内的平均上证指数, Ci 表示第i 天的上证指数, MD 表示N日内的上证指数标准差.根据公式(5), 对上海股市在2011年1月至2012年12月时间段内的上证指数进行分析, 作出布林线图, 并据此划分为以下五个时期如下表1 时期划分时间主要趋势2011.01-2011．03 平稳期2011.04-2011.08 过度期2011.09-2012.02 开口喇叭期2012.03-2012.07 收口喇叭期2012.08-2012.12 紧口喇叭期据此对各个时期走势情况进行综合评价: 在平稳期, 股指一路持续平缓, 稳中求进, 略有上升, 表现好; 过度期, 股价处于缓慢的变化当中, 表现一般; 开口喇叭期, 股价处于短期大幅拉升行情之中,各种股票表现情况很好; 收口喇叭期, 形成于股价经过短期的大幅拉升后, 面临着向下变盘时所出现的一种时期, 在此时期股价处于短期大幅下跌的行情之中, 各种股票表现不好; 紧口喇叭期, 形成于股价经过长期大幅下跌之后, 处于长期调整的行情当中, 各种股票表现不太好。
通过对2011年1月到2012年12月上海交易所综合股价指数变化趋势的分析, 可以看出上海证券交易所上证指数走势曲线存在非线性趋势, 因此采用三次指数平滑方法进行对其滤波处理, 消除其中的跳点和拐点, 以获得更有规律性的数据, 然后对滤波后的数据用三次指数平滑方法[ 3]进行预测. 三次指数平滑线性预测模型为:其中yT 为在时间T的观测值, 8(0< 8< 1) 是加权系数, S( 1)T , S（ 2)T , S( 3)T 分别为一次, 二次, 三次指数平滑值(取8= 0. 1).根据文[ 4] 中的方法来确定其中的平滑系数, 然后以上海股票市场在2008年12月2日至12月6日的股市行情为例来具体说明该模型的预测结果.表2 三次指数平滑法预测值( Ω = 0. 1) 计算表时间序号t 实际收盘上预测值Yt 预测误差预测相对证指数Yt 误差（%）2012/12/3 1 1977.25 1975.36 -0.14 - 0.1282012/12/4 2 1956.62 1950.03 -3.51 -1.9732012/12/5 3 1973.11 1962.01 -11.10 -2.5422012/12/6 4 2029.56 2026.53 -3.02 -0.981从预测效果来看, 预测平均绝对误差为9. 004,预测相对误差最大为2.542%, 最小为0.128%, 说明预测效果比较满意.1.成交量进行时间的假设传统的股价序列都是按照均匀的时间间隔采样和进行分析的，但实际上股价的变化并不是根据均匀的日历时间进行的，而是根据交易的进行而变化的，它有自己的经济周期，这就是我们所说的成交量进程时间假设。
基于此，提出根据交易量进程建立模型。
2.成交量时间进程假设的数学刻画在成交进程时间假设下，令成交进程时间刻度为，日历时间刻度为t，日历时间与成交量进程时间的转化式：=g(t)。
假设日历时间点观察到的变量表示成ξ（g(t)）,可观察到的离散日历时间变量y，表达成y=ξ（g（t））。
则称Δg(t)=g(t)-g(t-1)为对应日历时间（t-1）到t这短时间内的交易进程时间长度，称Δg(t)为成交量进程时间函数。
通常假设Δg(t)满足一下条件：（1）Δg(t)不依赖于将来的y值；（2）成交量进程时间和日历时间以相同方向推进，0Δg(t)<,（3）)g(t)可辨识，特别的，线性转换函数是不合适的，因为时间线性转换只是对日历时间重新标定，如把季度转换成年。
（4）一般令g（0）=0研究中令其均值为1，即Δg(t)=1，样一个单位的成交量进程时间平均对应于一个单位的日历时间。
（5）为了方便，可视转化函数为连续函数。
在成交量进程假设下，记：Δg(t)=f（t，Vol），其中Vol为t时刻的成交量。
上式给出了成交量与假设成交量进程时间的隐含关系。
满足以上条件的函数有很多，不同的Δg(t)对应不同的时间进程假设。
特别的当Δg(t)=1时就是传统的时间日历假设。
根据下图我们讨论一下Vol与收盘价的相关性：图一和图二分别是在299个交易运行日内对应的日期对应的成交量和收盘价。
比较两图可知成交量与日期，股价与日期对应的隐函数变化趋势相似，这就说明成交量与股价有相关性，并且相关性较高，呈正相关。
呈现量升价涨的一般趋势，并且有明显的量比价先行。
由此我们可以得出股价随成交量进程时间的变化规律，也就在成交量进程下股价的变化规律。
六模型的评价6.1 模型的优缺点1.优点分析：对于问题二：算法简单，结果正确，在短期内比较精准。
对于问题三：根据图，易直观得出成交量与股价的关系。
2.缺点分析：对于问题二：计算过于简单，涉及的股市影响因素较少，结果不太准确。
不适用于长期预测。
对于问题三：题目数据过于简单，不容易扩展。
不是一个普适公式。
对于量增价平或量减价等都不适用。
七参考文献[1] 邓传海. 布林线原理及其运用[J]. 统计与决策.2001,135(3) :25- 26.[2] 庄锁法. 基于层次分析法的综合评价模型[ J] . 合肥工业大学学报. 2000,23(4): 582- 586.[3] 翁东东. 关于指数平滑法的改进及在股市中的应用[ J].临沧教育学院学报. 2006,15( 1) :88- 91.[4] 张德南, 张心艳.指数平滑预测法中平滑系数的确定[ J].大连铁道学院学报. 2004,25( 1) :79- 80.[5] 庾建设,云天铨, 郭志明.计算证券理论[ M] .北京: 科学出版社, 2008:176- 181.[6] 吴冲锋，吴文锋.基于成交量的股价序列分析.系统工程理论方法应用，2001,(1):1-7.[7] /view/a5bbfc20dd36a32d73758100.html2013年12月1日12点[8]/view/a5bbfc20dd36a32d73758100.html2013年12月1日13点八附录附录1：2012年3月26日至2012年12月6日：时间开盘最高最低收盘2012/03/26 2349.09 2358 2339.14 2350.6 2012/03/27 2358.55 2363.77 2344.3 2347.18 2012/03/28 2341 2341.42 2281.43 2284.88 2012/03/29 2276.74 2280.96 2242.35 2252.16 2012/03/30 2256.04 2266.21 2246.25 2262.79 2012/04/05 2258.03 2303.82 2251.39 2302.24 2012/04/06 2299.06 2309.64 2291.56 2306.55 2012/04/09 2300.05 2304.65 2284.44 2285.78 2012/04/10 2281.02 2306.39 2258.85 2305.86 2012/04/11 2286.72 2319.05 2280.04 2308.93 2012/04/12 2310.48 2351.06 2307.84 2350.86 2012/04/13 2351.51 2369.7 2346.94 2359.16 2012/04/16 2346.31 2364.11 2342.199 2357.03 2012/04/17 2355.37 2363.01 2333.34 2334.99 2012/04/18 2341.14 2383.64 2337.86 2380.85 2012/04/19 2378.63 2386.98 2369.46 2378.63 2012/04/20 2374.66 2407.29 2372.13 2406.86 2012/04/23 2403.52 2411.51 2383.07 2388.59 2012/04/24 2380.24 2415.75 2350.399 2388.83 2012/04/25 