基于PCA-SVM模型的供应商战略选择研究

针对供应链管理是目前企业管理的先进管理模式,供应链管理可以实现供应链上各节点企业的"共赢",对作为整条供应链源头的供应商评价与选择已成为企业提高竞争优势的关键。在对目前供应商选择方法从定量和定性角度研究的基础上,本文提出了一种基于聚类分析、主成分分析(PCA)和支持向量机(SVM)改进的供应商选择方法,并通过和模糊综合评价方法的对比,实践表明这种方法更具有可行性和合理性,为企业选择供应商提供更有价值的参考。     

基于PCA-SVM的港口集装箱吞吐量预测模型研究

从影响港口集装箱吞吐量的若干因素出发,本文依据主成分分析法和支持向量机回归法的基本原理,提出了一种基于主成分分析和支持向量机回归算法的建模预测方法。以连云港1999—2016年的统计数据为例,将该方法与指数平滑法、多元线性回归法及支持向量机回归法相结合,预测精度较高,最后利用主成分分析和支持向量机回归算法预测了2019—2020年的港口集装箱吞吐量,为港口决策提供重要依据。     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

基于组合评价的纺织行业财务风险预警模型研究

将主成分分析（PCA）和最小二乘支持向量机（LSSVM）结合,提出了一种适用小样本空间的财务风险模型：PCA—LSSVM模型。以传统年度财务指标为基础,通过主成分分析,简化了输入变量,并利用LSSVM作为判别企业风险等级的工具。该模型可以在纺织行业中的上市公司选中1个或多个企业参与,避免了传统算法模型在解决财务风险预测的缺陷。算例结果表明了所提出模型能有效地提高预警方案的可行性,为财务风险的在线实施提供了方便。     

支持向量机在股票价格短鞋预测中的应用

SVM采用结构风险最小化原则，使风险只与输入样本数目有关，而与输入的维数无关，从而避免“维灾数”，并且结构参数从样本学习中自动确定，克服了传统神经网络收敛速度慢、结构参数确定无理论依据、存在局部极小值等缺点，具有较好的泛化能力。将此方法应用于股票价格的短期预测，取得晟好的实验结果，而基于支持向量机的股票价格短期预测模型对股市研究也有着重要的参考价值。     

基于组合模型的进出口贸易总额预测

进出口贸易总额作为经济活动中的一个宏观经济指标,对研究中国经济状况具有不可替代的作用。文章使用ARIMA(自回归移动平均模型)和SVM(支持向量回归模型)对1980—2016年的我国进出口贸易总额进行信息挖掘,在评价预测效果的基础上构建了基于权重分配的组合预测模型。通过实例分析印证了在进出口总额方面基于优化定权的组合预测模型要比单一预测模型精度高,对我国的对外贸易发展有一定的参考价值。     

支持向量机在股票价格短期预测中的应用

SVM采用结构风险最小化原则,使风险只与输入样本数目有关,而与输入的维数无关,从而避免“维灾数”,并且结构参数从样本学习中自动确定,克服了传统神经网络收敛速度慢、结构参数确定无理论依据、存在局部极小值等缺点,具有较好的泛化能力。将此方法应用于股票价格的短期预测,取得良好的实验结果,而基于支持向量机的股票价格短期预测模型对股市研究也有着重要的参考价值。     

基于小波神经网络的股票价格预测

股票价格是一个与政治,经济等多因素有关的非线性建模问题。本文利用小波神经网络在非线性建模中的收敛迅速等优越性,提出利用小波神经网络预测股票价格的方法。仿真表明该方法可行,预测精度高。     

基于BP神经网络的股票价格预测研究

本文针对股票市场这一非线性系统,利用人工神经网络的方法来对股票进行时间序列预测。采用BP神经网络,将历史时间序列数据作为参考依据,预测未来短期内的股票价格;并在此基础上,与实际的股票价格进行对比分析,并得出结论。对于股票市场内的投资者具有一定的理论意义和实践价值。     

