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。     

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。     

ADL(p,q)模型在深沪股市中的应用

本文根据ADL(p,q)模型,借助计量经济学软件Eviews,研究了上证综指和深证综指股市在一定时间段上大盘日、周、月收盘指数与其对应成交量之间的关系,建立了相应的ADL(p,q)模型,并分别对收盘指数进行了预测,预测效果较为理想,从而为广大投资者提供了一种数学预测方法。预测模型表明在显著性水平下,成交量对收盘指数存在着显著影响。股市存在弱形式有效性。     

ADL(p,q)模型在深沪股市中的应用

本文根据ADL(p,q)模型,借助计量经济学软件Eviews,研究了上证综指和深证综指股市在一定时间段上大盘日、周、月收盘指数与其对应成交量之间的关系,建立了相应的ADL(p,q)模型,并分别对收盘指数进行了预测,预测效果较为理想,从而为广大投资者提供了一种数学预测方法.预测模型表明在显著性水平下,成交量对收盘指数存在着显著影响.股市存在弱形式有效性.     

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。     

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。     

岭回归方法在股市中的应用

利用岭回归方法,借助于Eviews和MATLAB应用软件,对我国上海股市自1996年5月23日到2004年11月5日的大盘综合指数(日数据,周数据和月数据)进行研究,消除多重共线性后,建立了收盘指数与开盘指数,最高指数及最低指数间的多元线性回归模型,并进行了预测。同理得到深圳大盘成分指数相应的多元线性回归模型。     

岭回归方法在股市中的应用

利用岭回归方法,借助于Eviews和MATLAB应用软件,对我国上海股市自1996年5月23日到2004年11月5日的大盘综合指数(日数据,周数据和月数据)进行研究,消除多重共线性后,建立了收盘指数与开盘指数,最高指数及最低指数间的多元线性回归模型,并进行了预测.同理得到深圳大盘成分指数相应的多元线性回归模型.     

基于GARCH模型的上证综指波动性分析

本文针对传统计量方法无法满足对股票收益率波动性大的特点进行分析这一缺陷,提出运用GARCH模型,建立异方差收益率假设,并对异方差的表现形式进行直接的线性扩展,对以上证综合指数为代表的上海证券交易所的股票价格的波动性进行了实证分析,并得出上证综指收益率波动呈现"尖峰厚尾"的特性以及非对称的GARCH模型能较好地拟合我国股市的股票价格序列波动的结论,从而对投资者的预测和决策起到指导作用。     

基于BP神经网络的股价趋势分析

对BP神经网络的算法和结构进行了介绍,并基于MATLAB的BP网络的工具箱.对浦发银行近一年交易日的数据进行了训练和测试,获得了一定的预测精度.最后还对波动期股价预测的难易.股价涨幅预测的难度以及输入变量对BP网络预测股价能力的影响等进行了讨论.基于实验结果,得出了基于BP神经网络的数学模型能一定程度上实现对股价趋势判断的结论.     

基于BP神经网络与支持向量机的股票指数预测模型比较

本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测.研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型.     

基于马尔科夫链对股票价格预测

合理地对股票价格进行预测是众多股票研究者所追求的目标。而随着知识学习的不断深入,利用数学模型的方法进行股票价格预测近年来更加受到人们的关注。在研究股票市场时,我们常常利用马尔科夫链的方法预测股票价格趋势,以期为投资者及股票市场管理者提供一些决策依据。本文先向大家简单介绍了马尔科夫链,接着建立数学模型,并利用实例检验了所建立的马尔科夫链模型在进行股价预测时的可行性,为以后股价预测方面的研究提供借鉴。     

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.     

对上证日收盘指数进行规律性探索——基于GARCH(1,1)模型

上证指数作为国内最早上市,最具权威的指数,一直是经济研究人员和投资者关注的焦点。通过GARCH(1,1)模型来实际剖析上证日收盘指数的运动规律,包括收益率序列存在的波动聚集性和尖峰厚尾等特征,并对收盘指数进行一定预测,并得到改进后适用于我国上证日收盘指数市场的GARCH(1,1)模型,以此使广大投资者可以更好的通过上证指数运动规律判断股市行情,做出适合自己的判断。对投资者投资上证日收盘指数市场做了指导。     

基于BP神经网络的湖北国际旅游需求预测

文章在阐述BP神经网络基本原理的基础上,建立了湖北旅游需求的BP神经网络模型,并对湖北旅游外汇收入及入境游客人数进行了预测和分析。     

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.     

中国股票市场波动性的实证分析

本文首先利用沪深300指数建立了基于GARCH族模型的中国股票市场波动性模型,发现:我国证券市场波动性具有很强的持续性,证券收益率一旦受到冲击出现异常波动,短期内很难消除,且股票价格波动存在杠杆效应,即"利空消息"能比等量的"利好消息"产生更大的波动。其次,对沪深300指数和恒生指数基于VAR模型利用协整检验、脉冲响应函数和方差分解进行实证分析,结果表明:内地股市和港股存在一定的相关性。     

布鲁姆调整法在中国股市有效性的实证检验

本文采用单一指数模型作为β系数的估计方法，并将这一方法估计的历年β系数值作为其真实值的近似。然后选取中国股市的数据建立了中国股市的布鲁姆调整模型，并构造了一种采用两期历史数据的预测方法对β系数进行了预测，最后利用样本数据对建立的布鲁姆调整模型进行了显著性检验。     

基于VAR模型的房地产市场与股市关系研究

本文通过建立VAR模型研究了1998年第一季度至2007第四季度,全国房地产市场和股票市场价格波动之间的关系,利用Jonhansen协整检验发现房地产市场与股市之间具有明显的协整关系,运用Granger因果检验发现股市是房地产市场单向的Granger原因,最后利用VAR模型中的脉冲响应函数和方差分解技术,定量的得出房地产价格和股票价格在各自预测误差中贡献度,最后得出结论。