2382.209 2411.419 2376.629 2406.81 2012/04/26 2408.56 2414.75 2393.26 2404.699 2012/04/27 2402.429 2408.419 2393.869 2396.319 2012/05/02 2421.079 2446.349 2407.789 2438.439 2012/05/03 2433.589 2441.949 2427.729 2440.079 2012/05/04 2437.469 2453.729 2427.969 2452.009 2012/05/07 2441.759 2451.949 2432.739 2451.949 2012/05/08 2451.579 2451.599 2431.029 2448.879 2012/05/09 2432.469 2432.469 2407.509 2408.589 2012/05/10 2409.949 2419.119 2402.199 2410.229 2012/05/11 2406.07 2415.979 2393.38 2394.979 2012/05/14 2408.26 2411.27 2377.979 2380.729 2012/05/15 2367.08 2376.59 2354.61 2374.84 2012/05/16 2369.3 2372.03 2344.5 2346.189 2012/05/17 2347.179 2383.309 2342.349 2378.889 2012/05/18 2364.899 2369.599 2338.24 2344.52 2012/05/21 2343.58 2360.39 2330.33 2348.3 2012/05/22 2355.729 2374.06 2354.869 2373.31 2012/05/23 2369.26 2378.08 2350.55 2363.439 2012/05/24 2359.679 2373.059 2344.579 2350.9692012/05/25 2350.54 2355.81 2327.41 2333.55 2012/05/28 2325.32 2361.74 2309.07 2361.37 2012/05/29 2361 2393.28 2358.37 2389.639 2012/05/30 2385.389 2391.689 2378.129 2384.669 2012/05/31 2370.01 2382.99 2362.31 2372.229 2012/06/01 2373.219 2388.09 2365.439 2373.439 2012/06/04 2346.979 2348.199 2308.229 2308.55 2012/06/05 2313.74 2323.3 2304.05 2311.919 2012/06/06 2315.559 2323.109 2301.029 2309.549 2012/06/07 2324.669 2328.669 2288.669 2293.129 2012/06/08 2306.219 2306.879 2276.709 2281.449 2012/06/11 2282.889 2311.769 2278.159 2305.859 2012/06/12 2295.069 2298.949 2280.949 2289.789 2012/06/13 2289.709 2319.709 2284.649 2318.919 2012/06/14 2306.779 2314.579 2293.059 2295.949 2012/06/15 2299.779 2314.239 2283.399 2306.849 2012/06/18 2313.529 2325.049 2309.709 2316.049 2012/06/19 2313.459 2313.459 2298.389 2300.789 2012/06/20 2300.409 2304.459 2291.539 2292.879 2012/06/21 2288.449 2288.449 2253.79 2260.879 2012/06/25 2253.509 2253.509 2223.049 2224.109 2012/06/26 2214.649 2229.24 2203.939 2222.069 2012/06/27 2219.939 2233.54 2213.319 2216.929 2012/06/28 2220.24 2224.159 2195.36 2195.84 2012/06/29 2190.58 2226.49 2188.719 2225.43 2012/07/02 2234.32 2234.87 2215.36 2226.11 2012/07/03 2225.57 2244.83 2219.05 2229.19 2012/07/04 2233.33 2239.27 2219.45 2227.31 2012/07/05 2218.219 2218.219 2192.649 2201.349 2012/07/06 2203.729 2227.469 2185.519 2223.579 2012/07/09 2210.709 2216.699 2168.609 2170.809 2012/07/10 2166.949 2178.199 2156.729 2164.439 2012/07/11 2160.019 2176.489 2156.599 2175.379 2012/07/12 2172.059 2197.039 2152.679 2185.489 2012/07/13 2180.169 2198.659 2177.919 2185.899 2012/07/16 2187.889 2188.059 2146.149 2147.959 2012/07/17 2142.429 2165.329 2141.479 2161.189 2012/07/18 2159.859 2170.299 2138.789 2169.099 2012/07/19 2164.269 2197.789 2159.939 2184.839 2012/07/20 2180.009 2185.729 2162.059 2168.639 2012/07/23 2154.169 2154.169 2135.559 2141.399 2012/07/24 2132.319 2158.949 2131.009 2146.589 2012/07/25 2141.039 2151.449 2132.829 2136.149 2012/07/26 2134.989 2147.659 2124.159 2125.9992012/07/27 2132.009 2139.149 2120.629 2128.759 2012/07/30 2128.159 2137.739 2107.629 2109.909 2012/07/31 2109.319 2116.899 2100.249 2103.629 2012/08/01 2101.719 2130.709 2101.709 2123.359 2012/08/02 2120.149 2126.459 2103.499 2111.179 2012/08/03 2113.959 2133.269 2108.329 2132.799 2012/08/06 2129.149 2158.679 2127.259 2154.919 2012/08/07 2153.089 2159.679 2148.899 2157.619 2012/08/08 2158.979 2168.729 2153.019 2160.989 2012/08/09 2159.429 