基于神经网络的股票分类指数预测模型

本文运用BP人工神经网络,在MATLAB平台上,进行公用事业指数波动规律的预测和分析,能利用公用事业指数前三天的收盘价,预测第四天的收盘价,并且预测值达到一定精度。

非线性代数模型LSTM的应用研究——以股票指数预测为例

为合理预测我国股票指数,建立了一个深层LSTM非线性模型。根据新浪财经提供的2020年1月1日至12月31日,中国股票市场18个指数相关的数据,运用LSTM非线性模型预测该18个指数的收盘价,并将LSTM非线性模型的预测性能与ARIMA线性模型和SVR非线性模型进行对比。实验表明,在短期与长期预测性能对比中,LSTM非线性模型的预测性能最佳。

基于变维分形的股票指数预测模型

为了解决投资者提出的希望能够寻找一种易于实现的预测方法来提高股票指数短期预测精度的问题,采用变维分形、累计和变换对数据进行分析,预测时对上证指数的原始数据进行一系列变换以及分析后,从中选择一种能够与模型符合良好的最优变换来确定相应的分形参数,即能用分形分布处理变换后的数据。给出了用分形方法对上证指数进行短期预测的实例并结合数值模拟图形进行比较分析,经研究得出基于分形维的预测方法对于股票指数的短期预测精度较高,并且对短期预测具有很好的研究价值和广阔的应用前景。

基于BP神经网络与支持向量机的股票指数预测模型比较

本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测。研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型。

基于投资者行为参数的股票指数广义回归神经网络预测模型

在运用神经网络模型对股票价格进行短期预测时,一般的神经网络预测模型都是以价格的时间序列滞后作为输入变量,但是由于影响价格的因素错综复杂,很多因素无法准确测量,而且市场信息的噪音太大,因此预测效果往往不太理想,于是如何选择有效的输入变量就成为一个困扰这项研究的难题。

基于GARCH族模型的波动率研究——以燕京啤酒股票收益率为例

本文主要研究了波动率预测及燕京股票与食品板块指数、深成指数的关系这两个问题。首先,本文构建了以日数据为基础的GARCH族模型,并以此为基础预测了燕京啤酒股票日对数收益率的波动率,使用了四种损失函数法评价各模型样本外的预测能力。其次,对燕京股票股价、食品板块指数和深成指数的对数做了协整分析,构建了关于三者日对数收益率的VAR(1)模型,并完成了对应分析。最后得出结论,GARCH-n模型预测能力最好,食品板块指数对燕京股票具有较为明显的牵动效果,但深成指数的牵动效果较弱。

基于正则化LSTM模型的股票指数预测

针对金融时间序列预测问题,提出正则化长短期记忆神经网络LSTM(Long Short-Term Memory neural network)模型。LSTM模型通过其独特的单元结构,能够深入挖掘出时间序列中的固有规律;采用正则化方法修改LSTM模型的目标函数,优化网络结构,从而选出泛化能力较强的弹性网正则化LSTM模型。将该模型应用于道琼斯指数预测,实验对比表明,该方法计算出的均方根误差最小,预测拟合程度最高。

基于偏最小二乘方法的ARIMA模型在股票指数预测中的应用

股票指数是股票市场的重要综合指标,而股票市场又是一个国家经济的重要组成部分.基于偏最小二乘法结合ARIMA模型对股票指数进行研究.首先通过ARIMA模型对股票指数进行预测,模型取得较为理想的效果,根据偏最小二乘方法在处理股票类数据上的独特优势,加入相关变量实施回归分析,再结合偏最小二乘回归进行建模分析.研究发现,组合模型较ARIMA模型具有更好的预测效果,且ARIMA模型生成的变量重要程度最高.

基于ARIMA-BiLSTM模型的沪深300指数预测

股票价格指数是度量和反映股票市场总体价格水平及其变动趋势而编制的股价统计指标,是反映社会、政治、经济变化状况的“晴雨表”。准确预测股票价格指数波动,有助于防范股票市场风险和保障金融市场稳定发展。由于股票数据的复杂性,本文将时间序列模型与深度学习模型相结合,提出新的组合模型ARIMABiLSTM,对沪深300指数数据集进行性能评估。结果表明,ARIMA-BiLSTM模型可以规避单一模型带来的缺陷,较其他先进方法具有更高的预测精度。文章对构建的模型展开消融实验,研究模型参数设置的合理性,并基于不同数据集进一步验证了组合模型的预测效果。

灰色—马尔柯夫模型在股票价格预测中的应用

对股票价格的预测直接影响到投资者的投资决策 ,关系到投资者的切身经济利益 ,因而对预测的准确性要求较高。尝试将灰色系统理论应用于股票市场 ,在对 GM(1,1)模型和马尔柯夫模型详细剖析的基础上将两者结合为一 ,建立相应的灰色—马尔柯夫预测模型 ,并通过对上证综合指数的预测说明该模型具有较高的预报精度和应用价值。

基于支持向量机股票价格指数建模及预测

为提高预测精度,采用基于支持向量机理论的预测方法对股票价格指数进行预测。文章在分析支持向量机预测基本原理基础上,以交叉验证法确定了最佳回归参数并以此建立了预测模型。对上海证券交易所的股票价格指数进行预测,研究结果表明基于支持向量机预测法能较准确地反映股票价格指数的变化趋势且提高了预测精度,验证了此方法在股票价格指数预测中的可行性。

