遗传算法和神经网络耦合的金融预测系统

神经网络具有强大处理非线性系统的能力和映射能力,在财务预警和金融预测中得到广泛应用.神经网络与遗传算法耦合的金融参数预测系统(GA-BP系统)是利用智能模拟算法,算法要点是遗传算法对神经网络预测金融系统拓扑结构层间权系值进行优胜劣汰演化,本文证明二者耦合能提高网络系统的效率和预测精度,实现了两种智能模拟方法的集成耦合.

广义回归神经网络的金融预测模型研究

本文针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于广义回归神经网络方法的金融预测模型,该网络运用于汇率模拟与预测,以演示训练样本的构建、原始数据预处理、神经网络的创建训练和检测结果的评价整个过程。通过详细的仿真实验以及与BP神经网络的比较可得出以下结论:该方法不仅运算速度较快,且逼近性能及预测性能明显都优于传统BP神经网络。

基于灰色线性回归组合模型的金融预测方法

建立精确的金融预测模型对金融产品管理和风险控制具有重要的实用价值。文章针对新时期下金融产品推出周期短,可建模数据少的特性,构建了一种少数据建模的灰色线性回归组合金融预测模型。针对传统GM模型中忽略了数据的线性变化规律,对传统的GM模型进行改进,加入线性部分,构建了灰色线性组合金融预测模型,并给出了灰色线性组合金融预测模型的参数识别算法。最后实证分析了灰色线性组合金融预测模型对少数据建模的有效性,且实证结果显示该组合金融预测模型具有较高的预测精度。

优化算法下LSTM模型在金融预测中的准确性研究

随着大数据和人工智能技术的快速发展,循环神经网络(RNN)在时间序列数据的预测中表现出很强的性能。长短时记忆网络(LSTM)是一种改进的RNN结构,能够更好地捕捉时间序列数据中的长期依赖关系。通过比较3种LSTM模型(单一模型无加权平均、使用Adam优化器的模型和基于加权平均的多模型融合方法)在金融数据预测中的准确性,对优化算法的LSTM模型的金融数据预测准确性进行研究。

风险管理和金融预测中的统计方法应用

统计方法在风险管理和金融预测中的应用日益广泛,先进的统计方法能够提高管理效率和预测精度。本文着重介绍马柯威茨组合理论在风险管理、马尔柯夫法和人工神经网络方法在金融预测中的应用。

软计算技术在金融预测应用进展研究

金融时间序列本质上是复杂的、高度噪声的,呈现出非线性行为,使得传统的统计方法难以有效地预测。随着计算技术的发展,已经出现了一些软计算技术用以支持金融时间序列预测。通过综述软计算技术在金融时间序列预测的数据准备、算法模型、自我训练学习、预测评估及优化方面的最新进展,从而便于研究者对已有软计算技术进行改进和研究新的预测算法。

类比合成算法及对金融预测的应用(英文)

本文介绍类比合成(AC)算法及其对预测的应用.该途径属于多维模式搜索法,可用于预测最模糊的对象.它自选择若干与已知参考模式相似的模式并利用其延拓建立参考模式的一个预测.

基于贝叶斯最大似然估计的金融预测

文章研究了基于贝叶斯最大似然估计的组合预测方法在金融预测领域中的应用。在构建组合预测模型时,运用贝叶斯最大似然估计理论分析了以往各期预测精度对于当期各单项预测方法权重设定的影响,在此基础上,运用灰关联度理论和泰勒级数理论,建立优化模型,确定最优权重的表达式。算例验证结果表明：相对于单项预测方法,当数据样本量较大时,金融预测的效果较好。

隐马尔科夫模型的改进及其在金融预测中的应用

隐马尔科夫模型(Hidden Markov Model)在诸多领域都有广泛应用.本文从不同角度对现有的HMM进行改进并应用于金融预测.首先,我们采取固定K-means方法的初始点,使得K-means的聚类结果更加稳定,由此为Baum-Welch算法确定更好的初始迭代值.其次,为更进一步提升预测效果,与已有方法不同,我们将由BaumWelch算法所得到的模型参数值作为Vertibi算法的输入来确定隐状态的最优取值序列,由此重新划分观测向量,进而得到各个隐状态对应的观测向量的集合;基于Vertibi算法的输出结果,我们重新计算不同类观测向量的均值与方差,将新的均值向量和协方差矩阵作为Baum-Welch算法初始迭代值,最终确定HMM最优的模型参数.最后,代替现有方法仅在历史区间中简单寻求相似走势的做法,我们不仅导出了预测值发生的多步条件概率的精细表达式,而且通过极大化该条件概率的值来得到更佳的预测值.基于中国证券市场具体数据的实证结果表明了本文所提出改进HMM的优越性.

