基于小波神经网络的沪深300指数收盘价预测

针对传统BP神经网络模型预测的缺陷,本文采用小波神经网络对沪深300指数收盘价的短期走势进行了预测分析.实验结果表明小波神经网络比直接使用神经网络进行预测的精度更高,预测的效果也更好.     

联合谐波小波与递归神经网络的股市时间序列预测

为了提高神经网络对股市时间序列的预测精度，首先利用谐波小波对股票市场数据进行多尺度分解，将其分解为不同尺度且具有平移不变特征的谐波小波分量；然后根据股市时间序列的特点，构建递归神经网络模型进行短期预测，以不同尺度的谐波小波分量为输入数据，对股市数据进行多尺度预测；最后对不同尺度的预测结果进行谐波小波重构，得到最终的股市预测数据。对我国股票市场进行了实验分析，结果表明：股市时间序列经谐波小波分解后，股市数据中不同投资时间水平的价格波动可以被较好的分离，有效地提高了股票市场数据的预测精度。     

基于神经网络模型的智能产业板块股价探究

针对金融波动性和市场风险,基于A股市场上70余只智能板块的股票近10年的四因子数据,从神经网络模型入手实证分析,利用随机梯度算法对收盘价预测,比较预测值与实际值的模型误差及损失函数,进行因子选取、算法改进及指标择优。结果表明,神经网络模型参数在批次为2、迭代次数为4 150时,MSE(均方误差)、MAPE(平均绝对百分比误差)、MAE(平均绝对误差)分别为60.191 1、30.732 6、4.803 2,收盘价的拟合效果最佳,该参数下的神经网络模型可用于探究股票市场价格趋势,为投资者、金融机构提供一定参考依据。     

基于小波分解和ARIMA模型的城际铁路客流预测

针对城际铁路车站客流预测问题,文章采用离散小波分析方法对城际铁路车站原始日客流量数据进行小波分解;对分解得到的各层小波系数,利用AIC赤池信息准则进行ARIMA建模;利用训练得到的ARIMA模型进行预测未来一段时间客流数据的高频分量和低频分量,并对其进行小波重构,从而得到未来一段时间的预测客流数据;最后以广珠城际铁路某车站实际客流数据为例,对文章所提出的客流预测模型和客流预测算法进行了验证。实验结果表明,文章所提方法客流预测方法具有一定的预测精度。     

基于相对有效性分析的主动型指数基金的选股技术研究

指数基金可划分为主动型和被动型,其中主动型指数基金对股票的价值判断和交易时机的选择提出了更高的技术要求。本文采用客观的数据包络分析法(DEA)来研究上市公司投资价值的相对有效性,并藉此进行选股,从而将主流的分析与估值技术的优势更好地发挥出来。文中建立了选股模型,并利用上证50指数成份股的相关数据进行了实证分析,通过对分析效果的初步检验,可以看到,所研究的选股技术在主动型指数基金的股票选择上具有良好的应用价值。     

基于Matlab的马科维茨投资组合理论的实证研究

<正>一、前言马科维茨投资组合模型,是投资学中一种重要的科学理论模型。它通过对所有资产的历史数据进行分析,在保证风险水平不变的同时获取最高的收益,为投资人提出了具有科学依据的量化资产配置的方案。本文以马科维茨模型为理论基石,借助Matlab的Portfolio金融工具箱,选取汇添富上证综合指数基金中具有市场代表性价值的4支股票展开案例分析,采用2017年1月1日—2021年8月1日的日频收盘价数据,构建均值—方差模型和投资组合有效边界模型,计算出夏普比率最大的股票投资组合,实证检验马科维茨模型在股票投资中的作用。     

引入小波分解的神经网络预测——以玉米大宗商品价格序列为例

采用世界银行发布的连续752期月度玉米国际价格,将其视为离散价格时间序列,运用小波理论中的Mallat算法,把价格序列分解为若干高频分量和一个低频分量,然后将各分量导进循环神经网络,再累加所得的各个分量预测值,作为最终预测价格。实验表明：引入小波分解的神经网络模型,在玉米价格时间序列中,比较灵活地捕捉到高频和低频信号,并准确拟合和预测这些部分的数值;说明该方法对于价格频繁剧烈波动的场景具有实用意义。     

美元/欧元汇率的组合模型区间预测

利用BP神经网络提取非线性特征,对残差运用广义自回归条件异方差模型分析波动性,最后将趋势与波动性结合给出预测区间。以2001年2月至2017年6月美元/欧元汇率的日收盘价数据为例,研究发现：BP神经网络具有很好的非线性刻画能力,但“过拟合”以及“欠拟合”均会影响预测区间的精度,只有合适的误差大小和精度标准才能得出较好的预测结果;同时也发现广义自回归条件异方差模型能够较为准确地分析波动性,且组合模型优于单一模型,适合中长期的区间预测。     

