基于情绪向量的隐半马尔可夫模型股市拐点预测方法

股市的情绪化倾向是股票市场具有高度不确定性的主要原因,直接利用历史数据的股票趋势预测方法难以适应市场情绪的多变性,在实际应用中效果不理想。文章针对市场情绪的不稳定性导致股市拐点难以预测的问题,提出一种基于情绪向量的隐半马尔可夫模型股市拐点预测方法(hidden semi-Markov model stock turning point prediction method based on sentiment vector,SV-HSMM)。针对市场情绪不可观察性,选取与市场情绪相关的主要特征,使用马尔可夫毯融合成市场情绪;利用隐半马尔可夫模型建模市场环境,构建市场情绪、市场状态和状态持续时间之间的结构关系;引入情绪向量平滑情绪的多变性,并利用Kullback-Leibler(KL)距离量化情绪热度;利用隐半马尔可夫模型的动态推理实现股市拐点预测。结果表明情绪向量方法具有更好的预测效果。

基于多Agent传动关系的股市趋势预测

股市趋势预测是机器学习领域中一个具有挑战性的任务。由于一些因素对于股市的影响是动态且不确定的,导致股市趋势难以预测。针对已有方法在股市预测时存在的灵敏性差、适应力弱等问题,从快变量和慢变量的传动关系出发,利用Agent技术对股市中的快周期和慢周期进行联合建模,提出一种多Agent传动影响图(MATID)股市趋势预测方法。给出股市中快周期和慢周期的划分标准,并引入周期能量的概念;通过对相关趋势指标的特征融合,给出周期能量的量化计算方法;通过分析快周期和慢周期的动态作用过程,给出传动因子的表示方法;将快周期和慢周期分别对应成不同的Agent,利用多Agent影响图模型建模快周期和慢周期的传动过程;利用股市振子模型表示快Agent和慢Agent之间的传动效用,利用联合树的自动推理技术对股市趋势进行预测。在不同样本数量和不同股市趋势下进行实验,结果表明,与门控循环单元、S-LSTM和Hybrid-RNN预测方法相比,MATID方法预测精确率提升1.5%~7.0%,召回率提升5.4%~6.7%,F1值提升3.7%~6.2%,具有良好的灵敏性和适应力。

并行的贝叶斯网络参数学习算法

针对大样本条件下EM算法学习贝叶斯网络参数的计算问题,提出一种并行EM算法(Parallel EM,PL-EM)提高大样本条件下复杂贝叶斯网络参数学习的速度.PL-EM算法在E步并行计算隐变量的后验概率和期望充分统计因子;在M步,利用贝叶斯网络的条件独立性和完整数据集下的似然函数可分解性,并行计算各个局部似然函数.实验结果表明PL-EM为解决大样本条件下贝叶斯网络参数学习提供了一种有效的方法.

动态影响图模型研究

部分可观察马尔可夫决策过程在策略空间和状态空间上的计算复杂性,使求解其一个最优策略成为NP-hard难题.为此,提出一种动态影响图模型来建模不确定环境下的Agent动态决策问题.动态影响图模型以有向无环图表示系统变量之间的复杂关系.首先,动态影响图利用动态贝叶斯网络表示转移模型和观察模型以简化系统的状态空间;其次,效用函数以效用结点的形式清晰地表示出来,从而简化系统效用函数的表示;最后,通过决策结点表示系统的行为来简化系统的策略空间.通过实例从3个方面和POMDP模型进行了比较,研究的结果表明,动态影响图模型为大型的POMDP问题提供了一种简明的表示方式,最后在Robocup环境初步验证了该模型.

基于案例导学的软件体系结构课程教学模式

本文针对该课程特点及教学中存在的问题，提出了一种以“案例导学”为指导，以“教师引导，学生合作学习”软件体系结构教学模式。实践证明，该模式有利于调动学生的学习积极性，能帮助学生在有限的学时内较快掌握该门课程，迅速培养和提高学生实际的动手能力。

融合关联规则与知识的贝叶斯网络学习算法

领域知识可以有效的提高贝叶斯网络学习效率与精度.文中提出了基于关联规则的SEM算法——AR-SEM算法.AR-SEM算法首先利用关联规则分析变量间的因果关系,并作为初始先验知识和领域专家的意见相结合,进一步去除无意义的规则,形成一个知识库,最后将知识库与SEM算法相结合来构造贝叶斯网络.文中在具有一定缺省数据的数据集上进行实验,实验表明AR-SEM可有效提高贝叶斯网络结构学习的精度.

