机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析

机器学习在人工智能领域取得了巨大的成就,在学界和业界都掀起了机器学习的热潮.针对股指期货交易速度快、交易频率高和交易量巨大且交易数据具有高纬、时序的特征,构建了新的股指期货量化投资模型,采用沪深300股指期货1分钟高频数据作为研究对象.并对比分析了神经网络、支持向量机和XGBoost对股指期货下1分钟价格的变动方向的预测能力.研究结果表明,三种机器学习方法都具有较好的预测能力,但XGBoost的预测能力要优于传统的神经网络和支持向量机.     

基于机器学习组合模型的疟疾发病率预测研究

由于疟疾传播的复杂性,运用发病率历史数据和现有时间序列模型难以准确预测其发病率趋势.拟建立一种新的组合模型,以提高模型预测性能,并将其与应用较广泛的组合模型ARIMA-NNAR,ARIMA-LSTM进行比较.其中,以ARIMA(1,1,2)(0,1,0)12为基础建立的ARIMA-NNAR-XGBoost加权组合模型,...     

BP神经网络在期货价格预测中的应用

影响期货价格短期走势的因素纷繁复杂,具有一定的非线性和随机性,因而难于预测.鉴于神经网络强大的非线性映射能力,利用改进的BP网络,对较难解决的期货价格预测问题进行了研究,提出了一种预测期货价格的方法,并以期货铝的价格为例验证了此方法的有效性.     

BP神经网络在农机总动力预测中的应用

准确的预测黑龙江省农机总动力,可为黑龙江省的农业机械化发展趋势和农机产品市场分析提供理论指导,为制定黑龙江省农业机械化发展规划和预测近阶段农业机械化发展水平提供参考依据.利用黑龙江省1980-2007年农机总动力数据,运用标准BP神经网络和改进BP神经网络模型进行预测,预测结果表明,改进BP神经网络模型比标准BP神经网络模型在预测精度、运行时间、学习次数等方面更具优越性.     

BP神经网络在肝硬化治疗预测中的应用

本文利用BP神经网络建立起66例肝硬化治疗结果数据预测模型,并基于matlab得出预测结果。实验证明利用BP神经网络可有效地预测肝病治疗效果。     

BP神经网络在上海住宅市场需求预测中的应用

人工神经网络是近期发展最快的人工智能领域研究成果之一 ,本文在介绍 BP神经网络的有关原理的基础上 ,建立了一个上海住宅市场的 BP神经网络模型 ,并通过该模型对上海住宅市场的需求进行了预测和分析 .分析结果表明人工神经网络方法在住宅市场需求预测中的应用是可行的并且是有效的 .     

基于地铁施工事故案例的机器学习灾害预测方法

针对城市轨道交通施工事故的频繁发生,建立了基于地铁施工事故案例的机器学习灾害预测模型.通过收集过往地铁施工事故案例建立数据集,引入天气气象、水文地质、周边环境、施工因素等外部风险源做为特征,分析决策树、随机森林、SVM、XGBoost等灾害预测模型对施工事故的预测能力.结果 表明经过网格搜索后XGBoost的预测效果明...     

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.     

混沌粒子群神经网络在上证指数预测中的应用

上证指数预测是一个非常复杂的非线性问题,为了提高对上证指数预测的准确性,本文采用基于混沌粒子群(CPSO)算法对BP神经网络算法改进的方法来进行预测.BP神经网络算法目前已经应用到预测、聚类、分类等许多领域,取得了不少的成果.但自身也有明显的缺点,比如易陷入局部极小值、收敛速度慢等.用混沌粒子群算法改进BP神经网络算法的基本思想是用混沌粒子群算法优化BP神经网络算法的权值和阈值,在粒子群算法中加入混沌元素,提高粒子群算法的全局搜索能力.对上证指数预测的结果表明改进后的预测方法,具有更好的准确性.     

基于物理经验模型约束的机器学习方法在页岩油产量预测中的应用

页岩油气产量预测是确定其开发经济性的重要手段,目前的产量预测研究很少能在物理模型与数据挖掘方法之间达到统一.针对页岩油气的产量分析,本研究深入结合误差反向传递（BP）神经网络和长短期记忆（LSTM）神经网络的数学方法优势,综合考虑工程经验模型的约束,改善了模型预测精度,经过实例数据训练后可较好地预测油田产量,并研究了页岩储层深度、总有机碳含量（TOC）、脆性度等油田参数对产量预测的影响规律.这项工作可以为页岩油气规模化开发提供可靠的产量预测和经济评价.     

机器学习方法在储层分类中的应用

油气田开发中有效储层和非有效储层的样本点存在混合带时,两类储层的划分是一个难点问题.从统计学上来看,其本质是一个含噪声的小样本二分类问题,可以采用机器学习方法,充分挖掘有试油成果的样本点的数据信息.分别利用线性判别分析、支持向量机、多层感知机神经网络建立储层分类模型,利用10次10折交叉验证法进行模型评估与优选,并利用全部样本点建立了有效的储层分类模型,最后将模型推广应用到样本分布的三种不同情形.结果表明,线性支持向量机模型具有最好的分类效果和很强的泛化能力,对于区分有效储层和非有效储层是有效的,可以在油气田开发中进行推广.     