基于IOWA算子的一维AR(p)组合金融预测模型

传统的组合预测模型,在重视预测效果的同时,往往较少关注"以过去预测未来"的问题。文章将IOWA算子和一维AR(p)模型理论相结合,构建基于IOWA算子的一维AR(p)组合预测模型。从而较好地解决了"以过去预测未来"的问题。算例结果表明,提出的组合金融预测模型的预测效果较好。

金融预测中的统计方法应用

自二十世纪50年代以来，随着世界经济环境的变化和科学技术的迅猛发展，西方市场经济国家掀起的金融变革和创新势潮，在推动世界各国金融市场和金融产业发展的同时，也为金融经济学各种理论和分析方法在社会经济的各个层次的应用创造了机遇和条件。从资本市场的运作、投资组合的构造、交易策略的选择，到理论假设的检验、分析工具的优化、监管制度的设计等等，几乎渗入了现代经济学的各个领域。在众多的分析方法中，金融预测中的统计方法应用具有极其重要的现实意义。本文着重介绍在贷款回收率预测中运用的马尔柯夫预测法和在期权定价、破产预测中运用的人工神经网络方法。

关于开展金融预测工作的探讨

金融工作迫切需要预测金融部门是国民经济各部门资金活动的中心和枢纽,是国家组织闲散资金,集中信贷,组织结算,对国民经济各部门、各企业进行监督的重要工具。在金融工作中,通过预测研究经济发展战略和发展方向,经济效益的提高,产品的需求,以及资金的活动情况等,不仅是非常必要的,而且是十分迫切的。 (一)预测是开创经济建设新局面的需要。党的十一届三中全会以来,我国城乡的经济形势发展变化很快。特别是经济体制和结构的改革,责任制的不断完善,使工农业生产、分配、交换、消费,都出现了许多新情况、新变化、新特点。

试谈金融预测

金融,现在越来越被人们所认识它在国民经济中的地位和作用;金融信息和预测也随之而起,成为发展国民经济中不可忽视的一项科学方法,以此来推测货币资金的来源和决定它的投向。我国的金融预测并不能象资本主义国家那样,已经有了较为成熟的经验。在资本主义国家除了有公开的货币市场外,还有大量的证券上市的证券交易所。从银行来说吧。

统一信息与金融预测

本文系北京大学访问学者刘观涛先生对于"统一论数学"的最新研究成果。在国外,IBM 及华尔街金融中心亦开展了性质相近的研究,初步成果正在试验与应用中。

统计方法在财务风险管理和金融预测中的应用

企业在正常发展过程中会面临各种风险,所以财务风险的管理和金融预测工作对于企业的正常经营具有非常现实的意义。近年来我国社会经济发展取得了骄人的业绩,尽管目前的发展速度在不断提升,但是企业发展过程中所面临的行业竞争也在不断加剧,所以为了更好地适应当前要市场经济发展形势需要,企业需要积极应用统计方法来分析企业的财务风险并做好风险管理,结合企业发展的现状,对统计方法在财务风险管理和金融预测中的应用进行探索。

电脑辅助金融预测的方法

本文以分割预测法和灰色预测模型为例，结合预测甘肃省西峰市１９９５、１９９６年的主要金融指标，说明用电脑辅助金融预测的方法和实际测算中的一些问题。

几种常见方法在财务风险管理及金融预测中的应用

众所周知,金融行业存在一定的风险性,如果在投资前不对其风险进行有效预测评估,则有可能给投资人造成严重的经济损失,因此财务风险管理和金融预测在金融行业中发挥着重要作用。 课题研究的重点是在金融预测领域和风险管理领域中,马科维茨组合理论、马尔科夫法和人工神经网络方法的应用成果,通过分析为财务风险管理和金融预测提供借鉴。

浅谈开展金融预测工作的条件

近几年来,各家银行都开展了金融预测工作,取得了可喜的成绩。但是,要想成功地推动金融预测工作,必须同时具备需求、认识、方法和人才四个条件。 一、需求。 十年改革,金融业得到长足发展,基本上建立了以中央银行为领导、以专业银行为骨干的多层次金融体系。专业银行由行政管理型向管理经营型转变,金融行业竞争日趋激烈。过去经营决策的过程是:属于定性的靠上级下达的红头文件,属于定量的靠上级批准的计划指标。在决策过程中,只有一个执行方案,没有多方案选择,更不需要预测,这时,只有执行,没有决策。在金融体制改革过程中,各级银行在某种程度上都有了部分自主权。

基于iTransformer模型的金融时间序列预测

金融时间序列的准确预测是经济政策制定者和投资者密切关注的焦点。本文选用工商银行作为金融时间序列的代表,用一种新颖的神经网络模型iTransformer对工商银行的股票价格进行预测。同时,将统计模型ARIMA、神经网络模型LSTM和Transformer作为对照组,比较了不同模型在不同时间范围内预测的准确性。实证结果显示,iTransformer确实适用于股票价格的预测,在短期、中期和长期这三种不同的预测区间内,其精度普遍优于对照组的预测模型。

基于GGInformer模型的金融数据特征提取及价格预测

为了解决金融时序预测任务中出现的特征参数冗余问题,用遗传算法对金融数据进行特征提取,通过三组对比实验进行验证分析。实验结果显示,加入了遗传算法的预测模型比未加入遗传算法的模型在三种数据集上的MSE均有所降低。最终结果证明遗传算法可以有效解决金融产品价格预测过程中的特征冗余问题。为了解决非线性的长序列金融数据预测效果差的问题,通过结合GRU网络和Informer模型构建了GGInformer模型来对金融产品价格进行预测。模型在三种外汇产品数据集上与其他四种预测基准方法进行了对比实验,实验结果与可视化分析表明,所提模型在金融产品交易价格的预测结果上有明显优势,可以提高预测的精度。