基于组合模型的股票预测研究综述

随着金融业数据环境的日益复杂,利用传统单一模型进行高精度股价预测变得愈加困难。面对日益突出的股票分析技术需求,组合预测模型开始得到发展并取得了很多成果。首先介绍影响股价波动的分析指标,概括基于传统统计预测模型、机器学习、神经网络等单一预测模型在股票预测中的优势与不足。然后依据组合预测模型的组合形式,将其分为线性模型的组合、非线性模型的组合以及线性与非线性模型的组合3种类型,并报告多种组合模型的实际应用与研究现状。最后,对组合模型股票预测方法的有效性和稳定性进行展望。     

基于BP神经网络的股票价格分析

文章从技术分析的角度分析股票市场的变动,以深沪A股在2012年五月份的具体数据作为实例,采用BP神经网络对股票价格进行预测。将关于每支股票的基本数据信息作为候选输入变量,再从中筛选出与股票价格变化相关性比较强的变量作为输入变量,从而建立一个三层的BP神经网络进行预测。     

市场情绪对股票走势的影响分析及预测

为探究投资者情绪对股票走势的影响,利用R软件的爬虫技术将人们对股票市场的看法抓取下来,将文本中的隐含情绪分为积极、消极及中性3种类别,并依此构建情绪得分作为市场情绪量化的结果.利用单位根检验等方法对上证指数与投资者情绪的因果关系进行探究并建立VAR模型.为更好地判断市场情绪对股票走势的影响程度,分别构建加入情绪得分前后的BP神经网络模型对上证指数收益率进行预测,比较两个模型的优劣,从而发现当股票预测模型加入市场情绪指标后误差更小,预测更为准确.     

基于EMD-SE-LSTM模型的股指日内已实现波动率预测──以中证500指数为例

由于股指波动率具有非平稳、高嘈杂、非线性等特征,而传统的预测模型在建模时要求数据平稳、线性或近似线性,所以很难精准预测股指波动率。为提高股指波动率的预测效果,采用经验模态分解(EMD)、样本熵(SE)和长短期记忆网络(LSTM)构建的模型对股指日内已实现波动率进行预测。以中证500指数为例,经过EMD分解得到一系列分量,再根据分量的样本熵大小进行重构,最后利用LSTM对重构后的各序列进行预测。结果表明,EMD算法对LSTM模型的预测精度有很大的提升,相较于传统模型,EMD-SE-LSTM模型在预测股指波动率时精度更高,拟合优度更好。     

基于百度指数的公路运价指数RO-ELM预测

公路运价指数是公路运输市场波动的衡量指标,对中国的公路运输业有重要的预示功能.利用极限学习机(ELM)的神经网络模型快速、低成本预测公路运价指数.以各百度指数与公路运价指数的相关性确定各分量对公路运价指数的影响,进而利用ADF平稳性检验与Johansen协整检验构建输入序列,最后运用时域优化思想优化输入变量,在ELM神经网络模型内输出预测值.结果表明:基于滚动窗口的ELM模型的MAPE与RMSE分别为1.85％ 与25.17,比单一ELM模型在平均绝对百分比误差和均方根误差上都有提升,预测结果与指数波动相符,可以为公路运价指数的走向提供决策参考.     

基于不同分布假设GARCH族模型对上证指数波动性分析的比较研究

股票市场的波动性研究已经成为众多研究者和投资者广泛关注的焦点。以上证股票收益率为研究对象,在三种不同的分布假设下,利用GARCH族模型对上证指数波动性进行了比较研究,分析表明:上证股票收益率具有显著的条件异方差性,且基于GED分布的GARCH(1,1)模型是消除该条件异方差性的最佳模型;上证股票收益率具有正的风险溢价,且基于GED分布的GARCH(1,1)-M模型是反映风险溢价情况的最优模型;上证股票收益率存在着明显的不对称性(杠杆效应),利空消息比利好消息更容易引起大的波动,且基于标准正态分布的EGRCH(1,1)模型是揭示该不对称性的最佳模型。     

股市波动对股市募资的影响——基于VAR模型实证分析

本文选取1991年8月至2010年7月一级市场实际募集资金、上证指数及深成指的月度数据作为样本,运用向量自回归(VAR)模型、格兰杰因果关系检验、脉冲响应分析及方差分解方法分析股市波动与股市募资的关系,实证分析表明:股市波动是股市募资的原因,其中深成指对股市募资的影响较大;股市募资对股市波动短期有强劲的响应,在长期趋于稳定;股价指数和股市募资存在长期均衡关系。并且在定量分析和定性分析相结合的基础上给出相应的对策建议。     

房地产上市公司股价影响因素实证分析

近年来,在持续的房地产调控政策影响下,我国商品房市场开始出现成交量大幅下滑,房价逐步松动下滑的现象。但在此期间,房地产上市公司股票价格不仅强于大盘走势,而且其波动幅度也高于房地产销售价格指数。为此,本文选择房地产上市公司股票价格指数为因变量,选择上证综指、发电量增长率、CPI、人民币贷款利率、房地产价格指数五个因素指标为自变量进行多元回归统计建模,模型检验结果表明,房地产上市公司股价波动除具有一般金融资产价格波动的系统性、集聚性等特点外,还具有与人民币贷款利率和房屋销售价格指数负相关的特点。受宏观调控政策的持续影响,中国当前房地产市场出现一定程度的扭曲,实体经济增长对房地产上市公司股价的影响不显著。