利用净重新分类指数与整体鉴别指数评价一种新危险因素的补充预测能力

目的介绍净重新分类指数与整合鉴别改善指数的基本概念及其计算方法。方法从方法的研究背景探讨其在临床实践中的必要性,并利用实例数据对其计算过程进行演示和讨论。结果利用风险预测模型对疾病的发生发展进行风险预测与分层,从而进行成本效益分析以及分配合理的治疗方案,已经是临床实践中广泛应用的一种流行病学方法。单纯利用ROC曲线下面积的改善预测新危险因素的贡献在很多情况下并不敏感,净重新分类指数与整合鉴别改善指数可以对新危险因素的补充预测能力提供更多的增量信息。结论建议研究者在临床研究实践中考虑应用此两种方法作为ROC曲线下面积的补充。

上证综合指数的价格趋势预测模型研究

越来越多的研究表明 ,股票价格序列有区别于随机游走所产生的序列。运用了Taylor的价格趋势模型及Josephine ,W .C .Kwanetal关于此模型的拟极大似然估计 (QML)方法估计参数过程中而得到的最小均方预测方程 ,对上证综合指数 (SCT)的年收益分区间进行建模与预测 ,得到了较好的预测效果。估计出的参数还表明 :(1)关于SCI的转折信号的方差大于随机波动方差 ;(2 )自 1994年以来 ,SCI涨跌趋势持续时间在 2天上下浮动。

谈股票价格变动预测模型

近年来,特别是九二年以来,由于各种因素的影响,我国股票市场行情波动较大。1992年2月,一直稳定的上海股市开始剧烈波动,短短一个月之内升幅近3倍,此后开始下跌,到5月,上海股市大揭盖,股价随即暴涨,几天后转跌,此后又缓缓回升。深圳股市从1991年末走向下跌,1992年1月股价指数下跌最高达80％左右,直到1992年10月底,深圳股市才艰难地走出长达10多月的熊市,迎来了股市场的复苏。股票市的剧烈波动,使股票价格的变动成为股票投资者和证券管理部门所关注的焦点。一、影响股价变动的经济变量的选取为了建立科学的股价测定模型,首先应选取高度灵敏的相关经济变量。决定股票价格的两个基本经济变量是预期收益与当时的储蓄利率。并且,股票价格与预期收益的大小成正比,与当时储蓄利率的高低成反比。但在现实经济生活中,这只是影响股票价格变动的两个直接变量,还有诸多变量对股票价格的涨跌有影响.这些经济变量主要有:

股票价格分类指数的波动研究

一、引言 股票市场是一个风险和利益共存的市场,其中各因素间的关系错综复杂,是一个非线性函数估计和外推问题,应用传统的分析方法(如指数平滑方法、ARMA模型等),可以预测一段时间内股票指数变化的大致趋势,但是这需要事先知道各种参数,以及这些参数在什么情况下做怎样的修正.相比之下,神经网络技术能自动从历史数据中提取有关经济活动的内在联系,可以克服传统定量预测方法的许多局限以及面临的困难,同时也能避免许多人为因素的影响,因而成为股票市场建模与预测中强有力的方法和技术,已经有些文献对此进行了探讨.

基于灰色模型的股票价格预测研究

股票价格的预测是投资者最关心的问题之一,也是投资者投资成功与否的关键所在。本文在对灰色预测模型进行详细解析的基础上,结合我国证券市场的实际,通过对上证指数的预测来说明该方法的有效性及应用价值,这对投资者的投资决策行为有较强的指导意义。

股票预测模型优缺点对比分析——基于灰色预测模型、BP神经网络、小波神经网络

股票是一种重要的投资方式。如何有效准确地预测股价一直是国内外热门研究课题。有很多模型可以预测股票价格，根据模型原理，可分为两大类：一类是以统计数学建模为基础的传统预测模型，包括指数平滑法、ARMA模型、ARCH模型和SV模型等：另一类是基于模拟的思想，以灰色理论、神经网络等为基础的创新型预测模型。

基于灰色-马尔可夫改进的预测模型——以沪深300指数为例

建立灰色GM(1,1)与马尔可夫链的组合预测模型,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型修正数据随机波动所带来的预测误差。以沪深300指数的真实数据进行验证,结果表明:灰色马尔可夫预测模型既能预测随机数据序列的总体趋势,又适应股票价格随机波动性较大的特点,灰色马尔可夫预测模型预测精度高于GM(1,1)模型的预测精度。

基于集成学习的股票指数预测方法

股票价格指数是衡量整个股票市场当前行情的重要指标,通常对指数内所有个股的涨跌幅进行加权平均得到,因此股票指数能够及时准确地反映当前市场的动向走势。对沪深300指数的历史行情数据进行建模,通过挖掘大盘指数的涨跌幅与个股的涨跌比之间的关系,利用聚类算法确定对市场影响较大的指数涨跌幅集合G,将其作为研究关键。运用集成学习的算法思想,选取K-近邻、梯度提升和自适应提升这3个分类器,通过改进的投票算法聚合成一个新的分类器模型,对指数行情数据进行学习分类,从而对G的出现进行预测,改进的投票算法综合考虑了弱分类器本身的分类效果,分类效果得到提升。实验结果表明,与原模型相比,新聚合的模型在一定程度上提升了股指预测的准确度,对于沪深300股指的预测具有指导作用。