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.     

基于神经网络的期货预测数据预处理问题研究

期货预测研究在期货价格数据预处理和预测方法上存在直接套用原始数据代入模型以及价格预测模型和原始数据模型不相匹配等问题,需要予以解决.本研究在采用通货膨胀率指数调整、平均周期项以及滤波等方法对铜期货价格时间序列数据进行预处理后,分别将预处理前后的期货价格数据输入到神经网络预测模型,通过比较两者预测结果来验证原始期货时间序列数据预处理的必要性.     

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.     

短时交通流混沌预测模型的比较研究

短时交通流预测是实现交通流诱导的关键技术之一.针对目前短时交通混沌预测模型预测结果差异较大的问题,归纳了4种基于混沌理论的短时交通流预测模型:RBF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究.应用4种预测模型对几个典型的非线性系统进行预测,验证了算法的准确性.然后用这4种预测模型对微观实测交通流的时间序列进行实证分析.仿真结果表明,4种预测模型对典型混沌时间序列具有很好的预测效果;而对实测交通流预测,其预测精度和稳定性较差,但可以满足实时交通流预测的需要.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

长短时记忆神经网络模型在空气污染预测中的研究

基于K均值(K-Means)聚类算法进行聚类分析,将气象条件分为三类,并且分析和阐述各类气象条件的特征.针对气象监测数据和空气污染物的时间序列特点,设计基于长短时记忆(LSTM)神经网络的空气污染预测模型.将时空相关性与长短时记忆神经网络算法进行有效的融合,提出基于时空相关性的长短时记忆(SK-LSTM)神经网络的空气污染预测模型.通过空间划分,空间聚集以及空间插值,获得目标区域和周围区域的历史空气质量检测数据和历史气象监测数据,然后通过等权融合方法将时间数据和空间数据进行融合,并将其作为SK-LSTM神经网络算法的输入,最终输出的结果为带有区域协调的污染物浓度预测值.该算法能有效对空气中污染物的浓度进行更准确、高效的预测.最后通过数值仿真验证所提算法的有效性.     

基于EWT-PSO-SVM误差校正组合模型的中国股市预测研究

鉴于股市预测的复杂性.遵循"先分解后集成"的总体建模思路.文章基于EWT分解算法和SVM支持向量机模型.同时结合PSO粒子群优化算法和误差校正组合预测方法,构建了一种中国股票市场建模及预测的EWT-PSO-SVM误差校正组合预测模型.先基于EWT算法将原始价格序列分解成若干分量,再根据频率将其重组成高、中、低频3个分量,对它们分别建立PSO-SVM误差校正组合模型.最后集成各个分量的预测结果.与其他预测模型相比较,文章所构建预测模型的MSE、MAE、MAPE、RMSE、Theil不等系数、确定性系数DC和方向性指标DS 7个指标均优于其他基准预测模型,MCS检验结果同样表明本文构建模型的预测性能最优.稳健性检验结果进一步证实了文章构建的模型预测性能所具备的稳健性.     

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用．在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法．通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响．在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度．经算例验证,该算法预测精度达到1级,且高于类似算法．     

金融时间序列的转折点分析

本文讨论了时间序列的预测问题,在摆脱了在传统模型过多假设的基础上,采用对不同类型预测模型进行综合平衡分析的方法,权衡各项指标,以达到发现时间按序列转折点的目的.并以股票序列为例说明所给预测模型的有效性.     

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。     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

我国股市网络稳定性及其宏观影响因素——基于三种网络拓扑结构、鲁棒性的实证研究

基于金融时间序列的多重分形特征及衡量市场风险的VaR模型,建立我国沪深股市的股票关联网络,实证研究三种网络拓扑结构特征,并使用协整检验方法分析网络稳定性和宏观经济变量间的长期均衡关系。结果表明:股票价格网络不具有无标度性,多标度网络和风险网络都具有无标度性;在三种网络中,风险网络具有更强的鲁棒性。此外,股市波动率和网络稳定系数间互为格兰杰因果关系,股市波动的前期变化能有效解释网络稳定性系数的变化;网络稳定性与宏观经济变量间具有长期的均衡关系,GDP增长率、消费者物价水平CPI对网络稳定性具有正向效应,利率对网络稳定性具有负向效应。风险网络的提出有助于分析我国股市的短期风险及稳定性,并为制定系统风险防御策略提供参考。     

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.     

Time series forecasting with neural network ensembles: an application for exchange rate prediction

This paper investigates the use of neural network combining methods to improve time series forecasting performance of the traditional single keep-the-best (KTB) model. The ensemble methods are applied to the difficult problem of exchange rate forecasting. Two general approaches to combining neural networks are proposed and examined in predicting the exchange rate between the British pound and US dollar. Specifically, we propose to use systematic and serial partitioning methods to build neural network ensembles for time series forecasting. It is found that the basic ensemble approach created with non-varying network architectures trained using different initial random weights is not effective in improving the accuracy of prediction while ensemble models consisting of different neural network structures can consistently outperform predictions of the single ‘best’ network. Results also show that neural ensembles based on different partitions of the data are more effective than those developed with the full training data in out-of-sample forecasting. Moreover, reducing correlation among forecasts made by the ensemble members by utilizing data partitioning techniques is the key to success for the neural ensemble models. Although our ensemble methods show considerable advantages over the traditional KTB approach, they do not have significant improvement compared to the widely used random walk model in exchange rate forecasting.     

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．     

上海股市波动的预测方式和模型

探讨基于 SV类模型的上海股市波动的预测方式和模型问题 .比较了 SV( stochastic volatility)类模型 (包括基本 SV模型和 ASV模型 )在两种不同方式下的预测效果 ,并将基本 SV类模型的预测效果与 ASV模型 ,以及其他常用模型做了比较 .结果表明 :SV类模型在两种预测方式下的预测效果存在一定的差异 ;基本 SV模型对于上海股市具有较强的预测能力 ;ASV模型的预测效果不理想 .     

基于高斯核支持向量机和遗传算法的优化组合研究

选用2008~2015共8年数据,首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合,并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较,结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合,以上证指数作为基准进行比较,得出混合遗传算法优化组合的模型相比单一模型更为有效.     

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.