基于分层动态贝叶斯网络的股市趋势扰动推理算法

当前研究者主要通过对历史交易数据的学习生成预测模型,由于影响市场的因素动态可变,因此训练好的模型在实际应用中预测效果远不及预期.针对现有预测模型适应力较弱的问题,文中提出基于分层动态贝叶斯网络的股市趋势扰动推理算法,对股市趋势进行实时预测.首先,针对稳定性较高的均线数据,通过马尔可夫毯对均线特征进行融合,提取为均线能量,得到均线的量化特征.由于多根均线之间存在结构关系,这种结构关系具有较强的抗噪能力和稳定性,因此利用分层动态贝叶斯网络对单根均线内部结构和多均线之间结构关系进行建模.然后,对顶层网络中多结点状态进行扰动,通过动态灵敏性分析实时计算结点状态变化对于股市趋势影响力.最后,基于灵敏分析的结果,利用联合树对股市趋势进行动态推理.在实际数据上的实验证明文中算法的有效性.

基于动态影响图的股市趋势预测

历史数据对未来状态的影响具有隐蔽性,导致基于数据的股市趋势预测是一个公开难题。为了有效地发现历史数据对股市未来状态的影响力,利用动态影响图建模成交量和K线形态之间的结构关系,提出一种基于量价结构关系的联合树推理预测算法(VP-JT)。提取股票的阶段成交量特征和阶段K线形态特征,给出阶段成交量对于股市价格影响的作用原理;利用配合度量化当前阶段成交量与K线形态之间关系一致性程度;利用动态影响图建模阶段量价在时间上的作用过程;通过联合树的自动推理对股市未来状态进行预测。在实际数据上进行实现和算法比较,实验结果表明量价结构关系的联合树推理算法具有更高的准确率。

基于博弈动态影响图的股市趋势推理算法

股票市场是一个复杂非线性动态系统,具有高度不确定性和多变性,股市趋势预测是数据挖掘领域的一个研究热点。针对基于数据驱动方法所生成的模型鲁棒性差,训练良好的模型不适应实际需要的问题,提出了一种多Agent博弈动态影响图模型(Mulit-Agent Game Dynamic Influence Diagrams,MAGDIDs)。首先,从博弈的角度引入多方和空方作为股市的行为主体(Agent),提取行为主体的相关特征;然后,利用能量表示博弈主体的力量大小,并对行为主体特征进行量化融合;进而引入博弈策略,构建多Agent博弈动态影响图模型,对于股市行为主体的博弈过程进行建模;最后,利用联合树的自动推理技术,预测股市趋势。在实际数据上进行实验,实验结果表明多空博弈趋势预测算法具有良好性能。

基于约束的局部-全局LWF链图结构学习算法

LWF链图结构学习旨在发现链图中所有节点的父节点、子节点、邻居节点以及配偶节点.然而,目前最新的LWF链图结构学习算法是基于Growing-Shrinking(GS)思想得到节点的局部结构(即节点的马尔科夫毯)来学习全局网络结构,该类算法的条件独立测试是以整个马尔科夫毯为条件集的,为了保证条件独立测试的可靠性,算法要求样本数量是马尔科夫毯大小的指数级,从而使得算法的数据效率较差.针对该问题,本文提出了一种基于约束的局部-全局LWF链图结构学习算法.该算法通过迭代的学习邻接集和配偶集来降低对数据样本量的要求;与此同时,在学习邻接集时采用后向策略保障了条件独立测试的正确性.算法的基本思想如下:首先学习网络中每个节点的马尔科夫毯,将节点马尔科夫毯学习拆分为学习邻接集和学习配偶集;然后利用节点的马尔科夫毯信息恢复网络骨架,根据链图复合体有向边的特点,利用条件独立测试确定网络复合体有向边,从而恢复链图结构.理论分析证明了该算法的正确性,在仿真数据集和标准数据集上的实验测试验证了算法的有效性.

一种基于混合遗传的贝叶斯网络分解算法

针对最优贝叶斯网络分解是一个NP-完全问题,提出了一种基于混合遗传贝叶斯网络分解算法PHGA。PHGA算法将进化过程划分为三个不同的阶段,在前期和中期阶段采用较大的种群规模和交叉率,以及较小的群体选择压力,来增强PHGA算法的全局探索能力,避免早熟现象;在后期采用较小的种群规模和交叉率,以及较大的群体选择压力,并引入爬山局部优化算子,以增强群体在进化后期中的局部寻优能力,提高算法的收敛速度。三个标准的贝叶斯网络上的实验表明该算法在最优解方面要优于遗传算法和模拟退火算法。

基于领域知识的贝叶斯网络结构学习算法

针对SEM算法在缺省数据学习中存在精度偏低和收敛速度缓慢的问题,通过将领域知识引入到SEM算法中,提出了KB-SEM算法,该算法首先用D-S证据理论综合领域知识,然后将采集的知识以禁忌表的方式嵌入SEM中来限制和引导算法的搜索路径,缩小算法的搜索空间。实验表明,KB-SEM算法能有效地提高算法的学习精度和时间性能,且能在一定程度上避免主观偏见和数据噪音的干扰。