2175.539 2148.689 2174.099 2012/08/10 2172.959 2176.789 2165.279 2168.809 2012/08/13 2164.039 2164.039 2134.549 2136.079 2012/08/14 2137.049 2144.009 2119.249 2142.519 2012/08/15 2138.279 2139.139 2118.499 2118.949 2012/08/16 2116.079 2122.679 2109.659 2112.199 2012/08/17 2111.649 2120.709 2100.789 2114.889 2012/08/20 2102.229 2110.779 2089.019 2106.959 2012/08/21 2106.379 2124.199 2103.069 2118.269 2012/08/22 2118.879 2121.149 2097.609 2107.709 2012/08/23 2106.959 2118.739 2097.079 2113.069 2012/08/24 2108.359 2109.819 2089.219 2092.099 2012/08/27 2085.369 2085.369 2055.379 2055.709 2012/08/28 2054.969 2083.959 2052.49 2073.149 2012/08/29 2066.819 2073.949 2051.769 2053.239 2012/08/30 2044.029 2060.189 2032.539 2052.579 2012/08/31 2046.289 2059.299 2044.649 2047.519 2012/09/03 2044.819 2066.779 2041.159 2059.149 2012/09/04 2060.609 2063.819 2039.269 2043.649 2012/09/05 2038.869 2048.319 2029.049 2037.679 2012/09/06 2040.669 2052.949 2036.369 2051.919 2012/09/07 2062.99 2145 2062.99 2127.76 2012/09/10 2128.06 2140.17 2120.49 2134.89 2012/09/11 2127.52 2127.52 2107.219 2120.55 2012/09/12 2129.689 2137.889 2109.139 2126.55 2012/09/13 2123.84 2130.08 2110 2110.38 2012/09/14 2127.39 2136.23 2111.12 2123.85 2012/09/17 2120.62 2121.58 2077.48 2078.5 2012/09/18 2069.34 2074.76 2053.66 2059.54 2012/09/19 2061.06 2069.949 2055.199 2067.83 2012/09/20 2060.31 2060.31 2023.08 2024.84 2012/09/21 2020.55 2041.95 2018.26 2026.69 2012/09/24 2015.77 2040.849 2005.26 2033.19 2012/09/25 2028.63 2039.099 2021.81 2029.29 2012/09/26 2027.859 2033.04 1999.479 2004.172012/09/27 2003.1 2068.07 2002.32 2056.32 2012/09/28 2042.89 2089.63 2040.349 2086.169 2012/10/08 2084.849 2096.259 2063.089 2074.419 2012/10/09 2081.589 2119.339 2081.589 2115.229 2012/10/10 2111.589 2121.989 2102.529 2119.939 2012/10/11 2114.229 2117.84 2101.139 2102.869 2012/10/12 2109.069 2127.309 2092.509 2104.929 2012/10/15 2105.02 2107.199 2085.12 2098.699 2012/10/16 2097.05 2111.78 2089.699 2098.81 2012/10/17 2104.28 2113.159 2088.04 2105.62 2012/10/18 2108.5 2137.689 2107.49 2131.689 2012/10/19 2129.819 2136.869 2125.739 2128.299 2012/10/22 2118.519 2138.029 2112.749 2132.759 2012/10/23 2132.109 2136.219 2111.919 2114.449 2012/10/24 2106.829 2123.999 2104.669 2115.989 2012/10/25 2114.759 2128.739 2100.609 2101.579 2012/10/26 2100.099 2102.159 2058.059 2066.209 2012/10/29 2061.849 2068.239 2053.089 2058.939 2012/10/30 2059.199 2075.909 2054.26 2062.349 2012/10/31 2061.119 2070.479 2053.579 2068.879 2012/11/01 2070.019 2109.499 2069.949 2104.429 2012/11/02 2105.449 2119.219 2096.529 2117.049 2012/11/05 2113.329 2123.329 2104.579 2114.029 2012/11/06 2113.659 2114.789 2078.469 2105.999 2012/11/07 2102.419 2112.629 2093.289 2105.729 2012/11/08 2091.249 2092.559 2070.649 2071.509 2012/11/09 2066.499 2077.229 2062.419 2069.069 2012/11/12 2069.209 2079.569 2061.839 2079.269 2012/11/13 2078.129 2078.129 2044.039 2047.889 2012/11/14 2047.259 2056.49 2040.169 2055.419 2012/11/15 2045.459 2053.56 2029.87 2030.289 2012/11/16 2026.559 2028.689 2001.719 2014.729 2012/11/19 2013.25 2018.38 1995.719 2016.979 2012/11/20 2020.429 2023.609 2004.169 2008.919 2012/11/21 2008.209 2031.149 1995.169 2030.319 2012/11/22 2021.209 2023.079 2009.719 2015.609 2012/11/23 2020.02 2034.88 2017 2027.38 2012/11/26 2023.339 2027.27 2014.029 2017.459 2012/11/27 2012.069 2014.209 1990.339 1991.169 