基于支持向量机的股票价格预测研究

在股市投资测试问题的研究中,股价是一种高度不稳定、复杂且难以预测的时间序列数据,传统预测方法都是基于线性模型,忽略了股价的非线性特征,导致预测精度不高.为解决股价预测过程中的精度不高的难题,提出支持向量机引入到股价预测的建模中.首先采用支持向量机非线性扩展样本对时间序列模型定阶,并利用前向浮动特征筛选法选择特征,建立基于支持向量机的股市预测系统模型,对股价进行仿真实验.仿真结果表明,支持向量机模型比神经网络和CAR模型有较高的预测精度,证明适用于股市预测等非线性问题的预测,且有较高的精确度和应用价值.     

基于多层级新闻的股价预测与交易策略研究

构建包括公司、子行业和行业三个层级的综合新闻体系,从新闻层级角度拓展了股价预测任务中所使用新闻的范围,研究多层级新闻体系对股价趋势的预测作用。为了更好地利用各层级新闻,引入了多核学习（MKL）模型。研究发现,三个层级的新闻都能在预测中发挥作用,相比只考虑个股新闻的SVM模型,基于多层级新闻的MKL模型预测准确率提升了10%。在此基础上构建交易策略,模拟交易的结果显示,引入多层级新闻的MKL模型能获得超额收益,表明其在市场交易中具有实践价值。     

K线能量计算的股市生命期态势预测方法*

股市中K线特征是股价涨跌的因果信息,基于支持向量机（SVM）的股价预测模型没有考虑K线特征知识,对于股价态势难以有效预测。本文提出基于K线能量计算的股市生命期支持向量机态势预测算法（LPF-SVM）。首先,提取典型K线特征,通过引入特征的孕育成熟度和爆发力定义,给出K线特征支持向量机算法（KLF-SVM）;进而,在KLF-SVM算法基础上定义特征的能量计算模型,给出一种K线能量计算的SVM股价预测算法。为了有效地预测态势,引入股价波动的生命期概念,通过K线组合特征判定股价所处的生命期的阶段,进而结合生命期阶段之间的时序影响关系,给出一种基于生命期的股价态势预测算法。在上证和深证数据集上的实验结果表明,LPF-SVM算法对于股价上升波段和下跌波段的股价预测取得了很好的效果。     

基于扩散模型生成数据重构的客户流失预测

在数据挖掘领域普遍存在数据不平衡影响到模型预测精度的问题,同时还存在未考虑用户隐私保护的问题.生成伪造数据是一种重要的解决方法,但在以结构化数据为主的场景中,由于存在数据特征维度多且不相关等特点,生成高质量的数据存在挑战.考虑到扩散模型在图像生成等任务中被成功应用,以客户流失预测为典型应用场景,尝试将扩散模型应用到客户流失预测任务中.针对该场景数据中的数值型特征和类别型特征,通过高斯扩散模型和多项式扩散模型获得生成数据,并对模型预测效果和数据隐私保护能力进行研究和分析.在多个领域的客户流失数据上进行了大量实验,探索应用生成数据对真实数据融合重构的可能性.实验结果表明基于扩散模型可生成高质量数据,且对多种预测方法均有一定提升,可实现缓解数据不平衡问题.同时,基于扩散模型生成的数据分布更接近真实数据,具有应用于用户隐私保护的潜在价值.     

特征背离和风险偏好分析的股价态势预测方法

由于股价走势与技术指标走势存在不一致性,基于技术特征的股价态势预测算法效果不佳。从特征背离角度提出了一种股价态势预测算法(Deviated Characterisitics Predict Algorithm,DCPA),该算法首先进行背离特征的提取,并计算特征的背离程度,然后根据特征的背离程度值和股票的收盘价利用BP网络进行股价态势预测。由于当市场风险偏好高时特征背离与股价态势之间相关性很弱,因此在DCPA算法的基础上提出了一种风险偏好的股价态势预测算法(Risk Preference Based Deviated Characterisitics predict Algorithm,RPDCA)。首先提取与风险偏好相关的特征,利用风险偏好计算模型获得当前的市场风险偏好类型;进而利用贝叶斯网络学习风险偏好、背离特征与股价走势之间的关系,并利用结点非对称信息熵分析风险偏好与背离特征之间的依赖关系;最后根据风险偏好与背离特征之间关系的变化,自适应性地利用BP网络预测股价态势。在实际数据上的实验比较与分析结果表明,RPDCA算法在股市短期预测中具有更高的预测精度。     