银行业高管竞争力评价模型及实证分析

在建立银行业高管竞争力评价指标体系基础上,构建了主成分分析(PCA)和支持向量机(SVM)相结合的竞争力评价模型。对原始指标数据进行标准化处理,运用主成分分析消除指标之间的冗余和相关,并在MATLAB 6.5中运用支持向量机对银行业高管竞争力进行评价。实证结果表明该方法是适用于我国银行业高管竞争力评价的有效方法。     

基于ARIMA模型和神经网络模型的股票价格预测——以百联集团为例

本文将分别利用时间序列的ARIMA模型和神经网络,对国内零售业航母——百联集团旗下的友谊股份(600827.SH)和上海物贸(600822.SH)股票的价格进行预测,并将这两种预测方法进行对比,选择最优的方法进行预测。最后发现ARIMA模型和神经网络的模型预测效果都很好,但是神经网络相对更好。     

秦皇岛煤炭价格预测研究——基于因素分析法和支持向量机模型

煤炭是我国重要的战略资源,其价格波动对国民经济影响重大。本文选取了煤炭产量、煤炭销量、进口量、国际原油价格和秦皇岛煤炭交易月度价格为样本数据,建立基于因素分析的支持向量机模型(FS-SVM)对秦皇岛的煤炭价格进行了预测分析,并与神经网络模型(BPNN)和无因素分析的支持向量机模型(SVM)的预测结果进行了对比。结果表明,以因素分析的结果作为输入的支持向量机模型可以有效地预测市场煤价,其预测结果可为大型煤炭消耗型企业购煤决策提供指导性意见。     

基于机器学习的股票价格研究

股票投资常常伴随着风险发生,越来越多的投资者期望寻求更加科学的投资方法.随着人工智能和大数据的兴起,用机器学习探究股票市场的变化规律越来越流行.本文采用机器学习的三种算法,线性神经网络模型(Linear Model)、多层感知机神经网络模型(MLP)和支持向量机回归模型(SVM)分别对1990年至2019年的上证指数s...     

基于BP神经网络模型的股票价格研究

本文将BP神经网络模型与主成分分析法和遗传算法相结合,建立了预测股票价格变化的动态PCA-GA-BP模型。该模型能改善BP神经网络模型运算速度缓慢和易陷入局部最小值的缺点,弥补传统股票价格预测方法的不足。     

基于支持向量机的中国猪肉产量预测研究

生猪养殖业作为我国大力扶持的产业,一直以来都占据中国畜牧业的“半壁江山”。尽管如此,我国居民对猪肉的消费量仍大于猪肉产量,为了稳定市场对猪肉的需求,还要依靠一定数量的进口。为了促进我国猪业的发展和更好地满足消费者对猪肉价格的预期,提高猪肉产量是一项重要手段。本文搜集了1990—2019年中国猪肉产量的数据,选择支持向量机模型预测了2020年猪肉产量,分析了猪肉产量变动情况及走势,并对相关影响因素进行系统分析,提出对策与建议,以期为中国猪业相关部门提供参考。     

基于支持向量机在重工业经济领域预测研究

提出了一种基于支持向量机预测重工业经济月度同比增长率的方法。利用2002年以来,我国6年的重工业月度同比增长率数据,建立支持向量机预测模型,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测和经济分析是有效的。     

基于加权最小二乘支持向量机的金融时间序列预测

针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

基于相空间重构与支持向量机的电力负荷预测

近年来让人们对电力负荷预测的研究越来越显示出它对电力系统具有非常重要的意义,本文结合了电力负荷的混沌特性,对电力数据进行了相空间重构,提出了基于相空间重构和支持向量机回归的电力负荷预测方法,并结合实际应用取得了很好的效果。     

基于加权支持向量机的金融时间序列预测

金融时间序列数据的预测是商业领域的热点问题,对金融时间序列进行准确的预测,对金融投资决策与风险管理具有特别重要的意义。针对金融时间序列的特点,对传统支持向量机进行了改进,提出了基于加权支持向量机的金融时间序列预测方法。研究表明,与传统金融时间序列预测方法比较,基于加权支持向量机有效地提高了金融时间序列预测的精度。