2012/11/28 1984.479 1984.859 1968.209 1973.52 2012/11/29 1972.93 1980.56 1961.82 1963.49 2012/11/30 1961.81 1983.42 1959.33 1980.12 2012/12/03 1977.25 1988.19 1957.88 1959.77 2012/12/04 1956.62 1980.12 1949.46 1975.142012/12/05 1973.11 2040.6 1970.2 2031.91 2012/12/06 2029.56 2036.61 2018.38 2029.24 附录2:2013年1月至10月日期开盘点位最高点位最低点位收盘点位涨跌涨跌幅（%）开始日累计涨跌开始日累计涨跌幅（%）成交量（万股）2013-1-4 2,289.51 2,296.11 2,256.56 2,276.99 7.86 0.35 7.86 0.35 1,394,699.31 2013-1-7 2,271.66 2,293.32 2,266.86 2,285.36 8.37 0.37 16.24 0.72 1,181,628.13 2013-1-8 2,284.65 2,289.14 2,262.98 2,276.07 -9.29 -0.41 6.94 0.31 1,229,078.77 2013-1-9 2,271.30 2,283.90 2,259.05 2,275.34 -0.73 -0.03 6.21 0.27 1,220,149.24 2013-1-10 2,274.38 2,295.48 2,268.65 2,283.66 8.32 0.37 14.53 0.64 1,200,666.76 2013-1-11 2,285.19 2,290.21 2,234.95 2,243.00 -40.66 -1.78 -26.13 -1.15 1,250,682.75 2013-1-14 2,236.29 2,317.62 2,235.11 2,311.74 68.74 3.06 42.61 1.88 1,447,498.89 2013-1-15 2,312.47 2,332.78 2,309.32 2,325.68 13.94 0.6 56.55 2.49 1,656,459.81 2013-1-16 2,322.16 2,326.76 2,279.51 2,309.50 -16.18 -0.7 40.37 1.78 1,535,111.67 2013-1-17 2,305.14 2,305.60 2,275.88 2,284.91 -24.59 -1.06 15.78 0.7 1,191,018.35 2013-1-18 2,295.81 2,324.51 2,285.97 2,317.07 32.16 1.41 47.94 2.11 1,254,380.26 2013-1-21 2,321.49 2,329.58 2,305.10 2,328.22 11.15 0.48 59.09 2.6 1,346,804.58 2013-1-22 2,326.49 2,335.81 2,301.30 2,315.14 -13.08 -0.56 46.01 2.03 1,494,665.84 2013-1-23 2,308.52 2,325.12 2,296.49 2,320.91 5.77 0.25 51.78 2.28 1,181,797.22 2013-1-24 2,320.26 2,362.94 2,287.30 2,302.60 -18.31 -0.79 33.47 1.48 1,610,316.74 2013-1-25 2,300.00 2,308.38 2,288.26 2,291.30 -11.29 -0.49 22.18 0.98 926,057.41 2013-1-28 2,295.35 2,346.92 2,295.35 2,346.51 55.2 2.41 77.38 3.41 1,283,837.60 2013-1-29 2,347.22 2,363.80 2,337.35 2,358.98 12.47 0.53 89.85 3.96 1,418,539.34 2013-1-30 2,360.75 2,383.76 2,347.89 2,382.48 23.5 1 113.35 5 1,498,789.07 2013-1-31 2,383.43 2,391.82 2,371.23 2,385.42 2.95 0.12 116.29 5.13 1,397,078.92 2013-2-1 2,377.41 2,421.15 2,369.57 2,419.02 33.6 1.41 149.89 6.61 1,408,181.72 2013-2-4 2,425.92 2,440.38 2,417.59 2,428.15 9.13 0.38 159.03 7.01 1,675,514.02 2013-2-5 2,411.00 2,437.42 2,403.30 2,433.13 4.98 0.2 164 7.23 1,507,545.05 2013-2-6 2,432.68 2,441.73 2,427.70 2,434.48 1.35 0.06 165.35 7.29 1,165,799.66 2013-2-7 2,430.69 2,433.89 2,394.22 2,418.53 -15.95 -0.66 149.4 6.58 1,200,086.34 2013-2-8 2,416.62 2,443.03 2,414.40 2,432.40 13.87 0.57 163.27 7.2 1,090,703.86 2013-2-18 2,441.91 2,444.80 2,415.43 2,421.56 -10.84 -0.45 152.43 6.72 1,161,749.94 2013-2-19 2,420.27 2,427.08 2,373.54 2,382.91 -38.64 -1.6 113.79 5.01 1,234,733.34 2013-2-20 2,383.49 2,397.94 2,370.61 2,397.18 14.26 0.6 128.05 5.64 1,102,805.77 2013-2-21 2,378.82 2,378.82 2,309.17 2,325.95 -71.23 -2.97 56.82 2.5 1,440,594.78 2013-2-22 2,322.94 2,330.88 2,308.76 2,314.16 -11.79 -0.51 45.04 1.98 969,818.28 2013-2-25 2,320.62 2,338.78 2,315.01 2,325.82 11.65 0.5 56.69 2.5 883,673.74 2013-2-26 2,313.74 2,340.71 2,289.89 2,293.34 -32.48 -1.4 24.21 1.07 1,176,386.67 2013-2-27 2,297.77 2,324.63 2,292.03 2,313.22 19.88 0.87 44.09 1.94 978,248.87 2013-2-28 2,322.32 2,366.16 2,308.92 2,365.59 52.37 2.26 96.46 4.25 1,269,504.94 2013-3-1 2,364.54 2,369.65 2,330.86 2,359.51 -6.09 -0.26 90.38 3.98 1,203,127.52 2013-3-4 2,332.08 2,333.54 2,259.25 2,273.40 -86.1 -3.65 4.28 0.19 1,617,500.252013-3-5 2,274.81 