基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

基于小波去噪和WNN-ARIMA组合模型的年径流预测

为解决单一的小波神经网络预测精度不高的问题,提出一种新的基于小波去噪和WNN-ARIMA组合模型,应用小波阈值去噪法对小波神经网络的输入值进行预处理,同时对模型残差值进行ARIMA模型修正.利用该组合模型对洮河流域下巴沟站年径流量进行预测,预测趋势和预测值与原始实测数据吻合度高,表明此组合模型可靠性强,可以有效预测年径...     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

时间序列预处理与信息噪声之间的关系研究——基于离散小波变换和ARIMA模型

时间序列的噪声等预处理是数据挖掘及建模过程中重要的一步,对系统分析与预测具有重要意义.基于改良的离散小波变换方法,以2009年5月14日至2019年5月14日为时间范围,以上证指数高频收益率日数据、低频收盘价日数据为实验样本进行去噪预处理,对比四类参数取不同值时的性能表现,并通过ARIMA模型验证预测效果.时间序列预处理与噪声之间不存在矛盾关系,小波方法适当消噪后也可以保留有用信息,提高了分析与预测的正确率.通过研究时间序列预处理与信息噪声之间的关系,期望可以为金融时序的深度挖掘、预测提供一定的指导意见.     

基于模糊聚类分析的小波神经网络模型在径流预测中的应用

提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集类别变量特征值与观测值之间的局部预测模型,并设计了特征值分类识别器,自动搜寻相适应的局部网络模型进行预测.通过西南某水库2011年日平均入库来流的计算实例对简单小波神经网络预测模型和所建的基于FCM与小波神经网络的预测模型进行了比较,结果较为满意.     

高频视角下中国股市动态VaR预测模型研究

如何充分挖掘交易数据中有价值的信息对金融风险管理极其重要,现有研究中基于低频波动模型的风险测度方法几乎已经做到了极致,而能达到的预测效果却并不稳健,对高频波动模型的研究相对比较匮乏。那么高频模型能否从高频数据中挖掘出更有价值的信息以便用于风险管理之中呢？本研究通过建立12个低频和9个高频波动模型对上证综指进行样本外动态VaR的滚动预测发现,高频模型相对于低频模型具有更好的稳定性,并且在多数情况下高频模型优于低频模型;多头与空头的风险预测效果具有显著差异,多头风险在高风险情况下高频模型表现出色,低风险情况下并不理想,空头风险则在所有情况下都表现较好。     

一种结合小波模极大值法和Canny算子的目标提取方法

针对基于小波变换的目标提取中忽略低频子图像的一些重要信息的问题.提出了一种基于小波变换的模极大值法和Canny算子的目标提取方法.在小波域中,通过求解局部小波系数模型的极大值点提取(检测)高频边缘,利用Canny算子提取(检测)低频边缘.然后根据融合规则对两个子图像边缘进行融合.实验结果表明,该方法不仅能有效地增强图像边缘,而且能准确地定位图像边缘.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

MIDAS类模型的估计及其应用研究

根据MIDAS类模型的不同形式及内部结构,推导出了MIDAS类模型的非线性最小二乘估计方法的具体过程,并以此分析了高频月度PMI对低频季度GDP的预测能力及作用路径.实证结果表明:MIDAS模型类模型能够提取更多高频变量PMI的月度数据信息,当滞后阶数变动到18阶时,U-AR(1)-MIDAS模型拟合效果及样本内预测精度表现最优.     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先，基于百度指数获得碳交易相关非结构性数据，并利用主成分分析(PCA)方法提取其主成分。其次，对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后，自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后，基于BP神经网络等对三种分解方法的预测值分层集成，得到碳价格最终预测结果。对比实验结果显示，上述组合预测方法充分利用了多源信息，预测精度高且适用性良好。     

城市道路短时交通流量预测

结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.     

非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法及其应用

提出非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法.首先利用Mallat算法对非平稳时间序列进行小波分解;然后采用能量阈值选择策略对高频系数进行处理,并将其与低频系数进行小波重构;最后运用改进的GM(1,1)方法预测.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果证明,该方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于小波变换的组合预测模型在南京市GDP预测中的应用

随着南京经济的快速发展,产业结构逐步优化,南京市三次产业未来发展趋势如何?对南京市2000-2015年的GDP数值进行小波变换,对变换后的高频信息用AR模型进行预测,对低频信息用新陈代谢GM(1,1)模型进行预测,两种预测结果组合后可知"十三五"期间南京市GDP及三次产业产值.结果表明,组合模型预测精度更高.在对计算结果进行分析的基础上,科学探讨产业结构转型的路径与对策,旨在给决策部门提供参考.     

