基于主成分的遗传神经网络股票指数预测研究

数据预测在金融投资领域占有重要地位,预测中输入变量的选取影响着预测的速度和精度,传统方法选取输入变量主观性较强,预测效果欠佳。将遗传算法与BP网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题。使用主成分分析法选取输入变量,并将GA—BP混合建模应用于沪市综合指数预测中。实验结果表明,该方法改善了预测精度,达到了较好的预测效果。

基于结构修剪神经网络的股票指数预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,在股市指数价格和成交量基础上,引入宏观经济指标共同构建模型预测指标体系,并分析各指标之间的长期均衡关系和因果关系。在贝叶斯分析的基础上,将代表网络复杂性的惩罚项引入模型误差函数中,并通过动态调整惩罚因子删减网络中对股票市场不敏感的隐层神经元,在保证模型泛化能力的同时实现网络结构精简。以上证指数为例,构建基于BP算法的结构修剪神经网络预测模型,在不同的预测指标体系下对股票市场运行规律进行学习,并对上证指数进行仿真预测。最后,通过与其他神经网络预测模型比较验证该模型的有效性。

基于深度学习LSTM神经网络的全球股票指数预测研究

作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比三种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比三种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。

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。

基于改进基因表达式程序设计的股票指数预测

介绍基因表达式程序设计方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出一种基于动态变异算子的改进的GEP算法——IGEP算法,动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度,对算法进行了复杂度和收敛性分析。设计一种基于IGEP的股票指数分析与预测算法,数值实验结果表明,该算法优于经典GEP算法,具有较广泛的通用性。

基于CNN-LSTM的股票指数预测模型

股票价格数据具有高频性、非线性和长记忆性等特点,且投资者行为是影响股票价格的重要因素,文章引入成交量加权平均价(VWAP)指标刻画投资者行为,并构建了基于卷积神经网络(CNN)与长短期记忆网络(LSTM)的混合预测模型。首先,通过CNN分类模型判定股票指数的波动方向;其次,分别构建LSTM模型对指数上升、下降的具体值进行预测;通过田口正交设计方法对CNN-LSTM模型进行参数优化。静态预测和滚动预测结果表明,CNN-LSTM模型在预测方面有较高的预测准确率和普适性,对于投资者有着较高的参考价值。

结合公司财务报表数据的股票指数预测方法

股票市场参与者的所有市场活动综合影响着股票市场的变化,使股票市场的波动充满复杂性,也使得准确预测股票价格成为难题。在这些影响股市变化的活动中,财务披露是预测股票指数变化的一种吸引人的且具有潜在财务回报的手段。为了应对股票市场的复杂变化,提出一种结合公司披露的财务报表数据进行股票指数预测的方法。该方法首先对股票指数历史数据和公司财务报表数据进行预处理,主要是对公司财务报表数据生成的高维矩阵进行降维,然后用双通道的长短期记忆(LSTM)网络对归一化后的数据进行预测研究。在上证50指数和沪深300指数数据集上的实验结果表明,该方法的预测效果优于仅使用股票指数历史数据的预测效果。

基于时频融合卷积神经网络的股票指数预测

传统的股票指数预测方法是在含噪声、非平稳以及非线性的原始股指序列数据上实施的,这将导致预测精度的下降。为了解决这个问题,提出了一种基于时频融合卷积神经网络的股指预测方法。首先通过引入变分模态分解(VMD)将原始序列数据分解到频域特征上,使得分解后的股指数据具有低信噪比,同时具有更明显的趋势性和平稳性。进一步结合时序卷积神经网络(TCN),构建了时频融合的卷积神经网络模型。最后在6个实际数据集上与8个基准方法进行比较,实验结果表明该方法具有更高的预测精度和更好的解释性。

基于TCN-GRU的股票指数预测模型研究

本文采用集成学习的思想,将时域卷积网络(TCN)和门控循环单元(GRU)相结合,借助TCN的数据特征提取能力和GRU的非线性拟合能力,构建TCN-GRU模型。通过仿真实验,利用技术因子如收盘价、最高价、成交量等作为输入,对股票指数利用TCN-GRU模型进行预测。再设置对照试验,对比卷积神经网络(CNN)、长短时记忆人工神经网络(LSTM)、门控循环单元、时域卷积网络模型的预测结果。通过评价指标发现TCN-GRU相比对照实验模型,拥有更高的预测精确度。

基于MPSO-LSTM模型的股票指数预测研究

股票数据是具有高度复杂性的时间序列数据。与传统的机器学习和一般的神经网络相比,长短期记忆神经网络处理股票数据具有更好的效果。但是该模型的性能表现对预置参数的设置具有极高的要求,缺乏经验的预置参数会降低其泛化能力和预测性能。针对以上问题,文章提出基于长短期记忆神经网络和改进的粒子群算法的深度学习复合模型MPSO-LSTM。实证表明,该模型的预测性能相比于其他模型具有显著优势,验证了该方法的可行性。

混沌时序重构及上海股票指数预测的应用研究

应用非线性自相关混沌模型,采用神经网络和小波理论相结合的方法对模型参数进行辨识,其辨识的准确程度较高.通过对混沌时序进行预处理和傅立叶滤波,然后再进行重构和预测工作其效果良好;文章采用该模型对上海证券市场的600062号股票数据的开盘、最高、最低、收盘价数据进行了建模和模型中参数辨识的工作,其预测的结果比较准确.

