基于BP神经网络对上证指数的预测

近几年,国内外经济发展迅速,有诸多投资者将自己的资金投入到了股市之中,但股市行情变化莫测,时刻牵动着每一位股民的切身利益。面对这些问题,有一种可靠的股票预测方法就显得尤为重要。文章首先介绍了我国上证指数的基本情况,然后对BP神经网络做了相关介绍,针对股票市场自身所具备的非线性特征,基于LM (Levenberg-Marquard)算法所优化的BP (Back Propagation)神经网络模型,进一步预测和模拟了上证指数的收盘价,将产出的预测值与实际股票价格进行比较,以获得相关结论。文章研究的目的是以上证指数为例来检验BP神经网络在股票预测中的有效性,为股票市场中的投资者提供相应参考。     

基于果蝇算法优化小波神经网络的输电工程造价预测

为了准确控制输电工程造价水平,提出一种基于果蝇算法优化小波神经网络的混合预测模型。首先,对输电工程造价影响因素进行归一化处理,并将归一化结果作为输入变量;其次,利用果蝇算法对小波神经网络参数进行优化,在此基础上,利用优化后的小波神经网络模型预测输电工程造价;最后,将本文的预测结果和其他方法进行对比。算例结果表明,该混合模型的预测效果更理性,精度更高。     

基于小波神经网络的非线性组合预测方法及其应用研究

文章提出了基于小波神经网络的非线性组合预测方法,给出了其具体组合预测原理及具体学习算法,并将其用于国际原油期货价格数据的预测。国际原油期货价格数据的预测结果表明:基于小波神经网络的组合预测方法得到了比单一预测方法都要好的预测结果,有较好的应用前景。     

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络（DFNN）进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率（ERR）修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例．通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析．表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析．为研究金融非线性系统辨识提供了启发性思路。     

小波神经网络对沪深A300的分析和预测

针对金融时间序列非平稳性、非线性的特点,本文采用小波分析与人工神经网络相结合的方法,对沪深A300收盘价进行分析和预测。结果表明,小波神经网络有较强的预测能力,能达到预期效果。为了验证该方法的预测能力,进一步将时间序列数据多步分段,全方位地进行预测,并与小波-ARIMA模型、BP神经网络预测方法进行比较,体现了小波神经网络的预测优势。     

利用中国股市历史数据建立上证综合指数的预测模型并进行模型验证与股指预测

本模型采用SVM神经网络算法对2007年的股票形势进行分析、预测及验证,并预测出未来5天的开盘走势,此预测模型的精度达到99%。并结合小波神经网络对其中特殊的国家政策及经济情况分析拟合,使模型更加符合实际的股指走势。将两种算法取长补短,在2012年上半年的股指进行分析预测的基础上,对未来可能出现的经济干扰模型进行预估,预测出未来股指走势。运用GUI界面将建立的模型输出,使仿真模型更有操作性,运用此界面,选取不同的干扰模型及年份,预测出更合理的股指走势,预测真实可靠。     

基于GNNM(1.1)模型的货运量及货运周转量预测

通过各种算法对货运指标进行有效预测,对于把握未来货运发展趋势有着非常重要的作用。文章将灰色预测与神经网络预测方法进行了有机结合,建立了一个基于灰色神经网络的预测(GNNM)模型。通过模型对货运量及货运周转量进行了预测,得到了较满意的结果,表明了模型具有较高的可靠性及实用性。     

股票价格指数灰色系统预测与分析

本文运用灰色系统理论中的GM(1，1)模型，分别对上证指数年均值涨幅大于30％的年份和月均值涨幅大于10％的月份进行了预测。结果显示预测值满足精度要求，证明该模型可以用于对上证指数的波动进行长期和中期预测，且效果很好。     

证券市场预测的小波神经网络模型

本文首先讨论了证券市场的各种影响因素,然后运用小波神经网络模型的非线性映射能力、模式识别能力和强容错性,提出了一种基于小波神经网络的证券市场预测的通用模型。     

基于不同分布假设GARCH模型对上证指数波动性预测能力的比较研究

本文在四种不同的分布假设(Normal,Student-t,GED和SkewedStudent-t)下,对上证指数波动性进行了GARCH(1,1)模型预测能力实证比较研究,目的在于揭示分布假设对GARCH模型预测能力的影响。研究结果表明,使用厚尾分布假设(Student-t,GED)提高了模型的预测绩效。但引入偏斜student-t分布并未能进一步提高模型预测能力。     

小波分析和神经网络算法在紧急运输中的应用研究

在分析以往运输时间侦测方法的基础上，介绍了当前一种新的侦测方法一基于小波分析和神经网络算法，该算法侦测率高、误报率低、移植性好。     

Forecasting stock index price using the CEEMDAN-LSTM model

This paper uses a mixture model that Long Short-Term Memory (LSTM) combines with Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) to forecast stock index price of Standard & Poor's 500 index (S&P500) and China Securities 300 Index (CSI300). CEEMDAN decomposes original data to obtain several IMFs and one residue. The LSTM forecasting model utilizes the decomposed data to obtain the prediction sequences. The prediction sequences are reconstructed to gain final prediction. The paper introduces contrast models such as Support Vector Machine (SVM), Backward Propagation (BP), Elman network, Wavelet Neural Networks (WAV) and their mixture models combined with the CEEMDAN. The MCS test is used as evaluation criterion and empirical results present that forecasting effects of CEEMDAN-LSTM is optimal in developed and emerging stock market.     