一种多源数据驱动的自动交易系统决策模型

股票自动交易系统属于典型的复杂系统,其成功的关键是如何对股价进行有效的预测与决策.股价受多种信息的影响,但传统的自动交易模型多建立在历史交易数据的基础上.针对上述问题,本文综合利用新闻文本数据与股价技术指标数据,基于人工神经网络（Artificial neural netuorks,ANN）方法设计了一种多源数据驱动的股票自动交易决策模型.本文首先分析了各类财经新闻的特点及其对股价的影响,然后设计了相应模板抽取了中文文本中的财经新闻事件;在此基础上,设计了历史股价和新闻事件数据共同驱动的ANN-News模型,并利用实际数据验证了模型的有效性.实验发现,ANN-News模型比传统的机器学习类模型股价预测准确率提升约4%,收益率提升约7%.     

基于近端强化学习的股价预测方法

股价预测一直是金融时间序列研究的热点和难点,采用一种合理有效的股价预测方法对于投资者获取高额收益回报及规避交易风险具有重要的指导意义.通过结合近端策略优化(proximal policy optimization, PPO)和强化学习(reinforcement learning, RL),将股价预测视为一个时间序列预测问题,提出一种近端强化学习的股价预测方法 (PPORL).此外,在预测方法的基础上引入股票的相对强弱性能和股票均线指标,提出一种能够自动捕捉潜在交易点的量化交易策略,期望在获取高额收益的同时降低交易过程中存在的风险.通过实验对比了长短期记忆网络(long short-term memory, LSTM)和循环神经网络(recurrent neural network, RNN)模型在上证指数(SZZS)、深证成指(SZCZ)和沪深300指数(HS300)上的预测性能和交易决策表现,并利用多种误差评估方法对预测结果进行定量分析,从而验证了PPORL在预测性能和交易决策等方面的有效性和鲁棒性.     

基于回声状态网络的短期股价预测模型

针对传统单只股票预测模型预测精度低以及传统神经网络训练过程复杂的问题,提出一种基于ESN(Echo State Network)的地区行业通用模型,该模型可预测同地区同行业内任意股票。使用ESN建立了上海地区房地产行业的股价预测通用模型,简化了训练过程,且与单只股票预测模型相比,该通用模型预测精度明显提高。在通用模型基础上提出一种基于数据波动性聚类的KMeans-ESN模型,通过实验得出:基于ESN的短期股价预测地区行业通用模型适合波动大的数据、基于数据波动性聚类的KMeans-ESN短期股价预测模型适合波动小的数据。     

基于智能电表数据的家庭特征联合预测算法

现有大多数工作都是通过智能电表数据独立地预测单户特性,而忽略了不同特性的联合分析,对此构建一种多任务学习模式,判别多任务间关系.该模式将每个特征看作一个独立的任务,并尝试同时预测多个家庭特征.主要解决了不同特征之间关系的嵌入结构问题和原始训练数据中存在冗余特征问题.模型通过获取任务协方差矩阵捕捉不同特征之间的内在联系,...     

结合模糊控制的时序数据预测循环神经网络

时序数据处理任务中,循环神经网络模型以及相关衍生模型有较好的性能,如长短期记忆模型(LSTM),门限循环单元(GRU)等.模型的记忆层能够保存每个时间步的信息,但是无法高效处理某些领域的时序数据中的非等时间间隔和不规律的数据波动,如金融数据.本文提出了一种基于模糊控制的新型门限循环单元(GRU-Fuzzy)来解决这些问题.本文在GRU的基础上对记忆层增加了一个子空间分解,由模糊控制模块和一个启发式的失效函数组成,根据数据波动和时间间隔决定记忆层保留的信息量,从而提升模型性能.实验表明,相比于其他的循环神经网络模型,在标普500和上证50中选出股票的股价预测任务中,本文提出的模型有较好的表现.     