基于小波神经网络的上证50指数多步预测

以神经网络为代表的人工智能模型对股票价格具有良好的预测效果,但是该智能模型侧重于单步预测,很难满足实际股票预测的要求。提出基于小波和神经网络相结合的股票指数多步预测智能模型。选取上证50指数为建模数据,运用小波分解将上证50指数收盘价序列分解成不同尺度的分层数据,依据迭代策略,利用BP神经网络分别预测小波分解后的各层数据,最后将各层的预测结果使用小波重构成原始股票收盘价的预测数值。结果表明,基于小波神经网络的多步预测模型具有良好的多步预测效果。

基于时空注意力机制的双向长短期记忆神经网络的股指预测研究

股票市场是一个高噪音的混沌系统,其外部属性之间的相关性问题以及在长期预测时外部影响对股价波动的加剧,导致对股票市场进行准确预测是一项富有挑战性的工作。为解决上述问题,本文利用基于注意力机制的双向长短期记忆神经网络(BiLSTM)对香港地区恒生指数收盘价进行有效性的实证检验。其中,空间注意力机制用于捕捉输入指标之间的相关性并为其赋予区别权重,时间注意力机制用于描述数据的时间相关性以解决长期预测中的时间依赖问题并为时间步赋予区别权重,BiLSTM神经网络用于拟合数据并构建预测模型。本文还比较了四种基于注意力机制的神经网络方法和六种基线方法,实验结果表明,与当下流行的股票指数预测方法相比,基于双维度注意力机制的BiLSTM可以在短、中、长期预测中均实现更准确的股票指数收盘价预测。

LM-BP算法在金融股指预测中的参数设定

针对股价系统内部结构的复杂性、外部因素的多变性,分析了基于BP网络进行股市预测的原理,利用三层前馈神经网络对股市建立预测模型,探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定等问题。为了避免网络陷入局部最小点和提高网络的收敛速度,算法采用改进后的LM-BP,并与其他BP算法进行比较。以最具代表性的上证指数为例,仿真实验表明了经过对筛选后的样本学习,并对所建的预测模型进行训练后,该LM-BP算法能够对有短期上证指数走势进行有效稳定预测。

略论ANFIS在金融股指预测中的应用

针对股价系统内部结构的复杂性、外部因素的多变性,分析了自适应神经模糊系统,并对股市建立预测模型。ANFIS是把神经网络和T-S模糊推理结合在一起的系统,从而克服了模糊理论不具备自学习能力和神经网络无法表达人类自然语言的缺点。对金融股指进行预测,以最具代表性的上证指数为例,通过ANFIS算法仿真实验分析,表明了该算法能够有效、可靠预测上证指数走势,并且能够将金融系统模糊规则明确,揭示金融系统运行模式。

基于v-SVR的金融股指预测及选时策略研究

文章将v-SVR(Support Vector Regression)应用于金融股指预测,并研究证券投资中的选时问题。以上证指数为研究对象,确定模型输入指标并研究模型主要参数与预测评价指标的关系。通过与ε-SVR及传统BP算法的比较分析,表明在有限样本情况下,v-SVR模型的预测偏差较小、预测方向的准确性较高;根据预测结果,提出了一种基于v-SVR模型的投资选时策略。

GA-BP算法在金融股指预测中的应用研究

本文提出一种GA-BP算法对金融股指进行预测研究,该算法结合遗传算法具有全局寻优的优点,能够克服BP算法进行预测时易陷入局部极小值和收敛速度慢的缺点;以股票市场的上证指数为例,通过与BP算法和LM-BP算法预测效果进行比较分析,证实了本文提出的算法在对上证指数进行预测时更为有效。

改进基因表达式编程在股票中的研究与应用

介绍了基因表达式编程方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出了一种基于动态变异算子的改进的GEP算法——IGEP(improved GEP)算法.动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度.还对算法进行了复杂度和收敛性分析.最后设计了一种基于IGEP的股票指数分析与预测算法,数值实验结果表明该算法优越于经典GEP算法,非常有效且具有较广泛的通用性.

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络(DFNN)进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率(ERR)修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例,通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析,表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析,为研究金融非线性系统辨识提供了启发性思路。

基于注意力的卷积神经网络金融时序数据预测

针对现有金融时序数据预测方法在构造金融特征图像的过程中因忽视市场环境变化导致的数据密度分布差异问题,提出一种基于滑动窗口标准化的金融数据预处理方法。所提方法将滑动窗口截取的数据使用独立的标准化转换为金融特征图像,使得依赖价格特征进行训练的卷积神经网络(CNN)模型能够学习到正确的映射关系;同时,针对金融特征图像的特征表达问题,为更好地捕捉其动态变化特征,将注意力机制引入CNN中,进而构建出一种注意力CNN金融时序数据预测模型。对标普500指数未来1天涨跌进行预测的准确率和F1分数分别为61%和0.7397,模拟交易实验投资回报率为23.04%,优于买入并持有策略。此外,消融实验结果也证明了预处理方法、注意力模块引入的有效性。