基于小波网络的上证指数预测实证分析

本文利用小波分析与神经网络构造的小波神经网络模型,对金融时间序列上证指数进行预测。将预测结果与实际值进行比较,结果表明,小波神经网络方法预测效果优于传统神经网络模型。     

基于小波分析与神经网络时间序列的股票预测方法

本文提出基于小波分析与神经网络时间序列的股票预测方法,把股票每日最高价、最低价以及开盘价进行小波去噪处理,然后把去噪后的数据利用BP(Back Propagation)神经网络进行预测分析,实验的结果表明利用处理后的数据进行分析比传统的直接使用神经网络进行分析的精准度更高,预测的效果更好。     

基于小波神经网络的Shibor预测研究

上海银行间同业拆放利率(Shibor)的推出是中国利率市场化重要的一步。在阐述了Shibor的背景、功能以及对经济发展的重大意义之后,分别建立了小波神经网络和回归时间序列组合模型对2周品种Shibor进行预测对比分析,研究结果表明,小波神经网络的拟合和预测精度较高,具有一定的科学性和实用性。     

基于小波神经网络的培训学校招生预测

学校招生情况直接影响学校的发展和后期规划,能够准备预测该信息对学校发展决策起到重要作用.本文使用小波神经网络预测培训招生情况.分析小波神经网络的相关特点以及优势,结合学校相关数据,对培训学校的招生规模进行了预测,实验证明具有较好的准确性.     

汇率混沌理论的神经网络建模

本文采用美元对日元汇率自1973年起的日数据进行研究。首先,本文基于交易者异质假设构造了外汇市场模型,并在此基础上选择影响汇率变动的解释变量;然后,利用基于遗传算法的神经网络构建基于此模型的汇率预测系统。在神经网络的训练过程中,利用小波分析对训练样本进行了去噪,提高了训练效果。经过检验,该预测系统达到了较高精度。最后,通过对该系统进行仿真模拟,对汇率理论提出一些个人思考。     

汇率混沌理论的神经网络建模

本文采用美元对日元汇率白1973年起的日数据进行研究.首先,本文基于交易者异质假设构造了外汇市场模型,并在此基础上选择影响汇率变动的解释变量;然后,利用基于遗传算法的神经网络构建基于此模型的汇率预测系统.在神经网络的训练过程中,利用小波分析对训练样本进行了去噪,提高了训练效果.经过检验,该预测系统达到了较高精度.最后,通过对该系统进行仿真模拟,对汇率理论提出一些个人思考.     

基于神经网络模型的商业银行信贷风险研究

通过VAR模型选择GDP增长率、通货膨胀率、广义货币发行量增长率等变量的一阶滞后项与二阶滞后项作为输入变量,分别建立BP神经网络与GRNN模型对商业银行不良贷款率进行拟合与预测验证,并对两种神经网络模型的拟合效果与验证结果进行比较.研究表明,GRNN神经网络的拟合精度较高但预测精度较低,而BP神经网络拟合精度较低但预测精度较高.此外,随着验证期限的延长,两种模型的预测精度均下降.BP神经网络预测2015年第四季度不良率仍将小幅上升.     

智能信息处理方法在股市研究中的应用

本主要介绍了智能信息处理方法在股市研究中的应用，着重介绍了基于模糊数学方法的政策因素综合评价研究、神经网络模型在股票价格分析中的应用和小波包在股票价格预测中的应用。     

基于混合神经网络模型的国别风险评估研究

本文基于计量分析处理多指标数据的优势,结合神经网络最优化模型解的特点,构建了评估和预测国别风险的混合神经网络模型。其中相关性分析和Logit回归分析的结果显示,预测国别风险的两个重要指标是商业自由度(EBI)和外汇储备总额与外债总额之比(RED);运用两个指标进行预测,多元感知器神经网络模型的预测准确度达到了100%,与其可相互替代的概率神经网络预测模型的准确度达到了90.91%。两个模型的预测结果相互支撑和验证,在一定程度上证明了混合神经网络模型在国别风险预测上具有较强的适用性和可信性。     

基于Elman神经网络的欧元兑美元汇率预测

在开放经济环境下,汇率不仅在国内联结着宏观与微观经济因素,更影响着国民经济的内外均衡,是维系国与国之间经济的重要桥梁和纽带。研宄汇率形成的原因及运行规律,并在此基础上对汇率进行一定程度上的预测成为世界金融研究中不可或缺的一个重要课题。随着研究的深入,汇率波动的非线性、剑锋性和异方差性特征得到了越来越多的认可,于是学者们开始运用非线性的方法来预测汇率。非线性方法主要有神经网络、小波分析以及非线性组合预测。非线性方法体现出的优势可以成为解决这汇率预测问题的有效手段。本文选择了非线性方法中的神经网络作为研究汇率的模型。     

沪深300股指期货价格预测

针对神经网络预测模型在对非线性序列进行预测时,容易陷入局部次优点以及训练速度慢的缺点,本选取了沪深300股指期货2015年1月5日至2015年12月15日的收盘价格数据作为样本,运用sym8小波变换对数据进行了降噪处理,以降噪前后的数据对BP神经网络进行训练和检验。最终的检验结果表明,降噪后的数据可以有效提高预测的效果。     

基于神经网络技术的股指预测模型及实证分析

通过建立BP神经网络预测模型和GARCH-BP神经网络预测模型,对2001年深圳成分指数的日收盘价进行预测分析发现,GARCH-BP模型较BP模型的收敛速度快,学习能力强,预测精度较高,误差率较小.     

