基于BP神经网络和相关系数结合的股票价格预测

股票价格预测一直是困扰投资者的难题,为了提高股票价格的预测精度,本文提出一种基于BP神经网络和相关系数结合的股票价格预测方法。从股票数据中选取10个影响股票价格的因素,计算它们与股票价格的相关系数,从中提取关键因素,利用BP神经网络预测未来股票价格。将此方法用于华谊兄弟(300027)预测股票收盘价,结果表明,相对于未提取关键因素的BP神经网络,此方法提高了股票价格的预测精度。     

基于SARIMA-BP神经网络方法的汽车销量预测研究

对汽车销量时间序列的预测方法进行了研究,针对汽车销量影响因素表现出的多样性,应用灰色关联分析法对其进行筛选。针对汽车销量时间序列表现出的线性特征和环境动态变化导致的非线性规律,单一的线性预测方法和非线性预测方法都无法满足时间序列的预测要求。提出了一种SARIMA-BP神经网络预测方法,利用SARIMA方法对时间序列的线性部分进行建模,利用BP神经网络方法对时间序列的非线性部分进行建模。仿真结果表明,SARIMA-BP神经网络方法比单一模型的预测准确率更高。     

蚁群神经网络用于股票价格短期预测

股票价格是非线性时间序列,传统BP神经网络预测模型存在容易陷入局部极小和收敛速度慢的缺陷。本文针对这些问题,采用蚁群神经网络预测模型用于预测股票价格,该模型将蚁群算法作为训练神经网络的学习算法。实验数据表明,该模型对于股票价格的短期预测效果与传统BP神经网络预测模型相比,具有较好的自适应性及较快的收敛速度。     

采用小波变换建立价格波动幅度的预测模型

股票市场建立一百多年以来,对股票价格的准确预测一直是众多投资者和学者梦寐以求的目标。股票价格的波动可以分解为波动幅度和波动方向。由于中国股票市场中两者具有不同的性质,并且两者在市场中有不同的应用场合,如价格波动幅度表示市场的易变性,是政府和有关监督部门进行风险控制的主要研究对象,另外对投资者制定投资策略也具有同样重要的意义,因为投资者同样需要考虑风险,投资的目标不外乎风险最小的情况下获得最大的收益。价格波动幅度存在线性相关,长期相关性,多尺度相关性以及局部特性,完全可以利用一定的预测工具进行预测。本文通过小波变换,结合神经网络和遗传算法建立股票价格波动幅度预测模型,获得了比其它模型更高的预测精度,提出了平移小波变换克服了现有小波变换方式的预测边界问题。     

采用小波变换建立价格波动幅度的预测模型

股票市场建立一百多年以来,对股票价格的准确预测一直是众多投资者和学者梦寐以求的目标.股票价格的波动可以分解为波动幅度和波动方向.由于中国股票市场中两者具有不同的性质,并且两者在市场中有不同的应用场合,如价格波动幅度表示市场的易变性,是政府和有关监督部门进行风险控制的主要研究对象,另外对投资者制定投资策略也具有同样重要的意义,因为投资者同样需要考虑风险,投资的目标不外乎风险最小的情况下获得最大的收益.价格波动幅度存在线性相关,长期相关性,多尺度相关性以及局部特性,完全可以利用一定的预测工具进行预测.本文通过小波变换,结合神经网络和遗传算法建立股票价格波动幅度预测模型,获得了比其它模型更高的预测精度,提出了平移小波变换克服了现有小波变换方式的预测边界问题.     

小生境遗传算法优化的神经网络在股票价格预测中的应用

股票价格是受多种不确定因素影响的非线性问题。文中将小生境遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,即用它来优化神经网络的连接权。依据小生境遗传算法的神经网络,提出一种股票预测的新方法。实践表明:该方法具有预测精度高、误差小的优点,值得推广。     

基于小波网络的非线性预测应用研究

将小波神经网络作为非线性时间序列的辨识模型 ,通过对过去样本的学习 ,调整网络的权值 ,然后预测和推断未来序列 ,以证券市场为例仿真结果表明 ,小波神经网络具有优良的泛化能力和预测功能。     

基于BP神经网络模型的股票价格研究

本文将BP神经网络模型与主成分分析法和遗传算法相结合,建立了预测股票价格变化的动态PCA-GA-BP模型。该模型能改善BP神经网络模型运算速度缓慢和易陷入局部最小值的缺点,弥补传统股票价格预测方法的不足。     

基于神经网络模型的股票买卖时机探索

一、神经网络模型的建立 生物的神经系统有非常复杂、精密的结构,这种结构本身具有内在的相关性和复杂性,人们通过模拟这一特性建立一种非线性的动态的网络模型即神经网络模型.神经网络模型具有近似任意非线性映射(变换)的能力,同时具有高度的并行实现能力及学习能力,因此,可以分析和处理一些十分复杂的实际问题.股票价格的变化受很多因素影响,是一种具有高度的非线性的、复杂的非牛顿动力学动态过程,具有显著的非线性特征.因此,可以用神经网络来预测股票价格的走势,从而确定最佳的买卖时机,提高投资的准确性.     

