基于ARIMA模型与神经网络模型的股价预测

了解并掌握股价运行的规律是许多投资者和学者所关注的领域,采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测,并对比了两模型的预测精度,结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果.     

基于小波分析的ARIMA模型对上证指数的分析与预测

股票价格的预测一直受到广泛关注,其预测方法虽然很多,但是往往存在预测精度有限、容易陷入局部极小等问题.为了提高股票价格预测的准确性,提出了基于小波分析的A砒MA模型的股票价格预测方法,同时利用该方法对上证指数收盘价的月平均值进行实例分析,并与其他方法的预测结果进行了比较,结果表明了提出方法的有效性.     

基于ARIMA和BP神经网络组合模型的能源消费预测

在单一的ARIMA模型预测的基础上,提出了一种基于ARIMA模型和BP神经网络组合模型,并以广西区1981至2016年的能源消费数据为例,结果表明组合模型的预测精度要优于单一的模型,故利用组合模型对广西区未来能源消费的预测更加有效.     

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.     

ARIMA模型在深圳GDP预测中的应用

对1979至2006年深圳国内生产总值进行了分析,建立了ARIMA(1,2,2)模型,检验结果表明该模型具有较好的预测效果,可为深圳制定经济发展目标提供决策参考.     

ARIMA模型在医院季节性时序资料预测中的应用

通过分析医院时间序列资料的变动规律，本文找出了其共同的特点（如趋势增长或下降季节变化）和共性中的特点（高峰值的不同周期）。由于时间序列是由： Ｘ（ｔ） ＝Ｔ（ｔ）＋Ｓ（ｔ） ＋ｅ（ｔ）的成分构成，具有较明显的周期变化、增减趋势和季节波动，故医院季节性时间序列资料大都为非平稳时间序列，本文给出平稳化的步骤。预测具体方法和结果。     

ARIMA模型在新疆巴州梅毒疫情预测中的应用

搜集2008-2014年新疆巴音郭楞蒙古自治州(简称巴州)梅毒月发病数据,采用时间序列分解方法(Time Series Decomposition methods)探讨该地区梅毒月发病率的季节性,建立ARIMA(0,1,1)(1,0,1)_(12)时间序列模型,模型预测值的动态趋势与实际发病率基本吻合,平均绝对百分比误差MAPE=17.36,具有较高的预测精度,可以较好的预测短期内梅毒的变化趋势,为梅毒的预防控制措施提供可靠依据.     

基于ARIMA模型的中国天然气消费量预测与分析

天然气作为一种清洁能源,对优化能源消费结构、发展低碳经济起着重要作用.对我国天然气消费量进行预测,有助于制定天然气行业的产业政策,促进其健康有序的发展.利用ARIMA(1,1,5)模型对我国天然气消费进行了预测,结果表明天然气消费增速将近一步加大,到2015天然气消费量将是2012年的近两倍,对外依存度将达到40%.建议应该加快非常规天然气的开发,加快天然气基础设施建设,尽快完成天然气价格形成机制改革,控制天然气消费的无序增长.     

ARIMA模型在京津冀区域手足口病发病趋势预测中的应用

本文以时间序列理论为基础,建立了乘积季节ARIMA预测模型。由于手足口病具有明显的季节性,且其发病潜伏期一般为3-7天,因此本文以周为时间尺度,即定义季节周期为53周,探讨了季节性乘积模型在手足口病发病趋势预测中的应用,并通过AIC和BIC信息准则确定最优模型。通过2009-2013年京津冀区域手足口病监测数据实证了季节性ARIMA(p,d,q)×(P,D,Q)53模型的预测效果。结果显示,该模型对手足口病高发时间的发病数预测效果较好,预测发病趋势与实际发病趋势相一致。     

基于ARIMA与信息粒化SVR组合的股指预测研究

对于证券市场投资者而言,基于合理假设准确预测资产价格未来发展方向与趋势关乎投资成败。本文通过构建一个基于ARIMA与信息粒化SVR的组合预测模型,对股票市场指数价格和收益变化的趋势进行预测。实证研究结果表明：基于ARIMA与信息粒化SVR组合的股指预测模型相较于传统时间序列模型而言,在预测精度和效度方面有较大提升,能够在一定时间周期内对股票等风险资产的价格波动区间进行较为可靠地预测,但目前还只能大致确定时间序列波动的区间范围而不能精确地预测具体点位。未来仍需结合其他预测模型和预判技术进一步深入研究,以有效提升股指趋势预测的准确性和实际指导性。     

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。     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征,使得建模和预测变得极其困难.提出一种组合预测方法,即假定任何金融时序数据由线性和非线性两部分组成,将其中线性部分的数据通过随机游走(RW)模型进行模拟,剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知,该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.     

神经网络在复杂自相关预测过程中的应用及对比研究

由于PM_(2.5)日均浓度值受外界多重复杂因素的影响,其较强的自相关性使得时间序列模型ARIMA构建难以实现,因此,给出高映射能力的非线性神经网络预测模型,并分别建立基于BP神经网络和GRNN神经网络的预测模型,进行PM_(2.5)浓度预测实验.结果表明,BP神经网络回检过程和检测过程存在不稳定性,预测残差波动较大,而GRNN神经网络检测残差呈完全U型,回检过程和检测过程较稳定,并且GRNN神经网络回检数据拟合度、预测数据精度和运算速度均优于BP神经网络,建模过程更为方便,易于实际应用.     

基于小波神经网络的天然水体溶解氧预测研究

建立基于小波神经网络的预测模型,以不同时间滞差和影响因子组合作为输入变量,对海河流域四个监测断面的溶解氧浓度进行短期预测.结果表明,基于溶解氧历史数据的小波神经网络预测模型精度更高,可用于天然水体的水质预测,为水质管理提供更客观的参考和依据.     

最优组合预测模型的构建及其应用研究

由于证券价格是随机游走的,在证券定价研究中RBF神经网络模型、灰色GM（1,1）模型、ARIMA模型不具备时效性,通过对上述三个模型进行综合分析,结合三者中有用的信息集合,构建一个最优组合预测模型．在此基础上选取了深发展A在2007年全年的收盘价作为研究样本对这四个模型进行实证研究,研究结果发现,最优组合预测方法对证券价格进行预测具有很好的预测精度和很高的可靠性．