2,328.14 2,270.10 2,326.31 52.9 2.33 57.18 2.52 1,311,365.98 2013-3-6 2,333.62 2,351.44 2,321.60 2,347.18 20.87 0.9 78.05 3.44 1,413,336.92 2013-3-7 2,340.44 2,352.02 2,304.27 2,324.29 -22.89 -0.98 55.17 2.43 1,397,563.48 2013-3-8 2,326.42 2,333.67 2,314.59 2,318.61 -5.68 -0.24 49.48 2.18 987,941.48 2013-3-11 2,314.68 2,320.96 2,296.58 2,310.59 -8.02 -0.35 41.46 1.83 841,119.03 2013-3-12 2,309.16 2,333.29 2,264.83 2,286.61 -23.99 -1.04 17.48 0.77 1,176,644.56 2013-3-13 2,282.17 2,286.33 2,253.25 2,263.97 -22.64 -0.99 -5.16 -0.23 909,727.88 2013-3-14 2,255.78 2,276.22 2,253.31 2,270.28 6.31 0.28 1.15 0.05 802,940.86 2013-3-15 2,269.32 2,312.08 2,250.01 2,278.40 8.12 0.36 9.27 0.41 1,164,778.13 2013-3-18 2,267.29 2,276.05 2,239.21 2,240.02 -38.38 -1.68 -29.11 -1.28 931,227.72 2013-3-19 2,244.27 2,261.31 2,232.02 2,257.43 17.42 0.78 -11.69 -0.52 875,821.05 2013-3-20 2,257.74 2,317.86 2,257.42 2,317.37 59.94 2.66 48.25 2.13 1,312,412.84 2013-3-21 2,318.21 2,330.81 2,311.60 2,324.24 6.87 0.3 55.11 2.43 1,192,009.10 2013-3-22 2,321.40 2,332.00 2,314.97 2,328.28 4.04 0.17 59.15 2.61 1,011,672.99 2013-3-25 2,334.74 2,344.89 2,319.91 2,326.72 -1.56 -0.07 57.59 2.54 970,315.26 2013-3-26 2,318.58 2,319.99 2,281.12 2,297.67 -29.05 -1.25 28.54 1.26 1,044,490.15 2013-3-27 2,299.38 2,323.48 2,289.00 2,301.26 3.59 0.16 32.13 1.42 963,311.95 2013-3-28 2,273.55 2,273.55 2,232.91 2,236.30 -64.96 -2.82 -32.83 -1.45 1,276,586.98 2013-3-29 2,238.49 2,246.87 2,228.81 2,236.62 0.32 0.01 -32.51 -1.43 855,654.73 2013-4-1 2,229.46 2,243.95 2,227.31 2,234.40 -2.23 -0.1 -34.73 -1.53 774,117.74 2013-4-2 2,234.90 2,253.42 2,220.44 2,227.74 -6.66 -0.3 -41.39 -1.82 897,143.23 2013-4-3 2,232.69 2,241.34 2,217.25 2,225.30 -2.44 -0.11 -43.83 -1.93 817,952.67 2013-4-8 2,196.24 2,212.59 2,180.67 2,211.59 -13.7 -0.62 -57.54 -2.54 862,574.70 2013-4-9 2,215.47 2,234.73 2,215.47 2,225.78 14.18 0.64 -43.35 -1.91 828,965.44 2013-4-10 2,224.93 2,233.04 2,212.56 2,226.13 0.35 0.02 -43 -1.9 806,196.21 2013-4-11 2,236.98 2,242.48 2,217.27 2,219.55 -6.57 -0.3 -49.58 -2.18 736,327.04 2013-4-12 2,218.10 2,226.26 2,204.44 2,206.78 -12.77 -0.58 -62.35 -2.75 668,463.40 2013-4-15 2,199.91 2,204.99 2,177.39 2,181.94 -24.84 -1.13 -87.19 -3.84 716,323.23 2013-4-16 2,169.63 2,196.43 2,165.78 2,194.85 12.9 0.59 -74.28 -3.27 799,921.78 2013-4-17 2,195.03 2,197.51 2,178.47 2,193.80 -1.05 -0.05 -75.33 -3.32 683,141.81 2013-4-18 2,181.82 2,206.03 2,175.44 2,197.60 3.81 0.17 -71.53 -3.15 716,169.27 2013-4-19 2,201.12 2,250.11 2,200.58 2,244.64 47.04 2.14 -24.49 -1.08 1,096,605.56 2013-4-22 2,236.40 2,245.12 2,232.26 2,242.17 -2.47 -0.11 -26.96 -1.19 952,337.30 2013-4-23 2,242.62 2,242.62 2,182.81 2,184.54 -57.63 -2.57 -84.59 -3.73 965,413.15 2013-4-24 2,187.35 2,226.12 2,184.11 2,218.32 33.78 1.55 -50.81 -2.24 916,002.61 2013-4-25 2,213.19 2,224.63 2,191.85 2,199.31 -19.01 -0.86 -69.82 -3.08 967,041.88 2013-4-26 2,203.89 2,210.58 2,173.86 2,177.91 -21.4 -0.97 -91.22 -4.02 766,739.70 2013-5-2 2,170.78 2,179.65 2,161.14 2,174.12 -3.79 -0.17 -95.01 -4.19 683,379.36 2013-5-3 2,179.05 2,222.81 2,179.05 2,205.50 31.37 1.44 -63.63 -2.8 885,834.64 2013-5-6 2,212.50 2,236.07 2,212.50 2,231.17 25.67 1.16 -37.96 -1.67 922,681.46 2013-5-7 2,227.86 2,240.26 2,219.44 2,235.58 4.41 0.2 -33.55 -1.48 864,523.56 2013-5-8 2,242.39 2,255.21 2,235.42 2,246.30 10.73 0.48 -22.83 -1.01 903,719.33 