融合情感分析和GAN-TrellisNet的股价预测方法

将时序深度神经网络应用于股票价格预测,已成为量化金融领域的重要研究方向。时序神经网络具有很好的序列数据捕捉能力和学习记忆能力,在股票预测上有一定适用性。但是现有的模型大多存在预测准确度不高、模型结构复杂导致训练时间较长等问题.为了解决以上问题,提出了一种基于情感分析和GAN-TrellisNet的股价预测方法。提出了一个基于LSTM-CNN的情感分析模型,用于分析爬虫获取的主流金融论坛股票评论,并获得股票情感指数。为了提高预测准确度,将情感指数和百度搜索指数加入股票交易数据中作为训练集,提出了一个基于TrellisNet和CNN的改进型GAN股价预测模型,利用TrellisNet生成器的卷积特性来捕捉数据的局部特征,选取特征提取能力较强的CNN作为判别器来区别预测结果和真实股价。通过选取10只代表性股票和三种大盘指数的不同时段数据进行算法验证,结果表明,与ConvLSTM和GAN-LSTM预测模型相比,GAN-TrellisNet模型能有效缩短训练时间,提高预测准确率。

基于双流LSTM神经网络的股价趋势预测

股价波动研究依赖分析金融新闻数据集浅层特征,而忽略了金融新闻句子中单词之间的结构关系,从而导致股价波动预测研究效果不佳。针对该问题,提出了一种基于双流长短时记忆网络(long short term memory network,LSTM)神经网络的股价趋势预测模型(Sent2Vec-DLSTM)。该模型的创新之处在于:提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec;提出了新型的双流LSTM神经网络(Dual-stream LSTM,DLSTM)。在实验中,首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测,然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明,Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。

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。

基于BP神经网络的我国股指期货价格预测

应用BP神经网络理论提出了我国股指期货市场价格走势短期预测模型。首先根据实验数据的特点分别构建单因素、多因素BP神经网络预测模型,再通过重复试验的方法,运用BP神经网络对股指期货价格序列进行训练,从而对股指期货价格进行预测。结果表明,通过BP神经网络预测模型得到的预测值与股指期货的实际价格有着很高的拟合度。

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法(EMD)和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量(IMF),再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。

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.

股指期货定价相对位置及其预测能力检验

文章以我国沪深300股指期货为研究对象,使用ETF与股指期货构造套利组合并通过无套利定价原理得到期货理论价格区间后,结合股指期货实际价格定义出文中使用的定价相对位置指数,并使用基本回归模型检验这一指数对股指期货基差和收益率的预测能力。最终得出结论:期货实际价格在理论区间内相对位置的变动可以由情绪解释一部分,文中定义的定价相对位置Pt具有对股指期货基差良好的预测能力,但对收益率的预测能力不足。

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。

股指上涨期阶段高位风险区域的价量弹性预测

基于供求关系研究了股票上涨阶段的价量关系,提出了股指上涨期阶段高位风险区域的价量弹性预测方法.将市场参与者假定为庄家和散户,从供求关系出发分析了上涨期股价和成交量变化间的内在机理,得出良性上涨阶段,二者之间有窄幅波动的相关系数,而在高位风险区域,会出现剧烈波动的相关系数.进而借助经济学上弹性的概念建立价量弹性系数指标,以该指标为变量建立上涨期的预测模型.由于在高位风险区域成交量和股价变动之间相关系数的剧烈波动,必然会导致该区域预测结果与实际结果的异常差异,因而可根据此差异确定风险区域.最后利用上海证券综合指数对预测方法进行实证研究.

基于THUCTC的金融语料情感分析模型优化

近几年,情感分析技术引起人们的兴趣,在金融应用上,可以作为投资者投资前的参考.但是现有方法存在应用过于专一、数据偏差、结果过于笼统和不够精确的问题.因此本文优化一个通用的中文文本分类器,用于对在线评论数据和股票新闻数据进行情感分析.收集整理了2万条数据作为语料库,每条数据分别由3个人进行独立标注.之后对THUCTC进行优化,具体从3个方面对中文文本分类器进行优化,首先是词语切分,使用词干词典方法结合不同的分词法,实验比较后得到二分法为最好的结果;其次,为分类器选择最好的内核,发现Liblinear内核对即时性要求较高的投资人更好,另一方面Libsvm在提高准确率方面更有优势;最后在金融导向的情绪字典方面,它由Chi-square和TF-IDF方法构建,可用在普通文本分类器上.通过这种方式,本文的结果可以被推广且不会失去准确性.

