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.     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力,应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型,利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明,该模型产生的混沌扩频序列调整更容易,比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

基于BP神经网络的重庆市外贸出口预测研究

出口贸易系统受到国内国际诸多因素的影响,是一个演变的非线性复杂系统,而神经网络因其强大的非线性映射能力,特别适合于解决非线性的预测决策问题。本文从重庆市外贸出口的实际背景出发,采用三层BP神经网络进行实证预测,预测结果表明本文建立的模型具有较高的预测精度,可以作为相关部门制定出口贸易发展目标的参考依据。     

遗传神经网络在电信业务收入预测中的应用研究

误差反向传播神经网络(BPNN)由于优越的非线性数据处理性能以及较强的学习能力而被广泛地运用于电信业务的预测当中。然而,神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果,而遗传算法(GA)是一种全局寻优搜索算法,能够有效克服上述缺陷。本文针对影响电信业务收入的主要因素,将BP神经网络与遗传算法有机结合起来,建立了相应的遗传神经网络模型用于电信业务收入预测,并利用实际数据进行效果验证。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BP神经网络模型,而且具有良好的泛化性。     

关于磁流变阻尼器神经网络模型的设计分析

神经网络在控制领域受到重视主要归功于它的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理方式及其优良的容错性能。这些特．占、使得神经网络非常适合于复杂系统的建模和控制,特别是当系统存在不确定因素时,更体现了神经网络方法的优越性。考虑到建筑结构的不确定性和非线性,该文提出了基于神经网络的结构系统辨识方法,构造了具有一个隐含层的神经网络,用误差反向的传播算法训练,模拟了一个多层结构在地震作用下的动力响应特性。计算机仿真表明了该神经网络辨识结构的有效性。     

基于神经网络模型的上市公司财务危机预警研究

本文使用人工神经网络(ANN)建立财务危机预警模型,用以测试模型预测上市公司发生财务危机的准确率。模型使用的样本包括110家上市公司的财务指标,其中77家公司作为训练集,33家公司作为测试集。在数据挖掘软件Rapidminer 6.1上构建模型,得到神经网络的总体预测准确率为90.91%。研究表明,人工神经网络具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,因此是一种非常好的预测财务危机的模型,在企业财务危机预警方面有着很好的应用前景。     

个人信用评估模型的比较研究

本文从定量分析角度出发,在一组商业银行汽车贷款数据样本的基础上,建立了Logistic回归、分类树、神经网络三种模型并进行了实证比较。结果显示,由于神经网络模型所具有自学习能力、容错能力和泛化能力,是一种更适用于我国目前个人信用现状的评估方法。     

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。     

商业银行信贷风险识别的神经网络模型

由于信贷风险的复杂性和高度非线性,中国商业银行运用五级分类信贷制度难以把握贷款在未来的变动情况。为此,根据Elman神经网络原理,利用其非线性与泛化的能力,建立了一个基于El-man神经网络的商业银行信贷风险识别及评估模型,并通过实例来验证其有效性,以实现对实际信贷风险的最准确化预测。     

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神经网络的商业银行信用风险预警

运用BP神经网络模型对商业银行的信用风险进行预警.根据人工神经网络(ANN)理论,建立了商业银行信用风险的预警指标,并给出了归一化方法的处理.经过实例的验证,结果表明该方法具有客观性、非线性处理能力强以及误差小等特点,可以为商业银行信用风险的监测预警提供更为科学可靠的理论依据.     

基于BP神经网络的商业银行信用风险预警

运用BP神经网络模型对商业银行的信用风险进行预警。根据人工神经网络(ANN)理论,建立了商业银行信用风险的预警指标,并给出了归一化方法的处理。经过实例的验证,结果表明该方法具有客观性、非线性处理能力强以及误差小等特点,可以为商业银行信用风险的监测预警提供更为科学可靠的理论依据。     

我国居民消费价格指数的混沌特性分析及预测研究

根据我国居民消费价格指数的非线性特征,建立了基于混沌理论的消费者价格指数神经网络模型,同时运用所建模型对我国居民消费价格指数进行估计和预测。计算结果表明,该模型能够很好地解决居民消费价格指数估计和预测这一问题,预测精度较传统的方法要高,具有一定的应用价值。     

基于改进ANN的我国社会物流总成本预测研究

社会物流总成本(WLCB)序列同时具有线性和非线性的特征,直接对WLCB预测,传统预测、神经网络方法均产生很大的误差。本文提出:对WLCB数据作两步预处理,逐步消除WLCB的线性特征,在只具非线性特征的预处理后数据基础上,建立BP预测模型。分别与建立在原始数据及只作一步预处理的数据的BP预测模型进行比较,实验表明:两步预处理后不含线性特征的BP模型预测准确率大大提高,从而证实了改进NN模型用于WLCB预测的有效性。     

神经网络在蛋白质折叠预测中的应用

蛋白质的生物功能是由它们的空间折叠结构决定的,理解蛋白质的折叠过程是生物信息学领域中极具挑战的问题之一。求解精度和计算时间是蛋白质折叠结构预测中要解决的主要问题,神经网络具有较强的逼近非线性函数的能力,并具有自适应学习的优点,以及良好的寻优能力。笔者对如何使用神经网络方法解决蛋白质折叠预测问题进行了分析与展望。     

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。     

循环神经网络自适应有源噪声对消研究

介绍了一种新颖的非线性逢适应滤波器－－循环神经网络自适应滤波器。由于这种循环神经等效于非线性ＩＩＲ滤波器，具有学习非线性函数到任意的精度及自适应能力，这种滤波器优于线性滤波器，能够适应各种噪声环境。本文将该滤波器用于有源噪声对消，仿真结果表明了这种循环神经网络自适应有源噪声对消系统具有良好的抗噪声性能。     

神经网络在土石坝沉降变形分析中的应用

基于神经网络理论和反向传播算法,建立了土石坝沉降变形预测分析人工神经网络模型,并借助Matlab语言进行程序设计,实现神经网络计算。结合某土石坝工程坝顶沉降实测数据,对模型进行学习训练,并利用神经网络模型进行沉降变形预测。验证表明,预测值与实测值有较好的一致性,同时也说明作为非线性科学一个分支的神经网络,由于其能以较高的精度逼近任意非线性函数,在土石坝变形分析上显示出较强的实用价值和优越性。     

基于Spike神经元的神经网络及其学习算法研究

Spiking神经网络是一种新型的神经网络,它采用更接近于生物神经元的Spike神经元作为计算单元,具有更好的生物特性。文中讨论了其原有的学习算法,提出了基于粒子群算法的学习模型,分析了该模型的算法时间复杂度。非线性分类问题的实验结果表明基于粒子群算法的学习模型具有更好的全局收敛性。     

组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析

本文分析了自回归移动平均模型(ARIMA)与BP神经网络模型在预测方面的特性和模型各自的优缺点,在此基础上尝试建立了ARIMA和BP神经网络的股指组合预测模型。ARIMA与BP神经网络组合使用的基本原理是股指时间序列数据可分解为线性部分和非线性残差部分。本文以上证综合指数为例,首先采用ARIMA预测上证综合指数的线性变化趋势,然后采用BP神经网络对上证综合指数的非线性趋势进行拟合,最后整合两种模型的预测结果。仿真结果表明:组合模型提高了对上证综合指数的预测精度,证实了组合模型在股指预测方面的有效性。