基于α-混合序列的学习机器一致收敛速率的界

Vapnik,Cucker和Smale已经证明了,当样本的数目趋于无限时,基于独立同分布序列学习机器的经验风险会一致收敛到它的期望风险.本文把这些基于独立同分布序列的结果推广到了α-混合序列,应用Markov不等式得到了基于α-混合序列的学习机器一致收敛速率的界.     

机器学习中的最优化模型与对偶

数学最优化是以数学的方式来刻画和找出问题最优解的一门学科.机器学习利用数据构造预测方法,并对这些方法进行研究.介绍了机器学习中与支持向量机和稀疏重构相关的最优化模型.在此基础上,给出了三个典型最优化模型的对偶问题,并详细地讨论了对偶在求解这些问题中的应用.     

基于$\alpha$\,-混合序列的学习机器一致收敛速率的界

Vapnik, Cucker和Smale已经证明了, 当样本的数目趋于无限时, 基于独立同分布序列学习机器的经验 风险会一致收敛到它的期望风险\bd 本文把这些基于独立同分布序列的结果推广到了$\alpha$\,-混合序列, 应用Markov不等式得到了基于$\alpha$\,-混合序列的学习机器一致收敛速率的界     

基于Elman网络预测汇率短期发展趋势

采用神经网络Elman网络模型对汇率进行预测.处理过程对样本序列进行了分类,并对训练与测试样本进行了残差分析.预测结果表明:该方法对汇率涨落方向的预测准确度达到74.54%,对汇率预测值与实际值之间的偏差略为偏大的情况,并分析了产生误差的原因.     

Permutation Polyhedra and Minimisation of the Variance of Completion Times on a Single Machine

We consider the problem of minimising variance of completion times when n-jobs are to be processed on a single machine. This problem is known as the CTV problem. The problem has been shown to be difficult. In this paper we consider the polytope P _n whose vertices are in one-to-one correspondence with the n! permutations of the processing times [p ₁, p ₂, ..., p _n]. Thus each vertex of P _n represents a sequence in which the n-jobs can be processed. We define a V-shaped local optimal solution to the CTV problem to be the V-shaped sequence of jobs corresponding to which the variance of completion times is smaller than for all the sequences adjacent to it on P _n. We show that this local solution dominates V-shaped feasible solutions of the order of 2 ^n–3 where 2 ^n–2 is the total number of V-shaped feasible solutions.Using adjacency structure an P _n, we develop a heuristic for the CTV problem which has a running time of low polynomial order, which is exact for n 10, and whose domination number is (2 ^n–3). In the end we mention two other classes of scheduling problems for which also ADJACENT provides solutions with the same domination number as for the CTV problem.     

最小化总完工时间与分批费用之和的有界分批排序问题

考虑了当每分一批均产生固定费用、批容量有界且为固定值b、加工不允许中断抢先.所有工件在零时刻到达时的单机平行分批排序问题.目标是最小化总完工时间与分批费用之和.利用动态规划方法给出了多项式时间算法,时间界为O(n~(b(b-1))).     

基于机器学习的智能TWAP和VWAP算法的研究及应用

TWAP与VWAP算法为两类较常见的经典交易算法.传统的VWAP算法在TWAP算法的基础上,大多使用预测日内成交量分布的方法指导算法下单.传统成交量分布的预测效果严重依赖于市场交易惯性,但交易量分布受到日内诸多突发因素的影响,导致算法对市场突发状况的应对能力较弱.本文对传统TWAP与VWAP算法进行改进,利用滚动的1分钟粒度高频实时资金博弈数据,基于Logistic分类器训练量价模型,以该预测结果为入参构建最优化期望执行均价模型,求出当下各个价格档位对应委托数量的最优解.通过相对高频的分钟级价格预测机制,保证算法实时跟踪市场行情走势并寻求相对优势的交易机会.该算法经测试可以稳定地跑赢市场均价,具备推广应用的可行性.     

基于限制玻尔兹曼机的极限学习机方法

针对高维数据中存在冗余以及极限学习机(ELM)存在随机给定权值导致算法性能不稳定等问题,将限制玻尔兹曼机(RBM)与ELM相结合提出了基于限制玻尔兹曼机优化的极限学习机算法(RBM-ELM).通过限制玻尔兹曼机对原始数据进行特征降维的同时,得到ELM输入层权值和隐含层偏置的优化参数.实验结果表明,相比较随机森林,逻辑回归,支持向量机和极限学习机四种机器学习算法,RBM-ELM算法能获得较高的分类精度.     

A Note on Single Machine Scheduling with Coefficient of Completion Time Variation Minimization

1.IntroductionGivenasetN~{1,2,...,n},n>1,ofindependentandsimultaneouslyavailablejobswhicharetobeprocessednonpreemptivelyonasinglemachine,jobirequiresapositiveprocessingtimepiandisassignedapositiveweightfi,iEN.Let11bethesetofn!possiblepermutationsofintegers1,2,...,n,and7~{[l],[2]!...I[n]}E11beajobsequencewhichdenotesthatjob[k]isthekthjobtobeprocessedonthemachine.Assumethatthemachinestratstoprocessthefirstjobattimezero.TheproblemistofindajobsequenceT*E11tominimizewhereC[i]isthecompletiontime…