基于TSO-LSTM神经网络的股票收益率均值预测模型及其在智能投资中的应用

根据股票收益的历史数据,建立数据和模型双驱动的智能资产配置系统,指导股民投资实现收益最大化.使用金枪鱼群优化(TSO)算法寻参的长短期记忆(LSTM)神经网络为分布鲁棒优化投资组合模型提供收益率的均值与协方差矩阵,求解更符合实际情况的分布鲁棒模型得到投资方案.该模型提出的方案在未来前10 d的收益明显高于直接使用历史均值的分布鲁棒模型,亏损天数少于直接使用历史均值的分布鲁棒模型和平均分配资金的方案.同时该文提出的决策系统随着时间的推移,可以通过更新历史数据重新训练LSTM网络,使得模型保持良好的效果.TSO-LSTM神经网络能有效地抓住股票收益率的历史数据特征,实时动态地为投资者提供良好的投资决策.

基于BP神经网络的海外铁路建设项目投资风险评估研究

“一带一路”倡议的推进实施加快了我国铁路“走出去”的步伐,但海外铁路项目具有建设周期长、投资规模大、风险因素复杂等特点,因此如何评估复杂环境下中国铁路“走出去”面临的投资风险,以实现科学决策是现阶段亟待解决的问题。以雅万高速铁路等31个案例为基础,运用案例分析法识别海外铁路建设项目投资风险并构建风险指标体系,采用粒子群优化算法、误差反向传播神经网络等方法建立海外铁路建设项目投资风险评估模型,并针对风险等级较高的技术风险及政治风险等提出相关防范建议。研究表明:技术风险对海外高速铁路建设项目投资影响所占权重达到22%,需强化风险控制;研究成果可用于我国铁路“走出去”投资风险评估,有助于提升海外铁路建设项目投资决策效率。

基于神经网络的班轮航线配船优化方法

通过一种神经网络算法对班轮航线配船进行了优化求解 ,其计算结果经验是正确的 ,符合运输任务少时吨位大的船舶优先分配到各条航线 ,从而减少运输成本的原则 ,此算法表明 ,基于神经网络的优化方法对于其它的数学规划也是可行的 ,开辟了优化求解的新思路。

投资分配的神经网络求解

本文用神经网络的方法来探讨投资分配问题，即探讨怎样将有限的投资 资金合理地分配到相互关联的各个投资领域，以使投资收益最大的问题 同时也涉及了多元投资预测和最小投资方案等优化问题。

基于GRA-IPSO-BPNN的大中型水电项目投资估算模型研究

水电项目投资估算对投资者安排融资和管理项目具有现实意义。在此背景下,提出基于灰色关联分析的改进粒子群优化BP神经网络(gray relation analysis,GRA;improved partical swarm optimization,IPSO;back propagation neural network,BPNN)的大中型水电项目投资估算模型。首先,借助文献回顾法和专家经验法初选影响水电项目投资的工程特征,并利用灰色关联分析筛选关键工程特征参数;然后,构建基于IPSO算法优化的BPNN模型实现水电项目投资估算;最后,通过算例分析验证了基于GRA-IPSO-BPNN的投资估算模型具有实用性和可靠性。根据实证结果,IPSO-BPNN模型相较于BPNN和PSO-BPNN,预测误差更小,可以实现大中型水电项目准确、快速、有效的投资估算。

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。

嵌入式灰色系统人工神经网络方法在投资决策中的应用

为了科学准确地进行投资决策，首先运用灰色系统理论中的数据处理方法对投资中的灰色性进行处理；然后再利用人工神经网络对投资问题进行建模并进行模型的学习与训练．采用嵌入式将数据处理方法和建模方法结合为一体．经过对模型的学习与训练，对所有的投资分配组合，利用训练好的网络仿真计算，重新调整投资分配，使所得的利益最大，从而可以确定最佳的投资分配．仿真实验表明，该方法具有很高的精确度，在投资决策方面具有广泛的应用前景．

风电建设过程中机组优化选型方法

风电机组优化选型对于风电场投资收益具有重要影响。利用神经网络模型对风电场总投资进行估算,再通过风电场全寿命周期费用-效益模型对各种机组进行技术经济比较,可实现机组的优化选型。以某风电场机组选型为例,对该优化方法进行了分析论证,其结果表明该方法是可行的,具有理论及工程应用价值。

基于VMD-LSTM神经网络的量化投资研究

针对2022年第十四届“华中杯”大学生数学建模挑战赛B题,首先,对44个经济技术指标与“数字经济板块”中的收盘价进行皮尔逊相关性分析,提取出高度相关的指标;然后,使用变分模态分解算法对收盘价历史数据进行分解以降低训练集的非平稳性,再使用长短期记忆神经网络对分解后的各模态分量进行预测并加和重构;其次,对收盘价和与其高度相关的指标进行多元线性拟合得到关系式,并使用粒子群算法优化权重来修正预测模型,采用时间序列交叉验证对模型进行评判,结果表明模型的泛化能力良好;最后,基于收盘价预测结果,结合相关强弱指标、对数移动均线、布林线及夏普比率来进行量化投资.

数据驱动的出口管熔模铸件夹杂预测与工艺优化

提出了基于BP神经网络与改进粒子群算法的夹杂预测与工艺优化方法。首先,基于华铸ERP系统进行数据挖掘及清洗;其次,建立结合粒子群算法与BP神经网络的缺陷预测模型(Particle Swarm Optimization-Back Propagation,PSO-BP),相比普通BP神经网络,精度由92.1%提升至94.7%;最后,提出结合K近邻插补法与改进粒子群算法的工艺优化方法(K-Nearest Neighbors Imputation-Improved Particle Swarm Optimization,KNN-IPSO)。经模拟验证,相比生产前工艺在不同扰动下优化算法的缺陷率分别降低了52%和40%。

交通工程项目虚拟集成投资估算决策技术

在深入分析国内外交通工程项目投资决策经验和方法的基础上,以全生命周期显著性造价理论和已完类似工程为基础,将国际国内先进的虚拟现实技术和非线性估测技术等方法集成融合应用于交通工程项目虚拟集成投资估算决策中,建立了科学先进的交通工程项目虚拟集成投资估算决策模型,以巴中市公路基础设施建设项目为案例进行了验证分析。本论文对于提升交通工程项目投资决策效率和准确度,实现投资决策从线性、二维、"看不见的决策"到非线性、三维、"看得见的决策"的理论和实践的提升,具有重要的理论研究和实际应用价值。