Distance-based tree models for ranking data

Ranking data has applications in different fields of studies, like marketing, psychology and politics. Over the years, many models for ranking data have been developed. Among them, distance-based ranking models, which originate from the classical rank correlations, postulate that the probability of observing a ranking of items depends on the distance between the observed ranking and a modal ranking. The closer to the modal ranking, the higher the ranking probability is. However, such a model basically assumes a homogeneous population and does not incorporate the presence of covariates.To overcome these limitations, we combine the strength of a tree model and the existing distance-based models to build a model that can handle more complexity and improve prediction accuracy. We will introduce a recursive partitioning algorithm for building a tree model with a distance-based ranking model fitted at each leaf. We will also consider new weighted distance measures which allow different weights for different ranks in formulating more flexible distance-based tree models. Finally, we will apply the proposed methodology to analyze a ranking dataset of Inglehart’s items collected in the 1999 European Values Studies.     

融合显/隐式反馈的社会化协同排序推荐算法

传统的基于评分预测的社会化协同过滤推荐算法存在预测值与真实排序不匹配的固有缺陷,而基于排序预测的社会化协同排序推荐算法更符合真实的应用场景。然而,现有的大多数基于排序预测的社会化协同排序推荐算法要么仅仅关注显式反馈数据,要么仅仅关注隐式反馈数据,没有充分挖掘这些数据的价值。为充分挖掘用户的社交网络和推荐对象的显/隐式评分信息,同时克服基于评分预测的社会化协同过滤推荐算法存在的固有缺陷,在xCLiMF模型和TrustSVD模型基础上,提出一种新的融合显/隐式反馈的社会化协同排序推荐算法SPR_SVD++。该算法同时挖掘用户评分矩阵和社交网络矩阵中的显/隐式信息,并优化排序学习的评价指标预期倒数排名（ERR）。在真实数据集上的实验结果表明,采用归一化折损累计增益（NDCG）和ERR作为评价指标,SPR_SVD++算法均优于最新的TrustSVD、MERR_SVD++和SVD++算法。可见SPR_SVD++算法性能好、可扩展性强,在互联网信息推荐领域有很好的应用前景。     

财务困境预测模型与仿真研究

公司财务困境受到决策者、市场、经济和政策多种因素影响,针对传统预测方法预测精度低缺陷,提出了一种贝叶斯判别分析的财务困境预测方法。首先选用了反映公司财务状况的24个指标作判别因子,建立了公司财务困境的贝叶斯判别分析模型,然后采用85个上市公司的实际数据作为学习样本建立贝叶斯判别函数,以交差确认估计法对判别准则进行评价,以验证模型的有效性,最后利用判别函数对5个待评价公司进行预测,得到判别函数值,进行仿真。结果表明,采用贝叶斯判别分析模型提高了公司财务困境的预测精度,是一种有效的财务困境预测方法。     

A novel approach to exploring company’s financial soundness: Investor’s perspective

Prediction of company’s life cycle stage change; creation of an ordered 2D map allowing to explore company’s financial soundness from a rating agency perspective; and prediction of trends of main valuation attributes usually used by investors are the main objectives of this article. The developed algorithms are based on a random forest (RF) and a nonlinear data mapping technique “t-distributed stochastic neighbor embedding”.Information from five different perspectives, namely balance, income, cash flow, stock price, and risk indicators was aggregated via proximity matrices of RF to enable exploration of company’s financial soundness from a rating agency perspective. The proposed use of information not only from companies’ financial statements but also from the stock price and risk indicators perspectives has proved useful in creating ordered 2D maps of rated companies. The companies were well ordered according to the credit risk rating assigned by the Moody’s rating agency.Results of experimental investigations substantiate that the developed models are capable of predicting short term trends of the main valuation attributes, providing valuable information for investors, with low error. The models reflect financial soundness of actions taken by company’s management team. It was also found that company’s life cycle stage change can be determined with the average accuracy of 72.7%. Bearing in mind fuzziness of the transition moment, the obtained prediction accuracy is rather encouraging.     

Performance Evaluation of Public Bus Transportation by Using DEA Models and Shannon’s Entropy: An Example From a Company in a Large City of China

The purpose of this paper is to assess the operational efficiency of a public bus transportation via a case study from a company in a large city of China by using data envelopment analysis (DEA) model and Shannon’s entropy. This company operates 37 main routes on the backbone roads. Thus, it plays a significant role in public transportation in the city. According to bus industry norms, an efficiency evaluation index system is constructed from the perspective of both company operations and passenger demands. For passenger satisfaction, passenger waiting time and passenger-crowding degree are considered, and they are undesirable indicators. To describe such indicators, a super-efficient DEA model is constructed. With this model, by using actual data, efficiency is evaluated for each bus route. Results show that the DEA model with Shannon’s entropy being combined achieves more reasonable results. Also, sensitivity analysis is presented. Therefore, the results are meaningful for the company to improve its operations and management.      

