基于注意力机制和特征融合的股票预测方法

基于人工智能在金融数据中的应用,提出了一种新的股票预测方法,称为AFG。AFG使用位置编码和时间编码获取股票数据的位置信息和时间信息,然后通过门控循环单元和多头自注意力机制对股票数据分别进行特征提取。在将两类股票特征融合之后,由全连接层导出最终的股票预测曲线。

基于机器学习在股票预测中的应用

随着我国金融行业不断发展,股票市场预测已经成为该行业一个重点的实际问题,越来越多的学者投入股票预测的研究中,金融市场股票预测精度不断提升。归纳目前基于机器学习的股票预测研究现状,分别从单一模型、改进模型和组合模型分类介绍研究情况,总结不同类别下预测模型的优缺点。介绍各种用于股票预测的预测模型,以及不同模型的实际应用和研究现状,并总结这些模型的应用特点。最后使用ARIMA模型对科大讯飞股票预测开盘价走势,使用VAR模型预测先进数通的股票开盘价、收盘价、最高价和最低价。

融合图卷积和卷积自注意力的股票预测方法

随着我国股票市场的不断发展,一只股票的走势往往受其企业上下游产业发展的影响。针对主流股票预测模型忽略了股票间关联关系的不足,提出了融合图卷积和多头卷积自注意力的股票趋势预测模型。首先使用互相关系数计算多只关联股票的关系矩阵,再使用图卷积神经网络结合关系矩阵对关联股票进行特征提取,其次使用多头卷积自注意力提取时间特征,最后使用分类损失函数多项式展开框架对损失函数进行优化,并进行趋势预测。实验结果表明,所提模型在准确率、查全率、召回率以及F1分数上均优于门控循环单元、时间卷积网络等模型。

结合长短时记忆网络和宽度学习的股票预测新模型研究

长短时记忆网络(LSTM)近年来广泛应用于股票预测中,其结构特点易陷入局部最优,从而影响预测精度。借鉴宽度学习系统(BLS)在时间序列预测上良好的逼近能力,本文尝试宽度学习与深度学习相结合。进一步地,针对股票序列不平稳特点,引入互补集成经验模态分解(CEEMD)进行降噪处理,提出CEEMD-LSTM-BLS(C-L-B)股票预测模型。选取农林牧渔行业股票价格,对新提出的模型进行实证研究。通过与基线模型、现有股票预测模型对比,证明了新模型在多个精度指标上都有明显提升。特别地,通过分别将C-L-B模型与不融入BLS的CEEMD-LSTM模型,对CEEMD分解后的分量预测结果进行对比发现:LSTM模型预测存在一定的误差,且越是拐点处,越是高频波动,预测误差越明显。而C-L-B模型中的BLS模块能够解决这类问题。当数据出现较大波动时,本文提出的新模型与现有模型相比,可以很好的解决拟合差、时滞等问题。

基于BiLSTM-SA-TCN时间序列模型在股票预测中的应用

针对股票预测模型存在时效性和预测功能单一化的问题,本文在长短期记忆网络(LSTM)的基础上,提出了融合自注意力机制(SA)和时间卷积网络(TCN)的双向长短期记忆(BiLSTM)神经网络(BiLSTM-SA-TCN)股票预测模型.BiLSTM-SA-TCN模型中的学习单元和预测单元可以有效学习重要的股票数据,同时能够抓取长时间的依赖信息,输出次日股票收盘价预测值.实验结果表明,BiLSTM-SA-TCN模型在多个数据集上的预测结果更加稳定,模型泛化能力较高,在对比实验中,BiLSTM-SA-TCN模型在大部分数据集上均方根误差最小,平均绝对值误差最小,拟合度R^(2)最优.

基于时间序列与机器算法的工商银行股票预测分析

股票市场在国家经济发展中发挥着重要作用,对于投资者来说,其有可能获得超额收益,也有可能遭受巨大损失。因此,如何合理地对股票未来发展作出预测,是投资者关心的问题。文章基于支持向量机、逻辑回归及BP神经网络3种机器学习算法建立分类预测模型,对工商银行股票下一个交易日的涨跌走势进行分析预测,并使用时间序列ARIMA模型进行预测,综合考虑训练模型,分析比较时间序列模型与机器学习对工商银行股票的预测能力。

改进的NSGA-Ⅲ-XGBoost算法在股票预测中的应用

为提高股票预测的准确度和减少运行时间,提出了一种改进的非支配排序遗传算法与极致梯度提升树模型相结合(INSGA-Ⅲ-XGBoost)的股票预测模型。该模型特征工程包括小波分解、扩展特征、数据清洗、归一化。模型采用两种过滤式特征选择的集成信息初始化种群优化NSGA-Ⅲ算法,以最大化准确度和最小化解的解决方案大小作为优化方向,使用多染色体混合编码的方式同步进行特征选择和优化模型参数。将选择的特征子集和参数输入XGBoost训练预测并迭代优化。实验结果表明,INSGA-Ⅲ-XGBoost算法与未改进的多目标特征选择算法和单目标特征选择算法相比,平均准确度最高、解方案最小、运行时间最短;与深度学习模型相比,不仅准确度更高、运行用时大幅减少,并且该模型具有可解释性。

基于注意力机制的LSTM模型股票预测研究

随着投资市场的不断发展壮大以及人工智能时代的来临,通过传统的投资方法分析投资标及对投资标的未来走势进行预测已不能满足基金经理们的投资需求.本文结合深度学习中的长短时记忆神经网络(LSTM),提出一种基于注意力机制的LSTM模型对股票价格进行预测.通过对银行板块中的股票进行研究与预测,找到最优的时间步长为10,并通过对比LSTM模型和LSTM-ATT模型,验证了LSTM-ATT模型具有更高的预测准确率.

