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。     

基于遗传算法的BP神经网络在权证定价中的应用

对金融衍生品的定价一直都是理论界和实务界所关注的热点问题之一.传统的参数模型定价方法,容易产生系统性偏差,而神经网络方法在解决这一问题时具有明显的优势.本文基于遗传算法改进的BP神经网络模型(GABP),利用我国8只权证的1050天数据、标的股票1900天的数据和其他所需数据作为训练数据训练网络.研究结果表明,神经网络在权证的定价中效果要优于B-S模型;而RBF模型精度大于BP模型的预测,GABP模型的精度大于RBF模型的预测.     

人工神经网络在股价预测中的应用

股票市场是一个强非线性的系统,影响股价变化的因素有很多,而人工神经网络模型对于非线性系统的预测有着良好的效果,文章总结了BP网络和RBF网络在股价预测中的应用,给出了各自的优缺点分析。     

人工神经网络在股价预测中的应用

股票市场是一个强非线性的系统,影响股价变化的因素有很多,而人工神经网络模型对于非线性系统的预测有着良好的效果,文章总结了BP网络和RBF网络在股价预测中的应用,给出了各自的优缺点分析。     

模糊神经网络在股票价格预测中的应用

本文介绍模糊神经网络对股票价格的预测。本文首先分析了神经网络和模糊逻辑相结合的可能性,然后介绍了模糊神经网络的预测模型设计以及网络参数的设定。最后用实证分析证实了模型预测是可行的。     

基于灰色模型的股票价格预测研究

股票价格的预测是投资者最关心的问题之一，也是投资者投资成功与否的关键所在。本文在对灰色预测模型进行详细解析的基础上，结合我国证券市场的实际，通过对上证指数的预测来说明该方法的有效性及应用价值，这对投资者的投资决策行为有较强的指导意义。     

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。     

BP神经网络在汇率预测中的应用

在本文中,我的研究目的是以2010年01月04日至2012年10月25日这段时期中国人民银行公布的每日人民币兑美元汇率中间价(共680个数据样本)为例,建立BP神经网络,在MATLAB软件中实现汇率的预测,并以图、表、文结合的形式将预测过程及结果展示出来,其中最为关键的就是构造训练样本,输入层、输出层节点数的确定,隐藏层节点数训练参数的设定以及对10种训练结果的最优选择。     

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。     

改进BP网络在股指预测中的应用研究

简化了加入时间参数的整合-激发(IF)神经元模型,建立了一个以整合-激发(IF)神经元数学方程为作用函数的改进BP网络。通过Matlab工具仿真实现了此网络对股票大盘指数(股指)的预测,且比原始BP网络的性能更优越,对广大投资者的股票理财有一定的指导作用。     

BP神经网络在期货价格预测中的应用

BP网络通过对以往历史数据的学习,找出期货市场发展的内在规律,并将其存储在网络具体的权值、阀值中,用以预测未来的走势。文章在深入分析期货市场预测面临的关键问题的基础上,探讨利用BP（Back Propagation）神经网络对期货价格走势进行分析和预测的可行性。     

遗传神经网络在股票市场预测中的应用

本文针对经典的BP神经网络所存在的缺陷,将其与遗传算法相结合,提出了基于实数编码的GA-BP神经网络模型。实验表明,该预测模型具有很强的学习能力和自适应性,其预测结果优于一般BP模型,而且具有良好的泛化性。     

基于信息粒化和支持向量机的股票价格预测

信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。本文提出了一种基于信息粒化和支持向量机的股票价格预测方法。利用长安汽车的股票数据,建立股票开盘价回归预测模型,该模型克服了传统时间序列模型仅局限于线性系统的情况。应用实例表明:该方法能有效地预测股票价格的变化范围。     

马尔科夫预测法在股票价格预测中的应用

文章通过介绍马尔科夫预测法的基本原理,并且把马尔科夫预测法应用到股票价格的预测中,运用马尔科夫预测法关键是获得初始状态向量和状态转移概率矩阵,通过实证分析的验证,马尔科夫预测法在短期的股票价格预测中还是可以取得一定的效果的。     

灰色预测在股票价格中的研究应用

股票价格的预测对于投资者的投资决策有着实质性的影响,因此,通过建立正确的股票预测价格模型对于投资者的投资决策有一定的指导作用。本文运用股票价格的灰色预测方法,并且通过MATLAB程序,研究灰色GM(1,1)模型以及它的修正模型Verhulst模型在股票市场中的应用。在短期内,GM(1,1)模型可以做出股价的预测,但是由于在实际应用中没有考虑到其他因素对于其自身的影响,因此对于长期的股票价格预测,由于其数据变动序列庞大,模型的精度有所降低,而修正的Verhulst模型则更适合研究实际长期股价变化的预测。     

上市公司财务状况与股票价格相关性研究——基于汽车行业的实证研究

本文以汽车行业上市公司为研究对象,选取2012年汽车行业上市公司的财务报告数据,建立财务指标与股票价格的回归模型。通过样本公司财务指标与股价的相关性分析及回归分析,探究上市公司在盈利、偿债、发展、运营以及现金流量方面的财务绩效与股价的相关性的规律特征,通过相关与回归分析发现股票价格与每股收益,总资产周转率,每股收益增长率,每股经营活动现金流量之间存在显著的相关性,据此为投资者的更好投资及证券市场的更好发展提供依据。     

中国股票价格对黄金价格的影响分析——兼论投资策略

作为中国居民投资的两种重要手段,黄金和股票,它们之间的关系直接影响我们的投资策略和资产配置。本文基于统计优化的2008年3月到2013年5月样本数据,就股票价格对黄金价格影响进行实证研究。结果表明:中国股票价格与黄金价格相关性明显,但是显著的长期均衡关系并不存在,这启示我们可以将黄金纳入投资组合进行风险对冲,但是由于这种替代关系没有美国股票市场与黄金市场之间的关系明显,投资者要注意风险规避与防范。     

货币供应量对股票价格的影响研究——一个基于VAR模型的实证分析

货币政策是影响股票价格的重要因素之一。本文采用向量自回归模型,通过Johanson协整检验、Granger因果检验、脉冲响应函数和方差分解等计量经济学手段,研究了狭义货币供应量M1对我国股票价格的影响。研究结果表明,货币供应量对股票价格的影响不显著。     

基于Lasso和BP神经网络的组合预测及其应用——以居民消费支出预测为例

在变量选择的基础上,构建基于 Lasso 方法和 BP 神经网络的预测模型,并对我国城乡居民的消费支出进行预测,结果显示：基于 Lasso 方法和 BP 神经网络的组合预测精度要明显高于 BP 神经网络、Lasso方法的预测精度;在2014~2020年,我国农村居民消费增长率有所提升,城镇居民消费增长率减缓,城乡居民消费增长率之间的差距呈下降趋势,但短期内城乡居民消费差距依然难以缓和。     

货币政策干预股票价格波动有效性检验——基于扩展IS曲线分析

经济的发展使得资产价格的影响越来越大,然而货币当局往往难以及时准确采取相应对策来抑制资产价格的频繁波动。本文主要是在凯恩斯IS曲线中引入财富效应和托宾Q效应,进行相应的回归分析得出系数,再将股票价格指数纳入到泰勒规则中,通过计量分析我们发现利率政策关注资产价格能减少实际产出波动,这说明利率政策关注资产价格是有效的,文章的最后也给出了货币政策可以如何关注股票价格。