改进BP神经网络在股市预测中的应用

神经网络是人工智能的重要组成部分,近年来将神经网络用于金融预测的研究很多。本文以遗传算法构建一个三层的神经网络,经改进的BP算法训练成功,进行预测实证分析,取得较好效果。     

RBF神经网络在基本建设投资预测中的应用

采用了径向基函数网络，在对原始数据进行平滑处理的基础上学习与训练，并应用于基本建设投资预测的实践当中。模拟结果表明，实际预测中效果较为理想，从而为基本建设投资的预测提供了一种新的方法和理论依据。     

Capturing the volatility smile of options on high-tech stocks—A combined GARCH-neural network approach

A slight modification of the standard GARCH equation results in a good modeling of historical volatility. Using this generated GARCH volatility together with the inputs: spot price divided by strike, time to maturity, and interest rate, a generated Neural Network results in significantly better pricing performance than the Black Scholes model. A single Neural Network for each individual high-tech stock is able to adapt to the market inherent volatility distortion. A single Network for all tested high-tech stocks also results in significantly better pricing performance than the Black-Scholes model. Dr. Gunter Meissner (gmeissner@hawaii.rr.com) is president of Derivatives Software, www.dersoft.com, and associate professor of finance at the Hawaii Pacific University; Noriko Kawano, MSIS, is currently working as a software engineer at Hawaii Dental Service. The article was presented at the eighth Asia Pacific Finance Conference, Shanghai, July 2000.     

财务困境预测中BP神经网络模型应用综述

金融危机席卷全球。处于金融市场之中的企业随时面,临着陷入财务困境的可能,财务困境预测模型的建立可以使公司提前预测到困境的发生,从而及早避免投资损失。随着信息技术的发展,人工神经网络预测模型开始兴起,本文重点介绍了BP神经网络模型在财务困境预测中的应用情况,并将BP神经网络模型与传统统计方法进行了比较分析。     

Forecasting CPI inflation components with Hierarchical Recurrent Neural Networks

We present a hierarchical architecture based on recurrent neural networks for predicting disaggregated inflation components of the Consumer Price Index (CPI). While the majority of existing research is focused on predicting headline inflation, many economic and financial institutions are interested in its partial disaggregated components. To this end, we developed the novel Hierarchical Recurrent Neural Network (HRNN) model, which utilizes information from higher levels in the CPI hierarchy to improve predictions at the more volatile lower levels. Based on a large dataset from the US CPI-U index, our evaluations indicate that the HRNN model significantly outperforms a vast array of well-known inflation prediction baselines. Our methodology and results provide additional forecasting measures and possibilities to policy and market makers on sectoral and component-specific price changes.     

多层前馈神经网络在客户流失分析中的应用

本文研究了多层前馈神经网络原理及其后向传播算法,然后结合一个实例构建了客户流失分析的多层前馈神经网络模型,实验表明将该模型用于客户流失分析是可行的.     

基于MCMC算法的时变Copula-GARCH-t模型参数估计及应用

本文假设单变量时序的新息服从标准的学生t分布,提出多元时变Copula-GARCH-t模型,利用蒙特卡洛马尔科夫链(MCMC)算法对模型参数进行贝叶斯统计推断,给出了多个资产组合风险VaR和CVaR的度量方法,并基于风险最小化原则确立了最佳的资产配置模型。实证分析表明,MCMC方法优于经典的IFM方法,能够充分捕捉到中美股市的时变相依结构及相关系数和尾部指数的动态特征。     

基于混合智能算法的仓库有限容量下随机存贮模型

针对仓库容量有限条件下的随机存贮管理问题,通过找出商品在销售进货过程中会出现的全部可能,确定得到总损失最小的方法,然后以最优订货点作为决策变量并确定约束条件,建立优化决策模型。采用基于随机模拟的混合智能算法对该决策模型进行求解。对模型中的不确定函数进行随机模拟,使用由其产生的一组输入输出数据来训练神经网络对该不确定函数进行逼近,然后将该神经网络作为适应度函数嵌套于遗传算法中,最后应用遗传算法解得模型的最优解。通过计算机仿真得到所需要的最优方案。实验表明,文中提出的基于混合智能算法的仓库随机存贮模型,较好地解决了实际应用中的仓库容量有限的随机存贮问题,具有很强的普遍性和实用性。