基于MFR-GEP的高阶常微分方程预测模型

股价预测一直是金融投资领域的热点问题,但是股票市场相关指标数据的波动性和不确定性使得股价预测问题成为难点。因此对于非线性且受到多因素影响的股票系统,传统的预测方法无法准确地表达股价的变化规律,预测效果较差。针对复杂的股价预测问题,建立了基于多指标正则化GEP算法(Multiple Factor RegularizationGene Expression Programming,MFR-GEP)的高阶常微分方程模型,利用数值差分拟合股价数据,并且加入影响股价的其他指标作为正则项,其中利用指标相关性确定正则项权重参数,应用模糊粗糙集的原理确定子函数映射。该模型能够刻画股价随时间的变化趋势,更好地描述数据波动,正则项的加入使得模型可以根据多指标进行预测,避免因单一指标引起的预测精度低等问题。最后将提出的算法与标准GEP算法及传统预测算法进行对比实验,结果充分验证了该算法的有效性和准确性。

基于模糊近似支持向量回归的股价预测研究

股价预测是投资策略形成和风险管理模型发展的基础。为了降低股价变化趋势中的噪声信息和投资者关于两种股价预测误差的不同偏好对股价预测的影响,提出了基于信噪比的模糊近似支持向量回归(FPSVR)的股价预测模型。首先构建信噪比输入变量,然后引入模糊隶属度和双边权重测量方法对支持向量回归(SVR)模型进行改进,最后借助沪深300成份股2008至2019年的股票时间序列日数据,按照股市的波动情况将其分为三个阶段(牛市、熊市、震荡市),并建立三个基准模型进行对比分析。研究结果表明:与三个基准模型相比,所提出的股价预测模型的预测误差最低;与原有的SVR模型相比,FPSVR模型可以更好地对处于牛市和震荡市阶段的股票时间序列进行股价预测。

基于TA和SA的股价预测系统的实现

为满足对金融市场的进一步了解以及股价预测的需求,结合投资者的情感倾向提出了一种基于TA/SA(technical analysis/sentimental analysis)的股票价格预测模型,建立投资者情感与未来股票价格之间的关系的方案。该方案主要包括获取情感指数,建立回归模型以及计算未来股票收盘价。利用该模型预测200只股票价格并与SVM和BP神经网络两种模型预测结果进行比较,结果显示所提出模型的预测正确率分别提高了10.9%和7.4%,表明该模型具有更好的预测准确性和实用价值。

模糊推理方法在股市预测中的应用

以日成交金额和 15日相对强弱指标的绝对量和增量共 4个变量作为影响股指走势因素 ,应用模糊推理方法对沪市中短期上升行情进行预测 ,结果较为满意 .模糊推理方法对每一种影响因子 (xi)与输出因子 (y) ,统计其在每一分级中占的次数 ,取两者次数的比值即为分级模糊关系值 ,从而得到模糊关系矩阵 R(xi,y) .再取 R(xi,y)每行最大值相加 ,可得到 4个数值 .以每个数值除以 4个数值之和 ,即为每个影响因子权重 wi.最后 ,建立预测模型 y=w R* .R*是由所预测行情的

基于财务指标的股价涨跌预测模型

针对创业板短期股票价格涨跌趋势的预测问题,提出了利用财务指标进行分析的股价涨跌预测模型。通过分析股票市场的影响因素,确定了由6类财务指标构建的特征变量体系;为消除特征变量之间的共线性,对特征变量应用递归特征消除法、主成分分析法等进行降维;改进测试集选取方法,选用与训练集具有相同季节特征的数据作为测试集,以消除季节性影响;选取随机森林、支持向量机、岭回归3种机器学习算法建立数学模型进行对比分析。结果显示,主成分分析与支持向量机的组合模型表现最好,其评价指标中测试集精确度为0.771 812,表现较好;其KS指标在训练集和测试集上的差值为0.002 45,低于其他模型,表明该模型对创业板股票数据的适配性最高。

灰色系统模型GM(1,1)在股指灾变预测中的应用

将灰色系统理论应用于股市预测 ,建立了灾变日期预测模型。运用该模型进行上涨周、局部低点周及灾变转折点预测的实例表明 ,灾变预测模型在股市预测中具有操作性强、实用价值高、易于普及应用的特点。

股指预测的马尔柯夫过程模型

本文给出了用马尔柯夫过程预测股市短期或中期走势的一般方法。

基于SOM和SVMs的沪深300指数多步预测

针对股票价格指数多步预测问题,提出基于SOM(自组织映射神经网络)和SVMs(支持向量机)的多步预测方法。该方法首先运用SOM对股票价格指数序列的输入模式进行聚类,得到若干模式相对单一的数据集,然后依据两种多步预测策略,基于划分后的数据集分别构建SVMs多步预测模型。针对SVMs建模中参数选择问题,论文应用PSO(粒子群优化)方法进行参数寻优。数据实验结果表明,相对于单一SVMs预测模型,基于SOM和SVMs的多步预测模型具有较好的多步预测性能。

基于小波分析的ARIMA模型对上证指数的分析与预测

股票价格的预测一直受到广泛关注,其预测方法虽然很多,但是往往存在预测精度有限、容易陷入局部极小等问题.为了提高股票价格预测的准确性,提出了基于小波分析的A砒MA模型的股票价格预测方法,同时利用该方法对上证指数收盘价的月平均值进行实例分析,并与其他方法的预测结果进行了比较,结果表明了提出方法的有效性.

基于双AR(p)模型的股价分析及其实证研究

在双AR(p)模型的基础上,选取了具有代表性的沪深300指数,并对其部分股市收盘价序列进行了平稳化处理,研究了近期中国股市的股价波动.在双.AR(p)模型严平稳条件下进行了模型诊断,最后通过动态预测得出双AR(p)模型可用于股价预测的结论.