灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

数据挖掘在股票价格组合预测中的应用

研究股票价格变化预测问题,股票价格受多种影响,导致具有突变性、非线性和随机性,单一预测方法只能描述股票价格部分变化规律,预测精度低。为提高股票价格预测精度,提出一种基于数据挖掘技术的股票价格组合预测模型。根据股票价格变化特点,首先对其线性变化规律进行建模预测,并对非线性变化规律进行建模预测,最后将两种预测结果进行融合,得到股票价格的最终预测结果。仿真结果表明,相对于单一股票价格预测模型,组合预测模型提高了股票价格预测精度,降低了股票价格预测误差,更加全面、准确反映了股票价格的变化规律,是一种有效、高精度的股票价格预测参考手段。     

CAR-BPNN在股票价格预测中的应用

研究股票价格准确预测问题,股票价格变化具有非线性、时变性,且含有噪声,单一或传统线性预测模型不能全面反映其变化规律,预测精度低,误差大。为了提高股票价格预测精度,提出一种组合的股票价格预测模型(CAR-BPNN)。首先采用主成分分析对股票价格数据进行预处理,消除噪声,然后采用CAR对线部分进行预测,BPNN对非线性部分进行预测。采用熵值法确定CAR和BPNN对预测结果进行组合,获得股票价格的最终预测结果。通过股票价格实际数据对CAR-BPNN进行测试,测试结果表明,CAR-BPNN充分利用两种模型的优点,比单一模型的预测精度更高,可以为股票价格精确预测提供依据。     

基于组合预测模型的股票价格趋势预测

针对股票市场高度非线性的特点,单一预测模型很难描述出股票价格趋势的整体特征,提出了一种金融时序预测的组合预测模型。首先,利用自回归移动模型(ARIMA)对股票价格线性趋势进行预测。然后,利用回归支持向量机(SVR)模型对非线性随机变化规律进行预测。最后,采用模糊时变权重方式对两种模型进行结合,得到一种综合考虑股票价格线性和非线性的预测模型。仿真结果显示,组合预测模型取得了令人满意的效果。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

电子商务客户流失的建模与预测研究

研究电子商务客户流失预测问题,电子商务客户流失具有非线性、时变等特点,用单一预测模型难以对电子商务客户流失变化规律进行全面、准确预测,导致预测正确率低。为了提高电子商务客户流失预测正确率,提出一种组合的电子商务客户流失预测模型。组合预测模型首先采用遗传算法对影响客户流失因子进行筛选,提取对预测结果影响重要的因子,然后分别采用支持向量机和神经网络对其进行预测,最后采用支持向量机对两种预测结果进行融合,得到组合模型的电子商务客户流失预测结果。仿真结果表明,组合模型提高了电子商务客户流失预测正确率,解决了单一预测模型的缺陷,将为电子商务客户流失研究提供一种新预测思路。     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

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 Regularization Gene 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。     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于改进回声状态神经网络的个股股价预测

当今社会股价预测是研究的热门问题,人们越来越关注对股价预测模型的建立,提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷,其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度,同时考虑到股市的非线性,本文提出一种改进的回声状态神经网络的个股股价预测模型,针对回声状态神经网络(ESN)泛化能力不强的特点,应用改进的粒子群算法(GTPSO)对回声状态神经网络(ESN)的输出连接权进行搜索,最终得到最优解,即ESN的最优输出连接权,GTPSO算法概括来说就是在传统粒子群算法(PSO)的基础上引入禁忌搜索算法(TS)中禁忌的思想和遗传算法(GA)中变异的思想,从而降低PSO在学习过程中陷入局部最小值的状况,同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中,使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性,实验证实,该模型拥有较好的预测效果.     

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。     

基于HP-LSTM模型的股指价格预测方法

股指价格时间序列受到长期和短期不同因素的影响,且具有非平稳、非线性等特点,传统计量模型的预测精度较低。为提高预测精度,一些研究将人工神经网络模型用于金融时间序列预测,取得了比传统计量模型更好的效果。提出了一种融合了HP滤波（Hodrick-Prescott Filter）和LSTM神经网络模型的股指价格预测模型,模型使用HP滤波将股指价格时间序列分解为长期趋势和短期波动,利用LSTM神经网络模型分别学习长期趋势和短期波动序列的特征,并分别进行长期趋势和短期波动预测,将预测结果融合得出股指价格预测结果。实验结果表明,提出的HP-LSTM混合模型不仅可以有效捕捉到股指价格时间序列的长期趋势和短期波动的变化规律,提高了股指价格预测精度,并且长期趋势和短期波动都具有相应的经济含义,提高了模型的可解释性。     

Stock Trading Using RSPOP: A Novel Rough Set-Based Neuro-Fuzzy Approach

This paper investigates the method of forecasting stock price difference on artificially generated price series data using neuro-fuzzy systems and neural networks. As trading profits is more important to an investor than statistical performance, this paper proposes a novel rough set-based neuro-fuzzy stock trading decision model called stock trading using rough set-based pseudo outer-product (RSPOP) which synergizes the price difference forecast method with a forecast bottleneck free trading decision model. The proposed stock trading with forecast model uses the pseudo outer-product based fuzzy neural network using the compositional rule of inference [POPFNN-CRI(S)] with fuzzy rules identified using the RSPOP algorithm as the underlying predictor model and simple moving average trading rules in the stock trading decision model. Experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data are presented. Trading profits in terms of portfolio end values obtained are benchmarked against stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Experimental results showed that the proposed model identified rules with greater interpretability and yielded significantly higher profits than the stock trading with DENFIS forecast model and the stock trading without forecast model.     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。