基于APC和GPS数据的青奥会期间南京公共交通的调度与优化

为了得到青奥会期间南京市合理有效的公交调度方案,本文针对青奥会场馆、运动员村、旅游点等附近的南京公共交通线路,建立模型与算法.首先,通过APC数据与GPS数据的匹配,对客流数据进行站点匹配预处理,根据已有客流量数据,训练小波神经网络,从而对客流分布情况进行预测,然后基于客流预测结果,采用有序聚类法,实现客流高低峰时段的合理划分.其次,详细分析调度问题的关键所在,以时段总发车次数和乘客等待时间两个因素作为目标函数,将时段最大、最小发车间隔和满载率等作为约束条件,提出基于APC和GPS的公交车辆辅助调度模型,通过遗传算法对模型进行求解,得出不同时段的发车间隔和配车次数,并对模型的性能进行评估.以南京市D7路公交运营线路的实际客流数据为例,采用MATLAB软件进行仿真实验,得出优化结果.结果表明所建模型是合理的,从而为调度时刻表的生成提供了科学的依据.     

小波分析方法在金融股票数据预测中的应用

利用小波分析预测方法对金融数据—股票收盘价这一典型的非平稳时间序列进行预测.使用M a llat小波分解算法对数据进行分解,对分解后的数据进行平滑处理,然后再进行重构,而重构之后的数据就成为近似意义的平稳时间序列,这样就得到了原始数据的近似信号,再应用传统时间序列预测方法对重构后的数据进行预测,将预测结果与实际值,以及和传统预测方法预测结果比较,小波分析方法预测效果更为理想.     

基于多元Hamacher-ANFIS的股票价格预测

应用减法-模糊聚类算法、多元Hamacher算子以及自适应神经模糊推理系统(ANFIS)提出了一种中国股票市场价格建模及预测的多元Hamacher-ANFIS模型.首先多元Hamacher算子与ANFIS相结合,对ANFIS种各规则的隶属度测度机制和规则参数更新机制进行了修正,建立基于减法-模糊聚类的多元HamacherANIFS模型;再从沪深两市各选取了总市值最大的5支股票,计算出它们在同一时间段的历史波动率,并以此为依据得到模型对该股票预测性能的权重;最后运用减法-模糊聚类算法初始化模型参数,对每个数据组进行5重交叉检验,并根据之前得到的权重计算出模型关于检验集的综合R2值.实验结果证明,与现有方法相比,该模型增强了对复杂目标函数的学习能力,提高了对股票价格的预测精度.     

小波神经网络模型预测二氧化碳+水溶液体系界面张力

二氧化碳+水溶液体系界面张力(IFT)是影响地层中气水两相运移特性的重要参数之一,对二氧化碳捕集、埋存至关重要.为了快速准确地确定二氧化碳+水溶液体系IFT,对已有IFT实验结果进行了统计整理,得到了1 677组样本数据,考虑了压力,温度,气体中甲烷、氮气含量,水溶液中一价阳离子(Na+,K+)浓度、二价阳离子(Ca2+,Mg2+)浓度6个因素对IFT的影响,建立了小波神经网络（WNN）预测模型对二氧化碳+水溶液体系IFT进行预测.模拟结果表明,随机选取839组数据作为训练集样本,得到的小波神经网络结构为6-16-1,该模型预测IFT的平均绝对误差(M_MAE)、平均相对误差(M_MARE)、方差(M_MSE)和相关度(R2)分别为1.23 mN/m,3.30%,2.30 mN2/m2,0.988.与最新提出的多元拟合模型和BP神经网络模型对比结果表明,小波神经网络模型预测精度最高.     

大额资产清仓的自动化交易策略

市场的机构投资者经常需要清仓手中持有的大额资产, 因此清仓的交易策略成为了关心的问题. 以工商银行的股票为例,给出适用于计算机执行的自动化清仓策略. 首先将高频的工商银行股票历史数据在每个交易日分别划分出48个交易期, 将问题简化为处理每个交易日交易期的数据. 在此基础上, 综合考虑用神经网络模拟预测清仓时股票价格随时间下降的风险和用信息流理论模型衡量的价格冲击和交易时刻, 并通过优化模型得到清仓持续的交易日天数. 此后, 再制定出每个交易日的具体自动化交易策略.在制定日内交易策略 时, 首先用神经网络对交易时刻做出预测, 然后综合考虑使用 VWAP 预测出的交易量和通过 Kalman 滤波方法修正过的期权定价公式预测出的各时刻股票的初始价格, 最终给出详细的交易策略及交易的成本.     

基于非线性混沌时序动力系统的预测方法研究

主要研究由混沌时序所确定的非线性动力系统的预测方法．研究了非线性自相关混沌模型的结构,模型阶数的确立技术．将神经网络和小波理论相结合,研究了小波变换神经网络的结构,给出了小波神经网络的学习方法;提出了一种新的基于小波网络的参数辨识方法．该方法可以有选择地提取时序中的不同的时间、频率尺度,实现原时序的趋势或细节预测．通过对混沌时序进行预处理,并比较预处理后的预测结果,得到了一些有益的结果:用非线性自相关混沌模型采用小波网络对模型参数进行辨识,其辨识的准确程度较高,用该模型对混沌时序(包括含有噪声)的预测比较有效．