极限学习机集成在肿瘤分类中的应用

提出一种基于数据集分割的极限学习机集成算法——DS-E-ELM.该算法主要包含以下3个步骤:首先,将数据集分成互不相关的κ个子集,选择κ一1个子集组合成一个训练集,这样可以得到κ个不同的数据集;然后将新得到的κ个数据集利用极限学习机训练得到κ个分类器;最后对κ个分类器预测得到的结果通过多数投票的方法决定预测结果.通过对6个肿瘤数据集的实验证明,DS-E-ELM与单独的ELM、Bagging、Boosting等算法相比,具有更高的分类精度,且稳定性更好.     

金融传染的非线性动力学研究——基于非线性相互依赖性和支持向量机混合算法

国际间金融市场一体化的不断深入,尤其是美国次贷危机引起的全球金融风暴,使得金融传染对我国金融市场的威胁日益显著。本文运用非线性相互依赖性与支持向量机混合算法,研究上证综合指数,深证成份股指数以及香港恒生指数之间相互影响的情况。通过计算每两个市场指数之间的非线性相互可预测测度,发现每对市场指数之间都存在着很强的非线性相互依赖性,并发现上证指数和深证成指受恒生指数的影响更大一些,该结果将有助于对金融传染的进一步研究及采取针对措施。     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

中国股票市场风险的实证分析研究

本文从实证角度说明了上证指数和深证成份指数存在着GARCH现象 ,并建立了沪、深两市股指波动率的IGARCH(1,1) M模型与EGARCH(1,1) M模型。将估计的IGARCH(1,1) M模型与EGARCH(1,1) M模型比较得出 ,对上证指数的波动率 ,IGARCH(1,1) M模型与EGARCH(1,1) M模型的模拟效果基本相同 ,而对深证成份指数的波动率 ,IGARCH M模型要略优于EGARCH M模型。同时还对两市的股指收益的波动率进行了预测分析     

基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

基于信息增益和Bagging集成学习算法的个人信用评估模型研究

机器算法中存在许多不同类型和方式的运行模式,而在诸多算法之中,集成学习的算法是一种基于统计理论以计算机实现的良好机器学习方法.阐述了集成学习的基本思想和实现步骤,运用Bagging集成学习算法试图建立一个个人信用评估模型,以期取得更好的预测结果.运用信息增益法筛选指标,采用V折交叉确认法,利用UCI的信用数据对单个分类器、Bagging集成分类器模型的分类精度和稳健性进行试验比较.结果表明,Bagging-决策树有效的提高了样本的精确性,在个人信用评估的分析中占有较强的优势.     

基于投资者情绪的股票价格及成交量预测研究

基于新浪微博2014年数据,运用情感分析技术构建情绪指数,考察了投资者情绪与股票市场指数的相关性及其预测能力,并通过加入百度指数平台获取的搜索指数,考察了两种指数共同作用的影响.研究结果表明,搜索指数与创业板指收盘价及交易量均呈正相关,情绪指数与创业板指收盘价及交易量均呈负相关:情绪指数对股票价格有预测作用,仅短期影响显著,对股票交易量预测作用不显著;搜索指数对交易量的预测有显著作用,但无法提升股价的预测精准度:当两种指数同时作用时,股价预测精准度得到较大的提升,交易量未能达到预期的改善.研究证明网络信息中蕴含的有效信息可以有助于预测包括股价、成交量在内的市场变量,有助于投资者更好的利用网络中的有效信息进行金融决策行为.     

非参数核密度估计与Copula

本文提出非参数核密度估计-ML方法来估计Copula函数中的未知参数;再由统计检验推断得到能较好描述金融资产之间非线性相关结构的Copula。实证分析表明:可以利用Clayton Copula、Gumbel Copula来描述A股市场上证指数与深证成指之间的非线性相关结构.     

基于RS-Bag分类器集成技术的上市公司财务危机预测

财务危机预测是金融管理决策中的重要问题,其实质是对未来财务状况的预报和分类。鉴于目前单一分类器预测性能不稳定,本文运用分类器集成技术,以BP神经网络为分类学习算法,建立基于RS-Bag算法的神经网络分类器集成模型。然后,以我国上市公司财务数据为例进行财务危机预测实证研究,结果表明,基于RS-Bag算法的神经网络分类器集成预测精度和泛化性能优于单一神经网络分类器,也优于Bagging分类器集成和RS分类器集成。     

深证成指周收益率波动性的实证研究

利用GARCH模型,对深圳成分指数的周收益率波动性进行了实证研究。以深证成指周收盘数据建立了GARCH模型,利用估计出的GARCH模型得到深证成指周收益率序列的条件方差的估计值,预测出深证成指周收益率序列未来若干期的条件方差。结果表明,深证成指周收益率序列的波动性可以用GARCH模型进行很好的拟合。