个人信用评估组合模型的构建——基于决策树—神经网络的研究

本文以德国某商业银行的真实客户信用数据为样本,将决策树方法应用于个人信用指标的筛选过程中,并与BP神经网络模型相结合构建成一个两阶段组合模型。研究表明,基于决策树—神经网络构建的个人信用评估组合模型对于测试样本的分类预测精度高于单一BP神经网络模型的分类预测精度。组合模型对于测试样本的总正确率平均值为75.45%,高出单一BP神经网络模型的总正确率近3个百分点。基于信息熵增益率分类原理的最优决策树挑选指标方法能合理去除非重要属性指标的干扰,使真正有效的属性指标输入神经网络主模型,提高模型分类预测的精准度。     

BP神经网络在股市预测模型中的应用——以上证股票价格收盘指数为例

本文介绍了股市的特点以及股市预测的困难性,提出了利用BP神经网络的方法来解决股市预测问题。首先文章介绍了人工神经网络模型以及应用最普遍的BP神经网络,然后以上海证券交易所每日股票价格收盘指数为分析对象,对网络进行训练后,利用BP神经网络对股票价格收盘指数进行了短期预测,并计算出预测值和实际值的误差。通过实验发现该模型收敛速度快,预测精度非常高。     

支持向量机在上市公司财务预警模型中的应用研究

利用我国上市公司财务数据,采用支持向量机模型对上市公司财务危机预警研究,将其与神经网络模型进行比较,结果表明,无论在分类能力和预测能力上,支持向量机模型的精度和可信度都高于神经网络模型。证实了该方法用于财务预警的有效性及优越性。     

基于灰色系统和神经网络的创业板股票价格预测研究

股票价格预测是投资领域的一个重点关注课题。由于股票价格受到诸多非线性因 素的影响,得到精确的预测结果较为困难。为了消除股票指标的多重共线性,采用Adaptive- Lasso算法对指标变量进行筛选,实现了数据降维。之后,利用灰色预测对股票价格影响指标 进行预测,并在此基础上利用神经网络模型对股票收盘价进行预测。结果表明,利用灰色系统 和BP神经网络结合的模型所得预测结果平均相对误差为0.095,且运行效率较高,对股票预测 具有一定的积极意义。     

神经网络在股票价格预测中的应用——基于三种网络的比较分析

股票价格受到社会经济等多方面因素的影响,价格变化大,具有非线性和不稳定的特征,采用传统的线性模型难以准确的预测。本文采用BP、RBF神经网络,以及GABP神经网络进行股票价格预测,比较分析了三种方法的预测精度。实证结果表明,神经网络能够较好地对股票价格进行预测,其中GABP网络比传统的BP和RBF网络有更好的全局收敛性及更高的预测精度。     

神经网络在股票价格预测中的应用——基于三种网络的比较分析

股票价格受到社会经济等多方面因素的影响,价格变化大,具有非线性和不稳定的特征,采用传统的线性模型难以准确的预测。本文采用BP、RBF神经网络,以及GABP神经网络进行股票价格预测,比较分析了三种方法的预测精度。实证结果表明,神经网络能够较好地对股票价格进行预测,其中GABP网络比传统的BP和RBF网络有更好的全局收敛性及更高的预测精度。     

小波分析结合ARIMA组合模型的2014~2017年石油贸易量预测研究

选取2002~2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解,识别出数据的主要特征和细节特征,针对不同特征进行识别和平稳性检测和参数估计,建立相应的ARIMA模型,并进行预测加权合成。仿真结果表明,小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型,从而为科学合理的决策提供更为精确的预测模型。     

企业价值评估中的定量预测模型实证分析

在采用收益途径对企业价值评估中,对企业未来发展有关情况进行分析和运用数量模型对其相关参数进行预测不仅是其重要的工作之一,也是该评估方法的技术关键。在该评估方法中,收益额是重要的预测参数之一,对其预测时,需要在定性分析的基础上,采用合适的数量模型分别对其中的收入、成本、费用等内容进行具体测算。常见的计量模型主要有：时间序列模型、单方程回归模型,灰色预测模型,神经网络模型以及组合预测模型等,本文选择其中的时间序列模型（固定时间序列和随机时间序列）、灰色预测模型和神经网络模型分别对某航运公司1994-2008年的收入进行具体预测和检验,并将其各自的预测结果进行分析和比较。