证券大数据分析研究

将大数据技术与机器学习应用到证券领域,探索国内证券行业发展规律是证券行业科技创新的重要举措。介绍了证券大数据的概念,总结了大数据技术在证券领域的应用,包括交易监察、财务分析、恐慌指数分析、舆论热度分析、个性化服务、预测与量化投资等。分析了目前处理证券大数据的主要算法模型,包括交易监管算法、财务分析算法、恐慌指数分析算法、情感分析算法以及预测与量化投资算法模型。并对其中的机器学习预测算法,如支持向量机、卷积神经网络、贝叶斯神经网络、遗传算法对BP神经网络的优化等进行详细论述,对传统时序预测模型和基于机器学习的预测模型进行了优劣性对比。最后对证券领域的大数据应用进行了展望和总结,大数据技术在证券领域的应用日益广泛,采用机器学习算法对证券行情进行预测是研究方向和热点。

金融大数据研究与应用进展综述

身处大数据时代,人们生活的方方面面都离不开数据。同样,金融行业也存在着海量的数据,将大数据技术与金融行业结合,有助于推动金融行业的发展。本文介绍金融大数据的分类和面临的挑战,并总结和整理了目前处理金融大数据的主要算法,具体包括基于语义的金融大数据处理算法和基于时间序列的金融大数据处理算法。介绍了金融大数据在不同分类下的应用,并展望了金融大数据的发展前景。

基于模型树的沪深300指数预测

针对当前智能算法对证券数据预测准确度不高,以及基于最小损失函数的模型树(Model Tree based on Least Loss Function,M TLLF)预测模型不适用于证券数据的预测的问题,本文提出基于最大离差分裂算法的模型树预测方法 (M odel Tree based on Deviation M aximization,M TDM)。使用两组包含完整牛熊市的沪深300指数日收盘价数据进行分组实验验证,得到的均方误差MSE(Mean Squared Error)分别为0.000058和0.000140;均方根误差RMSE(Root Mean Squared Error)分别为0.007634和0.011822;平均绝对百分比误差M APE(M ean Absolute Percent Error)分别为0.011857和0.011348的结果。说明了M TDM预测的稳定性较好,且预测准确度较高。并分别与基于长短记忆神经网络(Long Short-Term M emory,LSTM)和粒子群优化算法(Partical Swarm Optimization,PSO)的预测方法进行实验对比,结果表明MTDM算法的预测误差显著低于前两者。

基于TELEMAC-2D模型的城区水库溃坝洪水数值模拟——以广州市龙洞水库为例

针对城市水库下游地区地形复杂、建筑物密集的特点,以广州市天河区龙洞水库为例,采用基于不规则网格的TELEMAC-2D模型,构建二维溃坝洪水演进模型并开展数值模拟,将模拟结果与LISFLOOD-FP、WCA-2D模型的模拟结果进行综合对比。结果表明:当模拟历时大于15 min后,TELEMAC-2D模型模拟的下游淹没区内淹没总水量与溃口流量过程线所计算的累积洪水量基本相等,二者相对误差仅为0.26%,在3种模型中误差最小;3种模型模拟的洪水演进规律基本一致,且模拟的最大水深空间分布相关性均不小于0.92,表明模拟结果科学合理;TELEMAC-2D模型可对建筑物密集区域的地形进行局部网格加密处理,能更精细地表征城区的复杂地形情况,模拟效果较LISFLOOD-FP和WCA-2D模型更好。研究结果可为城区水库溃坝洪水数值模拟、溃坝洪水预警预报以及相关防洪减灾等工作提供科学的参考依据。

宁夏云雾山典型草原半灌木扩张过程中植物种间联结性研究

灌木、半灌木的分布面积在干旱半干旱区持续增加,显著改变了原有植被景观及生态学过程。本研究以宁夏云雾山典型草原为研究对象,采用基于2×2列联表的方差比率法(VR)、χ^(2)检验、物种联结系数等计算物种间关联性,从而揭示灌木扩张过程中群落内物种总体间及种对间的联结性变化规律。结果表明:物种总体关联性在轻度扩张强度下表现为正联结,其它扩张强度下表现为负联结;随扩张强度的增大,半灌木-草本间正联结物种对逐渐增加,草本-草本间负联结物种对表现为先增加后减小的趋势,白莲蒿(Artemisia sacrorum)-百里香(Thymus mongolicus)间的种间联结性趋于无关联,白莲蒿-甘肃蒿(A.gansuensis)间的种间联结性趋于负联结;白莲蒿-草本间的正联结物种对随扩张强度增大而增加。综上,灌木扩张强度和物种自身属性会改变物种间联结性,这种改变是种间竞争、种间互利以及物种对周围环境趋同或分异的结果。

基于机器学习的股票预测研究综述

越来越多的学者投入到股市预测的研究中,探求股市发展规律,也不断有新的科学技术应用到股市预测,以求能够预先掌握其发展趋势。本文对各种股票预测方法研究进行综述。介绍了基于传统时间序列、隐马尔可夫模型等传统预测模型,以及基于机器学习、深度学习的决策树、神经网络、组合模型等新型创新模型,并介绍了各模型的优缺点,总结了基于神经网络的股票预测模型的基本步骤。最后,对股票预测研究方法做出总结与展望。

基于耦合雨洪模型的城市内涝数值模拟与风险分析

以广州市白云区某旧改项目为例,基于SWMM和LISFLOOD-FP构建耦合雨洪模型,模拟改造前后的内涝情况并分析了内涝风险等级。结果表明:现状条件下研究区未能满足100年一遇暴雨内涝防御标准,而规划方案能够明显降低该区域的内涝风险,表明规划方案较为合理;耦合雨洪模型在研究区具有较好的适用性,内涝数值模拟结果较好,可作为指导新城建设或旧城改造防洪排涝规划的有效工具。