基于时空网络的地铁进出站客流量预测

客流量预测是城市智能交通系统的重要组成部分,对人们出行和交通管控有着重要的指导意义。针对地铁客流量数据具有时间维度和空间维度属性的特点,提出一种可以同时捕获数据时空特征的预测模型。该模型基于编码器解码器架构设计,其中解码器和编码器均由时空预测模块组成,在该模块中利用图卷积学习地铁站的空间拓朴结构、门控循环单元来捕获数据的时间特征。此外,模型将单位时间间隔内进站和出站客流量分别构成的两个时间序列,即进出站双时间序列作为输入,最终协同预测各站点的进站与出站人数。在上海地铁一卡通数据集上进行对比实验,实验结果表明,所提出的模型在进站与出站客流量预测上均取得了更好的效果,这表明考虑空间依赖能够有效地提高模型预测精度。     

改进的多层图注意力网络在股价预测中的应用

利用关系数据进行股价预测的方法最近已经被提出,但目前还没有找到一种有效的方法可以有选择地聚合不同类型的关系数据去预测股价。提出一种改进的多层节点图注意力网络(FHAN)模型,该方法融合Fraudar算法,提供了一种对多个对象关系之间看问题的视角。模型把公司看做节点,把交互看成边,选择性地聚合不同关系类型的信息,并将这些信息添加到每个公司的节点表示中,添加了信息的节点表示被输入到特定任务层自动选择信息,实验结果表明,该方法比目前流行的神经网络算法在股价预测的效果上更准确,实验选取不同神经网络算法做对比,在最优参数条件下,采用该方法比现有方法准确率平均提高约4%,最高提高约24%。     

神经网络在解决某企业供应链牛鞭效应问题中的应用

牛鞭效应是供应链运营管理中客观存在的现象。企业为了减少由实际需求和计划数量的偏差造成的生产不稳定,提高安全库存数量从而保证正常的生产活动,在此情况下需求逐级放大引发了牛鞭效应。精准预测是缓解牛鞭效应的重要手段,但是传统的时序预测在复杂的环境中并没有很好的预测效果。基于以上问题,从理论层面论证了需求预测、安全库存、牛鞭效应之间的关系,提出能够优化预测结果的ARIMA-BP模型。以某制造商企业近两年的产品订单数据为研究对象,分别用不同的预测模型对订单进行预测分析,再与该企业原预测模型下的牛鞭效应仿真结果进行对比。结果表明,ARIMA-BP的模型预测精度更高,能够有效地缓解牛鞭效应。     

Applying the IPA and DEMATEL models to improve the order-winner criteria: A case study of Taiwan’s network communication equipment manufacturing industry

The purpose of this study is to use the gap-analysis method to calculate the performance of quality characteristics and apply the multiple regression analysis method to establish the overall level of satisfaction and implicit importance of quality characteristics. In addition we will use the decision making trial and evaluation laboratory (DEMATEL) method to analyze the cause-effect relationship and level of influence among different quality characteristics in order to make revisions to the traditional IPA model and find the core problems that are involved with winning orders. The methodology that we propose for this research not only makes revisions to the IPA model’s method of directly using explicit information from customer responses, we also solved the influence of the cause-effect relationships of quality characteristics. For our research we analyzed the case of a company from Taiwan’s network communication equipment manufacturing industry in order to make our corrections to the IPA model and gain the benefits of using the DEMATEL model. The findings of our research show that with the corrections to the IPA and the methodology of DEMATEL we can find and correct the core problems of the company that was analyzed, improve quality control and therefore improve the company’s ability to win and be compatible for orders.     

BP神经网络在电信计划预测的应用研究

如何在满足服务需求与市场需求的同时降低企业的投资,变成了一个电信企业必须面对的问题。基于神经网络的电信计划分析预测,可以综合考虑许多对电信计划有影响的因素,比如:产品消费量,服务质量,用户数量,设备性能,收入,投资等等。结合真实的电信计划预测情况,给出了计划预测神经网络模型,并以一个城市的电信计划预测的真实情况为例,验证和分析了预测模型较高的精确性与有效性。