多获胜节点SOM及其在股票分析中的应用

为了增强自组织映射(self-organizing map,SOM)网络的动态竞争和聚类能力,提高解的精度,在无监督的SOM神经网络的基础上,通过拓广获胜节点的数量,改进网络中的邻域函数和连接权函数等方法,提出具有多获胜节点的SOM模型.为了避免多个输入样本映射到同一个输出节点,还提出了禁忌映射的方法.为了验证所提出的方法的有效性,以股票的聚类分析为实例,对该方法进行了检验.通过对每股收益、每股净资产、净资产收益率、每股经营性现金流量及净利润等5项反映上市公司综合盈利能力的财务指标进行了模拟实验,所得的数值结果表明,在标准SOM及所提出的几种多获胜节点SOM网络模型中,具有双获胜节点(SOM with 2 winners,SOM2W)的网络模型获得了最好的聚类效果.结合实验结果对网络模型的进一步分析也表明,SOM2W的聚类能力优于标准SOM及其他网络模型.该模型为股票的分析和选择提供了一种可行的途径,在金融领域具有潜在的应用价值.

上市公司综合评价模型及其应用

对上市公司综合评价的研究一直是国内外经济学家和投资者关注的焦点。以每股收益、每股净资产、净资产收益率等反映上市公司综合盈利能力的指标作为主要研究对象,利用Kohonen网络对上市公司进行聚类模拟,通过聚类的方法对上市公司进行综合评价。为了提高解的精度,还提出了禁忌映射的方法。实验结果表明,利用Kohonen网络对上市公司进行综合评价是可行的,得到了令人满意的结果。它为政府和投资者提供了一种新的参考依据,在金融领域具有较好的应用前景。

基于SOM网络的股票聚类分析方法

无监督的自组织映射(SOM)神经网络是用于聚类的主要人工神经网络模型之一。在SOM网络的基础上改进了网络中的邻域函数,并将其用于对股票进行分析和选择,得到了令人满意的结果。为了提高解的精度,避免多个输入样本映射到同一输出节点还提出了禁忌映射的方法。数值模拟表明该模型对于上市公司的聚类结果令人满意,对于股民客观、准确地选出真正具有投资价值的股票具有指导意义。