2013-5-9 2,246.96 2,247.86 2,221.38 2,232.97 -13.33 -0.59 -36.16 -1.59 985,316.37 2013-5-10 2,228.82 2,247.67 2,225.81 2,246.83 13.86 0.62 -22.3 -0.98 903,354.762013-5-13 2,247.68 2,250.85 2,231.36 2,241.92 -4.91 -0.22 -27.21 -1.2 862,112.24 2013-5-14 2,238.90 2,239.93 2,205.87 2,217.01 -24.91 -1.11 -52.12 -2.3 832,449.75 2013-5-15 2,217.09 2,225.19 2,213.58 2,224.80 7.79 0.35 -44.33 -1.95 717,228.93 2013-5-16 2,221.34 2,252.87 2,210.77 2,251.81 27.01 1.21 -17.32 -0.76 1,102,843.76 2013-5-17 2,249.81 2,288.09 2,248.41 2,282.87 31.06 1.38 13.74 0.61 1,261,260.06 2013-5-20 2,286.33 2,309.39 2,281.90 2,299.99 17.12 0.75 30.86 1.36 1,391,505.14 2013-5-21 2,297.11 2,305.30 2,290.12 2,305.11 5.13 0.22 35.99 1.59 1,241,731.76 2013-5-22 2,303.75 2,314.18 2,292.43 2,302.40 -2.71 -0.12 33.27 1.47 1,283,600.26 2013-5-23 2,293.81 2,304.95 2,274.10 2,275.67 -26.74 -1.16 6.54 0.29 1,240,198.44 2013-5-24 2,281.45 2,292.60 2,270.25 2,288.53 12.87 0.57 19.4 0.86 1,014,412.13 2013-5-27 2,286.66 2,301.70 2,283.94 2,293.08 4.54 0.2 23.95 1.06 1,073,250.61 2013-5-28 2,293.40 2,322.10 2,281.47 2,321.32 28.24 1.23 52.19 2.3 1,326,329.95 2013-5-29 2,323.54 2,334.34 2,321.17 2,324.02 2.7 0.12 54.89 2.42 1,252,507.29 2013-5-30 2,316.25 2,325.72 2,310.49 2,317.75 -6.27 -0.27 48.62 2.14 1,119,130.32 2013-5-31 2,320.74 2,325.53 2,299.37 2,300.60 -17.15 -0.74 31.47 1.39 1,081,625.54 2013-6-3 2,300.21 2,313.43 2,294.11 2,299.25 -1.34 -0.06 30.12 1.33 968,828.14 2013-6-4 2,297.10 2,297.10 2,264.76 2,272.42 -26.84 -1.17 3.29 0.14 1,018,958.18 2013-6-5 2,270.71 2,276.87 2,260.87 2,270.93 -1.49 -0.07 1.8 0.08 764,833.03 2013-6-6 2,264.43 2,266.69 2,240.07 2,242.11 -28.82 -1.27 -27.02 -1.19 815,386.94 2013-6-7 2,242.26 2,250.63 2,205.07 2,210.90 -31.21 -1.39 -58.23 -2.57 899,780.77 2013-6-13 2,190.10 2,190.10 2,126.22 2,148.36 -62.54 -2.83 -120.77 -5.32 943,710.94 2013-6-14 2,150.06 2,163.85 2,142.78 2,162.04 13.69 0.64 -107.09 -4.72 778,574.72 2013-6-17 2,165.99 2,169.36 2,147.03 2,156.22 -5.83 -0.27 -112.91 -4.98 757,577.90 2013-6-18 2,158.55 2,161.68 2,138.35 2,159.29 3.08 0.14 -109.84 -4.84 696,322.71 2013-6-19 2,150.82 2,150.82 2,115.79 2,143.45 -15.84 -0.73 -125.67 -5.54 754,250.16 2013-6-20 2,132.81 2,132.81 2,082.83 2,084.02 -59.43 -2.77 -185.11 -8.16 777,879.30 2013-6-21 2,058.98 2,085.86 2,042.88 2,073.10 -10.93 -0.52 -196.03 -8.64 796,732.24 2013-6-24 2,068.86 2,068.86 1,958.40 1,963.24 -109.86 -5.3 -305.89 -13.48 1,091,982.15 2013-6-25 1,948.32 1,963.57 1,849.65 1,959.51 -3.73 -0.19 -309.62 -13.64 1,381,585.16 2013-6-26 1,954.47 1,959.16 1,922.82 1,951.50 -8.01 -0.41 -317.63 -14 1,011,925.27 2013-6-27 1,955.13 1,980.54 1,942.37 1,950.01 -1.48 -0.08 -319.12 -14.06 1,058,133.18 2013-6-28 1,935.52 1,987.98 1,925.65 1,979.21 29.19 1.5 -289.92 -12.78 1,007,379.68 2013-7-1 1,965.99 1,995.92 1,957.57 1,995.24 16.04 0.81 -273.89 -12.07 780,513.93 2013-7-2 1,992.89 2,007.62 1,978.43 2,006.56 11.32 0.57 -262.57 -11.57 864,154.18 2013-7-3 1,996.51 1,996.54 1,965.52 1,994.27 -12.29 -0.61 -274.86 -12.11 934,664.71 2013-7-4 1,982.87 2,022.14 1,974.10 2,006.10 11.83 0.59 -263.03 -11.59 1,003,941.83 2013-7-5 2,006.19 2,021.54 2,002.37 2,007.20 1.1 0.05 -261.93 -11.54 913,452.22 2013-7-8 1,983.22 1,983.22 1,953.12 1,958.27 -48.93 -2.44 -310.86 -13.7 841,364.91 2013-7-9 1,953.60 1,969.15 1,946.37 1,965.45 7.18 0.37 -303.67 -13.38 645,387.33 2013-7-10 