基于财经新闻的多维情感特征融合交易特征的股票预测模型研究

该文对互联网财经新闻中的情感倾向进行多维量化分析.引入卷积神经网络,按新闻类别提取多维情感特征,提出了融合多维情感特征和股票交易特征的股票价格LSTM预测模型.然后分别以贵州茅台和万科A为实证对象,对有无融合多维情感特征的股票预测模型进行比较.结果表明,引入基于财经新闻的多维情感量化特征,融合股票交易特征构建的股票预测模型能显著提高股票预测的准确率.

基于特征优化与损失函数改进的股票预测模型

对于股票趋势的准确预测具有重要的商业价值,将股票趋势预测任务转化为二元分类问题,提出了一种基于改进损失函数的股票预测方法,使用小波变换对原始数据进行去噪处理,通过随机森林算法对技术指标进行筛选。实验选择了沪深300等指数与个股,对提出的改进方案进行验证,结果表明改进后的预测模型仅使用15个技术指标作为输入特征,对于不同市场的指数与个股仍然具有很好的预测能力,模型平均准确率达到60.6%,平均精确率达到62.2%。

神经网络与时间序列模型在股票预测中的比较

首先利用时间序列中的AR IM A模型和人工神经网络建立了两类股票价格预测模型并对一定时期的股票价格进行了预测,然后用4种广为使用的统计评价方法对两类模型的预测性能进行了比较。结果表明,两种模型都取得了很好的整体预测效果,而在趋势预测方面,神经网络则得到了比AR IM A模型更准确的结果。

粗糙集属性约简方法在股票预测中的应用研究

针对神经网络在股票预测中遇到的困难,在预测模型中引入粗糙集理论,提出一种基于粗糙集与神经网络相结合的预测方法,并根据基本遗传算法的弱点对其进行了改进。首先,介绍了基于遗传算法的属性约简方法,对各遗传因子进行改进。然后,采用基于改进遗传算法的属性约简方法对模型的样本数据进行约简,删除冗余数据,得到样本输入的最小约简。最后,利用约简后的样本对预测模型进行训练与检验。实验结果表明,该方法具有较高的预测精度,能有效地解决网络结构复杂、学习速度缓慢等问题。

基于自适应遗传算法的股票预测模型研究

为了解决单一神经网络模型很难满足股票预测建模要求的问题,提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中,改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙集属性约简相比传统的粗糙集属性约简,其具有更强的求解最小属性约简的能力,解决了神经网络预测时训练速度慢、内存开销大等问题;在数据预处理过程中,引入聚类分析,有效解决了连续属性离散化的问题。实验结果证明,该预测模型具有较高的预测精度,在时间序列的股票预测中是相当有效的。

基于细粒度演化超网络的股票预测

为了更准确地预测股票的走势,提出了一种基于细粒度演化超网络的股票预测方法.对2011年证券年报数据进行处理,以预测其中股票在2012年的走势.采用卡方分裂算法和等宽度离散化相结合的方法对股票数据进行有效的离散化,以应对连续型数据简单二值化处理造成的信息损失,然后采用细粒度演化超网络模型预测每支股票在未来一年内的走势.试验结果表明:细粒度演化超网络对股票走势预测正确率是86.73%,股票上涨预测正确率是75.00%.得到了用细粒度超网络挖掘影响股票上涨的重要特征组合及其对应的取值范围,为投资者提供了一种可靠而又方便的选股新方法.

多agent股票预测支持系统的设计

股票市场的预测是一个非常难的研究课题 ,建立股票预测支持系统是进行股票预测的一种有效手段。本文提出一种全新的利用多 agent系统来设计股票预测支持系统的方法 ,将每一种定性或定量的预测方法都设计成一个预测 agent,各个预测 agent都有预测求解方法、知识处理及同其它 agent通讯合作的能力。随着系统的运行 ,各个 agent不断地学习以提高自己的能力 ,从而提高整体系统预测的准确性。

基于扩展Kalman滤波的神经网络学习算法在股票预测中的应用

给出一种新颖的用于股价预测的基于扩展 Kalman滤波的神经网络学习算法。与传统的 BP算法相比 ,该方法具有更好的收敛率和学习能力。通过对股票的预测实验验证该方法的可行性和有效性。

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题,传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机(SVM)股票预测方法。利用沙河股份的股票数据,建立股票收盘价回归预测模型,该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明,该方法比神经网络方法以及时间序列方法的预测精度更高,可以很好的应用某些非线性时间序列的预测中。

关联规则挖掘算法在股票预测中的应用研究——基于遗传网络规划的方法

将遗传网络规划用于解决数据挖掘中的关联规则问题。相对于传统的关联规则挖掘算法,基于遗传网络规划的方法通过其中的遗传算子能够以递增的方式发现关联规则,从而避免了传统方法需要将全部数据库遍历才能得到规则的局限性。通过将要挖掘的关联规则定义为事务间的关联规则,以解决股票市场中的价格预测问题。

基于粒子群训练的神经网络股票预测模型

文章将粒子群优化算法用于神经网络预测模型的学习训练,并且将这种方法用于股票预测中。实验结果表明,基于粒子群训练的神经网络学习算法更易于实现,且准确率较高。

一种新的时间序列分析算法及其在股票预测中的应用

分析了股票市场高度非线性的特点,给出了一种改进的时间序列分析算法。新算法利用径向基网络来对序列中的历史信息进行非线性组合,从而比基于线性组合的时间序列分析算法的基本模型更能有效地挖掘出序列中历史信息之间的相互作用。新算法还利用改进的遗传算法对径向基函数的中心和宽度进行了全局范围的优化选择,进一步提高了径向基网络的非线性映射能力。运用该算法对股票走势进行了预测,取得了令人满意的效果。