基于多元线性回归和层次分析法的案例推理上证指数预测模型的开发及应用

股票系统预测的研究具有重大的理论意义和诱人的应用价值。本文开发了基于多元线性回归和层次分析法的案例推理上证指数预测模型,通过相关性分析,排除与目标函数相关性低的参数,建立上证指数预测参数集,使用多元线性回归和层次分析法计算各个参数的权重,克服了传统通过定性方法确定权重不准确的缺点,使用灰色关联度的方法对案例进行检索,通过案例择优对检索结果进行处理。最终对上证指数进行预测,并且将本模型的预测结果与传统案例推理、多元线性回归和人工神经网络的结果进行比较,结果发现:与其他方法相比,本模型预测上证指数具有较高的精度,误差区间在[-5,+5]范围内,本模型为45.0%,其他方法都小于或等于30.0%;误差区间在[-10,+10]范围内,本方法为75.0%,其他方法都小于或等于55.0%;误差区间在[-20,+20]范围内,本方法为95.0%,其他方法都小于或等于90.0%。另外,案例推理还具有检索时间短的优点。

ARIMA模型在上证指数预测中的应用

本文以上证指数2007年10月8日至2008年4月16日日收盘价的历史数据作为样本区间,利用ARIMA方法对上证指数做短期预测。

基于ARIMA和马氏链模型的上证指数预测

股票价格指数的波动规律,对于进一步推动我国股票市场的发展,乃至加快我国经济的发展具有重要意义.以ARIMA模型和马尔可夫链模型对上海证券交易所指数的日收盘价数据进行了分析,并作出了短期预测.根据AIC准则,选择最优模型ARIMA(2,2,2)模型进行预测,误差为1.7%,可以得到精准的预测值.马氏链可以对数据大概的趋势进行预测,但是得不到精准的预测值.

基于AIW-PSO小波神经网络的上证指数预测

针对小波神经网络(Wavelet Neural Network,WNN)的学习算法的不足,采用一种自适应惯性权重粒子群优化算法(Adaptive Inertia Weight Particle Swarm Optimization,AIW-PSO)作为小波神经网络的学习算法,建立AIW-PSO小波神经网络模型对上证指数进行预测,并将预测结果传统小波神经网络模型比较。结果表明,AIW-PSO小波神经网络模型对上证指数具有更好的预测效果。

基于长短时记忆网络(LSTM)的上证指数预测

在第四代科技革命,即新信息技术高速发展的背景下,人工智能技术在股票市场中也得以广泛应用。股价综合指数可视为股票市场整体趋势的一种量化描述,对综合指数的变化趋势分析有助于了解股票市场的演化方向。因此,我们利用建立了一个含有200个隐藏神经元的长短时记忆网络以分析上证指数的变化趋势,该模型实现了基于前7个交易日的历史数据的一步预测。由于ADAM具有高效性的优势,我们将其用ADAM与模型训练,并利用正则化方法提高模型的泛化能力。通过仿真实验证明,LSTM模型较好地对上证指数运动的趋势进行了预测,为上证指数预测提供了一个新的研究方向。

ARIMA对我国上证指数的预测研究

采用自回归移动平均模型(ARIMA),选取了上证指数2011年5月1日至2012年5月1日共242个交易日收盘数据进行短期预测,结果显示,ARIMA(3,1,1)对上证指数有较好的预测效果,为投资者在股票市场的投资提供了有效参考。

结合干预分析模型和ARIMA模型对危机产生时上证指数的预测

本文结合干预分析方法对危机事件进行了量化分析,修正了金融危机引起的误差,改进了单纯的ARIMA模型对上证指数的预测结果。结果表明,该干预分析模型在对金融市场的短期预测上能有一定的参考意义。

基于百度指数和随机森林的上证综指预测

股市走势预测是金融学、统计学、机器学习等多学科交叉研究的热点学术问题。股市走势并不完全由自身内在规律决定,也会受到投资者的关注度的影响。本文研究了投资者关注与上海证券综合指数之间的波动效应,提出了一种基于百度指数并结合随机森林模型的上证指数走势预测方法。基于已有的初始搜索关键词词库在百度指数网站获取相应的关键词的百度指数,通过时差相关分析法筛选出具有预测意义的关键词,将筛选后的关键词的百度指数数据和上证指数的相关属性数据作为预测模型的输入数据,通过随机森林建立预测模型并实现对上证指数的预测。对比实验证明引入百度指数后的预测模型比传统的预测模型具有更高的准确率。

上证指数短期预测的数学模型

本文通过对上证指数K-线图、准备金率、CPI、宏观政策等进行分析,得到一些对上证指数有影响的因子,利用人工神经网络与粗糙集理论的优势,先采用粗糙集对数据进行处理,然后利用人工神经网络构造出上证指数短期预测模型,并以此模型进行分析,最后应用于股票市场,在股票的交易中取得了很好的效果。

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.

一种改进的BP-AdaBoost算法及应用研究

BP-AdaBoost算法结合BP神经网络和AdaBoost算法二者的优点,在提高准确率的同时加快训练速度。但传统BP神经网络在训练时可能会出现陷入局部最优的问题,针对此缺陷,提出一种改进的BP-AdaBoost算法,先采用思维进化算法调整BP神经网络的权值和阈值,再运用优化后的BP神经网络构造多个优化的弱预测器,最后将AdaBoost多分类思想引入改进的BP-AdaBoost算法中,构造多个强预测器判断决策输出结果。将改进的BP-AdaBoost算法与小波神经网络用于上证指数开盘指数的预测中,通过实验对比分析,证明了算法的可行性与优越性。

基于优化回声状态网络的混沌时间序列预测

基于多种群遗传算法(multiple population genetic algorithm,MPGA)优化回声状态网络(echo state networks,ESN)的储备池参数设置方案,建立MPGA-ESN模型,并将其用于上证指数开盘价预测的仿真实验.通过与BP神经网络、Elman神经网络、PSO-ESN模型、GA-ESN模型的对比,发现MPGA-ESN模型的预测精度更佳.