时间序列分析在股价建模及预测中的应用

我国的股票市场是一个高度复杂的非线性动力系统,现实生活中预测股市的未来变化具有十分重要的意义。近年来,基于时间序列分析的预测方法在各个领域中都得到了广泛的应用。而对股票价格进行预测较为普遍的模型就是时间序列模型,因此本文将时间序列建模方法应用于股票收盘价的建模和预测。文章采用中国石化157个交易日（自2013年6月19日至2014年2月11日间）内股价数据为研究对象,采用ARIMA模型进行建模和预测。     

基于BP神经网络的股票价格预测研究

本文针对股票市场这一非线性系统,利用人工神经网络的方法来对股票进行时间序列预测。采用BP神经网络,将历史时间序列数据作为参考依据,预测未来短期内的股票价格;并在此基础上,与实际的股票价格进行对比分析,并得出结论。对于股票市场内的投资者具有一定的理论意义和实践价值。     

基于加权最小二乘支持向量机的金融时间序列预测

针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。     

基于小波神经网络的上市公司财务风险预警研究

简述小波神经网络的基础理论和算法,建立财务风险预警指标,利用小波神经网自适应能力强、收敛速度快和预测精度高的特点对上市公司财务风险进行实证研究。应用结果表明,小波神经网络在财务风险预警中能够提高准确度,加快收敛速度,为财务风险预警提供了新的研究方法。     

基于MATLAB的股价预测模型实证分析

从技术分析的角度分析股票市场,采用BP神经网络对股票价格进行预测,提出了将股票市场的基础数据指标和技术指标相结合,作为神经网络输入的候选变量,筛选出影响股票价格涨跌的变量,从而建立起神经网络模型。最后用MATLAB编程手段对沃尔玛公司的交易资料进行实证分析。     

基于粒子群神经网络的股票价格预测研究

粒子群算法是一种基于群智能的全局寻优方法,方法简单易于实现。本文将粒子群算法用于神经网络的训练,提出了一种股票价格预测的新方法,研究表明预测效果良好。     

基于遗传算法优化混沌神经网络的股票指数预测

为提高BP神经网络预测模型对混沌时间序列的预测准确性,提出一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法。本文采用时间序列输入输出参数数量构造BP神经网络拓扑结构,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型求得最优解,将该预测方法应用到上证综合指数的时间序列进行有效性验证,结果表明了该方法对上证综合指数具有更好的非线性拟合能力和更高的预测准确性。     

小波包与混沌和神经网络相结合的人民币汇率预测研究

为了更精确地预测人民币汇率,基于小波包与混沌和神经网络相结合提出一个三阶段时间序列预测方法。首先对汇率序列进行小波包分解,并对分解后所得到的各子序列作混沌分析与判定;然后,基于混沌理论与神经网络相结合分别构建各子序列的混沌-神经网络预测模型;最后,将各个序列的预测结果进行重构,得到最终预测结果。实证结果表明,该方法具有较高的预测精度,可以为人民币汇率提供更加准确的预测。     

改进的RBF神经网络对期货价格的预测分析

针对非线性变化的期货价格,建立了基于主成分分析的RBF神经网络模型。首先利用主成分分析法从8个原始变量中提取主成分,最后利用选定的3个主成分作为径向基神经网络的输入。通过对比,该方法较一般的径向基神经网络有更好的预测结果。     

基于组合模型的金融机构存款余额预测研究——以河南省为例

金融机构存款余额反映地区经济活力和要素吸附能力。研究利用差分自回归移动平均模型(ARIMA)在时间序列预测上的线性优势和长短期记忆神经网络模型(LSTM)对非线性数据的挖掘能力,对河南省金融机构的月度存款余额进行了预测。首先,利用ARIMA模型对2010—2020年的存款数据建立模型,得出线性预测值与残差值;然后,采用LSTM神经网络对存款余额残差数据集建模和预测,得出存款余额残差值的拟合值;最后,将线性预测值和残差拟合值组合得出存款余额的预测值。实证结果表明,ARIMALSTM模型能较好地实现河南省金融机构存款余额的预测。     

BP神经网络预测上证指数

多年来预测股市的未来变化一直是一个热门研究课题。然而对非线性数据的局限性限制了传统统计技术的应用。本从技术分析角度出发，研究了利用BP神经网络对上证指数进行短期预测的可能性。结果不但说明利用神经网络可以综合运用技术分析各方面信息进行预测，也证实了利用神经网络，非专业人员同样可以预测股市趋势。