基于改进灰色模型和ARMA模型的股指预测研究（2010年）

简介：
本研究结合改进灰色模型与ARMA模型，提出一种新的股票指数预测方法。通过优化参数及数据处理技术，提升了预测精度和可靠性，在实证分析中表现出色。 现有的GM-ARMA模型存在两个主要问题：一是由于基础的GM(1,1)模型并非最优，导致组合后的GM-ARMA模型也未能达到最佳效果；二是该模型没有妥善结合两种子模型的特点，这也影响了其整体性能。为了解决这些问题，首先通过引入数据维度参数和白化背景值系数来优化原始的GM(1,1)模型，并进一步调整ARMA模型中的P、Q两个关键参数以改进整个GM-ARMA框架。新的改良版本被命名为修订版的GM-ARMA (RGM-ARMA) 模型。通过实例验证，发现RGM-ARMA模型相较于传统的ARIMA模型具有更低的误差水平。