1,962.84 2,009.36 1,960.28 2,008.13 42.67 2.17 -261 -11.5 897,979.81 2013-7-11 2,011.02 2,092.87 2,010.40 2,072.99 64.87 3.23 -196.14 -8.64 1,599,707.73 2013-7-12 2,068.04 2,074.86 2,036.05 2,039.49 -33.5 -1.62 -229.64 -10.12 1,211,741.75 2013-7-15 2,046.12 2,076.67 2,037.25 2,059.39 19.9 0.98 -209.74 -9.24 1,014,703.57 2013-7-16 2,054.60 2,066.36 2,038.54 2,065.72 6.33 0.31 -203.41 -8.96 967,373.992013-7-17 2,061.19 2,075.81 2,043.23 2,044.92 -20.8 -1.01 -224.21 -9.88 1,032,513.21 2013-7-18 2,038.40 2,043.37 2,016.90 2,023.40 -21.53 -1.05 -245.73 -10.83 921,320.49 2013-7-19 2,025.32 2,035.22 1,990.25 1,992.65 -30.75 -1.52 -276.48 -12.18 1,045,775.71 2013-7-22 1,977.73 2,005.47 1,970.64 2,004.76 12.11 0.61 -264.37 -11.65 829,221.90 2013-7-23 2,008.96 2,051.53 2,005.09 2,043.88 39.11 1.95 -225.25 -9.93 1,095,173.60 2013-7-24 2,035.69 2,042.77 2,010.42 2,033.33 -10.55 -0.52 -235.8 -10.39 1,066,557.79 2013-7-25 2,037.34 2,045.37 2,016.43 2,021.17 -12.16 -0.6 -247.95 -10.93 985,453.66 2013-7-26 2,013.19 2,021.57 2,000.80 2,010.85 -10.32 -0.51 -258.28 -11.38 738,004.29 2013-7-29 1,997.84 1,997.84 1,969.85 1,976.31 -34.54 -1.72 -292.82 -12.9 786,832.74 2013-7-30 1,981.45 2,006.23 1,965.36 1,990.06 13.76 0.7 -279.06 -12.3 772,197.84 2013-7-31 2,000.79 2,015.47 1,987.88 1,993.80 3.73 0.19 -275.33 -12.13 701,606.03 2013-8-1 2,000.82 2,029.93 1,997.06 2,029.07 35.27 1.77 -240.06 -10.58 912,566.86 2013-8-2 2,039.51 2,047.08 2,025.65 2,029.42 0.35 0.02 -239.71 -10.56 935,927.67 2013-8-5 2,031.72 2,050.91 2,025.23 2,050.48 21.06 1.04 -218.65 -9.64 855,179.68 2013-8-6 2,043.65 2,066.74 2,034.96 2,060.50 10.02 0.49 -208.63 -9.19 1,055,809.75 2013-8-7 2,056.37 2,069.56 2,043.75 2,046.78 -13.72 -0.67 -222.35 -9.8 1,077,125.94 2013-8-8 2,044.44 2,058.56 2,037.25 2,044.90 -1.88 -0.09 -224.23 -9.88 841,332.90 2013-8-9 2,052.24 2,061.71 2,030.13 2,052.24 7.34 0.36 -216.89 -9.56 953,164.23 2013-8-12 2,058.42 2,102.35 2,055.72 2,101.28 49.05 2.39 -167.85 -7.4 1,351,289.74 2013-8-13 2,101.32 2,106.40 2,093.80 2,106.16 4.87 0.23 -162.97 -7.18 1,177,088.75 2013-8-14 2,109.23 2,122.97 2,093.04 2,100.14 -6.02 -0.29 -168.99 -7.45 1,144,378.02 2013-8-15 2,099.28 2,108.41 2,079.97 2,081.88 -18.26 -0.87 -187.25 -8.25 993,966.56 2013-8-16 2,075.98 2,198.85 2,061.65 2,068.45 -13.43 -0.64 -200.68 -8.84 1,530,633.26 2013-8-19 2,055.13 2,091.13 2,052.70 2,085.60 17.15 0.83 -183.53 -8.09 974,467.83 2013-8-20 2,081.97 2,098.98 2,066.07 2,072.60 -13.01 -0.62 -196.53 -8.66 1,073,817.73 2013-8-21 2,076.27 2,076.32 2,056.91 2,072.96 0.37 0.02 -196.17 -8.65 874,459.91 2013-8-22 2,069.31 2,083.33 2,062.37 2,067.12 -5.84 -0.28 -202 -8.9 909,283.07 2013-8-23 2,075.93 2,079.85 2,029.37 2,057.46 -9.67 -0.47 -211.67 -9.33 1,124,263.51 2013-8-26 2,061.42 2,097.34 2,056.13 2,096.47 39.02 1.9 -172.65 -7.61 1,199,326.52 2013-8-27 2,095.44 2,105.38 2,090.43 2,103.57 7.09 0.34 -165.56 -7.3 1,263,419.66 2013-8-28 2,092.31 2,113.82 2,080.86 2,101.30 -2.27 -0.11 -167.83 -7.4 1,613,920.26 2013-8-29 2,108.44 2,110.89 2,088.24 2,097.23 -4.07 -0.19 -171.9 -7.58 1,332,682.19 2013-8-30 2,097.22 2,114.39 2,089.10 2,098.38 1.16 0.06 -170.75 -7.52 1,700,756.49 2013-9-2 2,104.09 2,108.68 2,078.46 2,098.45 0.07 0 -170.68 -7.52 1,491,585.24 2013-9-3 2,100.45 2,123.85 2,095.46 2,123.11 24.66 1.18 -146.02 -6.43 1,388,931.75 2013-9-4 2,121.68 2,133.00 2,115.75 2,127.62 4.51 0.21 -141.51 -6.24 1,420,003.86 2013-9-5 2,125.26 2,127.86 2,115.24 2,122.43 -5.19 -0.24 -146.7 -6.46 1,265,441.04 2013-9-6 2,119.33 2,143.24 2,119.02 2,139.99 17.56 0.83 -129.14 -5.69 1,432,606.60 2013-9-9 2,151.35 2,218.53 2,151.35 2,212.52 72.52 3.39 -56.61 -2.49 2,194,270.86 2013-9-10 2,214.81 2,238.55 2,202.82 2,237.98 25.47 1.15 -31.14 -1.37 2,372,066.49 2013-9-11 2,244.96 2,258.08 2,233.00 2,241.27 3.28 0.15 -27.86 -1.23 2,443,494.55 2013-9-12 2,236.17 2,270.27 2,226.29 2,255.61 14.34 0.64 -13.52 -0.6 2,097,151.10 2013-9-13 2,251.46 2,259.42 2,228.48 2,236.22 -19.39 -0.86 -32.91 -1.45 1,719,842.29 2013-9-16 2,244.46 2,248.47 2,226.17 2,231.40 -4.82 -0.22 -37.73 -1.66 1,548,840.202013-9-17 2,230.39 2,230.93 2,184.92 2,185.56 -45.84 -2.05 -83.57 -3.68 1,545,425.55 2013-9-18 2,185.94 2,195.90 2,172.04 2,191.85 6.29 0.29 -77.28 -3.41 1,151,118.87 2013-9-23 2,199.36 2,223.07 2,198.34 2,221.04 29.19 1.33 -48.08 -2.12 1,331,748.58 2013-9-24 2,219.47 2,219.54 2,187.24 2,207.53 -13.51 -0.61 -61.6 -2.71 1,604,150.55 2013-9-25 2,206.23 2,217.97 2,193.72 2,198.52 -9.02 -0.41 -70.61 -3.11 1,602,127.62 2013-9-26 2,192.23 2,192.23 2,154.72 2,155.81 -42.71 -1.94 -113.32 -4.99 1,404,153.46 2013-9-27 2,150.96 2,165.78 2,149.59 2,160.03 4.22 0.2 -109.1 -4.81 1,054,017.88 2013-9-30 2,167.73 2,176.30 2,165.16 2,174.67 14.64 0.68 -94.46 -4.16 928,100.81 2013-10-8 2,171.90 2,200.02 2,161.49 2,198.20 23.53 1.08 -70.93 -3.13 1,267,102.03 2013-10-9 2,191.39 2,212.35 2,185.18 2,211.77 13.57 0.62 -57.36 -2.53 1,308,717.37 2013-10-10 2,214.41 2,214.59 2,186.48 2,190.93 -20.84 -0.94 -78.2 -3.45 1,497,758.96 2013-10-11 2,201.41 2,228.87 2,200.53 2,228.15 37.22 1.7 -40.98 -1.81 1,568,921.76 2013-10-14 2,232.22 2,242.98 2,226.40 2,237.77 9.63 0.43 -31.36 -1.38 1,659,833.86 2013-10-15 2,237.93 2,240.25 2,221.14 2,233.41 -4.36 -0.19 -35.72 -1.57 1,537,228.25 2013-10-16 2,228.11 2,228.11 2,183.40 2,193.07 -40.34 -1.81 -76.05 -3.35 1,546,386.37 2013-10-17 2,201.71 2,211.03 2,183.25 2,188.54 -4.53 -0.21 -80.59 -3.55 1,267,679.44 2013-10-18 2,188.71 2,203.29 2,184.36 2,193.78 5.24 0.24 -75.35 -3.32 1,037,246.31 2013-10-21 2,198.11 2,230.29 2,190.39 2,229.24 35.46 1.62 -39.89 -1.76 1,366,944.08 2013-10-22 2,227.34 2,227.34 2,204.24 2,210.65 -18.59 -0.83 -58.48 -2.58 1,491,328.31 2013-10-23 2,213.27 2,226.85 2,177.73 2,183.11 -27.55 -1.25 -86.02 -3.79 1,463,470.90 2013-10-24 2,178.82 2,183.41 2,159.87 2,164.32 -18.78 -0.86 -104.81 -4.62 1,030,089.53 2013-10-25 2,163.69 2,170.61 2,122.68 2,132.96 -31.37 -1.45 -136.17 -6 1,139,245.20 2013-10-28 2,135.88 2,140.96 2,123.07 2,133.87 0.91 0.04 -135.26 -5.96 884,013.22 2013-10-29 2,135.23 2,163.66 2,093.20 2,128.86 -5.01 -0.23 -140.26 -6.18 1,430,928.11 2013-10-30 2,126.69 2,161.94 2,121.84 2,160.46 31.6 1.48 -108.67 -4.79 1,196,433.62 2013-10-31 2,155.51 2,155.51 2,137.47 2,141.61 -18.85 -0.87 -127.51 -5.62 1,080,630.20 2013-11-1 2,139.88 2,157.31 2,132.63 2,149.56 7.95 0.37 -119.57 -5.27 891,184.77 2013-11-4 2,156.09 2,160.58 2,143.21 2,149.63 0.07 0 -119.49 -5.27 761,479.41 2013-11-5 2,139.84 2,158.15 2,124.85 2,157.24 7.61 0.35 -111.89 -4.93 919,000.31 2013-11-6 2,149.39 2,166.17 2,138.78 2,139.61 -17.63 -0.82 -129.52 -5.71 1,004,873.44 2013-11-7 2,136.63 2,141.60 2,119.19 2,129.40 -10.21 -0.48 -139.73 -6.16 818,426.10 2013-11-8 2,120.92 2,128.58 2,103.51 2,106.13 -23.27 -1.09 -163 -7.18 830,968.59。