基于实例加权和双分类器的稳定学习算法

稳定学习的目标是利用单一的训练数据构造一个鲁棒的预测模型,使其可以对任意与训练数据具有相似分布的测试数据进行精准的分类.为了在未知分布的测试数据上实现精准预测,已有的稳定学习算法致力于去除特征与类标签之间的虚假相关关系.然而,这些算法只能削弱特征与类标签之间部分虚假相关关系并不能完全消除虚假相关关系;此外,这些算法在构建预测模型时可能导致过拟合问题.为此,提出一种基于实例加权和双分类器的稳定学习算法,所提算法通过联合优化实例权重和双分类器来学习一个鲁棒的预测模型.具体而言,所提算法从全局角度平衡混杂因子对实例进行加权来去除特征与类标签之间的虚假相关关系,从而更好地评估每个特征对分类的作用.为了完全消除数据中部分不相关特征与类标签之间的虚假相关关系以及弱化不相关特征对实例加权过程的干扰,所提算法在实例加权之前先进行特征选择筛除部分不相关特征.为了进一步提高模型的泛化能力,所提算法在训练预测模型时构建两个分类器,通过最小化两个分类器的参数差异来学习一个较优的分类界面.在合成数据集和真实数据集上的实验结果表明了所提方法的有效性.

基于自适应粒子滤波的动态贝叶斯网推理算法

提出一种基于自适应粒子滤波的动态贝叶斯网推理算法,该算法能随着动态贝叶斯网状态演化的不确定性动态改变抽样粒子数目,其根据是通过给定抽样误差界限来确定粒子数。当状态空间不确定性较低时,算法使用较少的粒子数;当状态空间不确定性很大时,将使用较多的粒子数。模拟实验表明该算法很好地兼顾了推理精度和推理时间,性能优于粒子滤波算法;与RBPF算法相比,该算法在稳定性和适用性方面也具有一定优势。

发动机与涡轮增压器匹配模拟计算

为满足客户对发动机动力性能的要求,选取两款不同的涡轮增压器与发动机进行匹配模拟计算,根据计算结果选取满足动力性能要求的增压器与发动机进行装配。

第三次国际设备工程会议在孟买召开中国设备管理协会代表团应邀参加

中国设备管理协会接受印度设备工程师协会主席古哈先生的邀请,由国家经委副主任、协会副会长赵维臣为团长、副会长郑爽西为副团长、盛树仁为顾问及蓝文谨、王廷基、俞奎、陈德元、葛永康、黄天桂、张广义等为团员的代表团于一九八四年十一月十三日到达印度孟买,出席了第三次国际设备工程会议。会议于十一月十四日至十六日举行,共发表论文68篇。

中国机械工程学会设备维修学会工作报告(摘要)

各位理事、各位代表:在今天中国机械工程学会设备维修学会常务理事会扩大会议上,向各位代表简要汇报一下一九八○年学会的工作,并对一九八一年的工作提出几点建议。(一)七九年十一月年会以来,在全国科协和中国机械工程学会的领导下,由于各地分会和广大会员的热情支持和努力工作,我会一九八○年计划中的十一项学术活动实现了八项,会刊《设备维修》杂志已创刊并正式发行了。各地分会在组织建设、学术交流和人员培训等方面也做了大量工作。到八一年二月底为止。

贝叶斯网络的并行EM学习算法

时间复杂性是基于 EM 框架的贝叶斯网络学习算法应用的一个瓶颈问题.本文首先提出一种并行的参数EM 算法来学习具有缺省数据的贝叶斯网络参数,实验表明该算法可有效降低参数学习的时间复杂性.进而将该算法应用到结构 EM 算法中,提出一种并行的结构 EM 算法(PL-SEM),PL-SEM 算法并行地计算各个样本的期望充分因子和贝叶斯网络的参数,降低结构学习的时间复杂性.

多Agent动态影响图及其概率分布的近似方法

将多 Agent 影响图(MAIDs)在时间上进行扩展,提出一种决策模型:多 Agent 动态影响图(MADIDs),用于表示动态环境中多 Agent 协作的结构关系.为了有效计算 MADIDs 的概率分布,以 Agents 之间的策略偏序关系为指导,给出概率分布的一种分解近似方法,进而讨论概率分布在推理中的近似.对 MADIDs 概率分布计算的复杂性、误差以及误差在时间上的传播进行分析,进而基于 KL 差分,给出一个可对近似分布的精度和复杂性进行均衡的函数.最后,针对一个表示协作关系的 MADID 模型,进行实验和算法比较,实验结果显示该概率分布近似方法的有效性.

个人信息安全日常防护常识

在当下的网络化生活中,个人信息几乎遍布交易支付、娱乐、社交等生活的每一个场景,其背后的经济价值日益显著,也成为网络攻击、电信网络诈骗、敲诈勒索等网络违法犯罪的目标之一。本文主要介绍了移动互联网使用个人信息存在的安全隐患,分析了黑灰产业常见个人信息窃取手段,并据此提出了个人信息安全防范建议。