检索结果-内蒙古大学图书馆

作者：熊涛华中科技大学

学位级别：硕士

股票市场是一个复杂的、进化的、非线性的动态系统,因此股价指数预测被认为是最具挑战性的时间序列预测应用领域之一。近年来,支持向量机技术在时间序列预测应用领域取得了很好的效果。支持向量机从控制学习机器复杂度的思想出发,不同... 详细信息

股票市场是一个复杂的、进化的、非线性的动态系统,因此股价指数预测被认为是最具挑战性的时间序列预测应用领域之一。近年来,支持向量机技术在时间序列预测应用领域取得了很好的效果。支持向量机从控制学习机器复杂度的思想出发,不同于传统的机器学习技术基于经验风险最小化原则,提出了结构风险最小化原则,力求经验风险最小化的同时,希望学习模型的推广性尽可能大。但是,由于股票市场的复杂性,单一技术(如支持向量机)很难完全挖掘出市场信息,采用多个机器学习技术以构建混合模型是解决此问题的一种途径。本文构建基于支持向量机、自组织映射神经网络和粒子群优化算法的混合模型以解决股价指数的多步预测问题。其中,自组织映射神经网络自动的根据数据间的相似性对训练数据集进行聚类;支持向量机对各类别数据集构建回归预测模型;粒子群优化算法用于寻找支持向量机建模过程中的最优超参数。不同的支持向量机能够捕捉股市的不同模式,从而该混合模型能解决股价指数的波动性问题。本文提出的混合模型采用多步预测领域中的迭代策略和直接策略,对道琼斯工业指数进行5步提前预测,并以单一支持向量机模型为对比方法,数据仿真表明:基于正则均方误差,平均绝对百分比误差指标和DM检验结果,混合模型的预测性能优于传统的单一模型。

关键词：股票价格指数预测多步预测支持向量机自组织映射神经网络粒子群优化算法

来源：评论

学校读者我要写书评

暂无评论

基于SOM和SVMs的股票价格指数多步预测方法

基于SOM和SVMs的股票价格指数多步预测方法

引用

第十三届计算机模拟与信息技术学术会议-信息化、工业化融合与服务创新

作者：熊涛鲍玉昆胡忠义华中科技大学管理学院

在SOM(自组织映射神经网络)和SVMs(支持向量机)的组合预测基础上,引入迭代多步预测和直接多步预测,提出能够有效的预测长期股票价格指数的新方法,以单一SVMs作为评价基准,对中国上证综指进行了实证研究。结果表明,提出的基于SOM和SVMs... 详细信息

在SOM(自组织映射神经网络)和SVMs(支持向量机)的组合预测基础上,引入迭代多步预测和直接多步预测,提出能够有效的预测长期股票价格指数的新方法,以单一SVMs作为评价基准,对中国上证综指进行了实证研究。结果表明,提出的基于SOM和SVMs的股票价格指数多步预测方法具有更优的长期预报性能。

关键词：股票价格指数预测多步预测支持向量机自组织映射神经网络组合预测

来源：评论

学校读者我要写书评

暂无评论

RNN神经网络在股票指数价格预测模型的研究与应用

RNN神经网络在股票指数价格预测模型的研究与应用

引用

作者：柏万宽重庆大学

学位级别：硕士

在今天的学习生活中,人工智能、机器学习、深度学习如火如荼的发展着,人工智能在自动驾驶领域的应用日趋成熟,机器学习、深度学习在语音识别、人脸识别、自然语言处理等领域的应用非常成功。股票市场是国家经济的晴雨表,股票指数是股票... 详细信息

在今天的学习生活中,人工智能、机器学习、深度学习如火如荼的发展着,人工智能在自动驾驶领域的应用日趋成熟,机器学习、深度学习在语音识别、人脸识别、自然语言处理等领域的应用非常成功。股票市场是国家经济的晴雨表,股票指数是股票价值的直观反映。股票指数的价格具有容易受各种经济因素的影响,具有复杂的非线性、不稳定性等因素。循环神经网络在时间序列数据上的能力与计量经济学和统计学中的时间序列模型相比更好,传统神经网络在股票价格预测的能力已被充分挖掘。因此,提出基于循环神经网络的股票指数预测价格具有理论意义和应用价值。论文数据选取2000年3月27日到2018年3月20日香港恒生指数每日历史数据,数据来源于雅虎财经频道。采取了开盘价、最低价、最高价三个数据属性,作为循环神经网络模型的输入变量。原始数据采集后去除缺失记录后剩余4390组数据。将原始数据分为两部分,原始数据的前70%的数据作为训练数据集,后30%作为测试数据集。训练数据集包含3083组数据,测试数据集包含1037组数据。采用了三种神经网络模型:循环神经网络模型、长短期记忆神经网络模型、ClockworkRNN模型对香港恒生指数历史数据进行预测,并对预测结果进行了对比分析和评价。预测结果表明:Clockwork-RNN的预测效果最好,长短期记忆神经网络模型预测效果次之。三个股票指数价格预测模型预测结果与实际价格的平均绝对误差与均方根误差的很小,长短期记忆神经网络预测模型和CW-RNN预测模型的两种误差更小。

关键词：股票价格指数预测循环神经网络 LSTM CW-RNN

来源：评论

学校读者我要写书评

暂无评论

基于SOM和SVMs的沪深300指数多步预测

引用

系统工程 2012年第10期30卷 36-42页

作者：熊涛鲍玉昆胡忠义张金隆华中科技大学管理学院湖北武汉430074

针对股票价格指数多步预测问题,提出基于SOM(自组织映射神经网络)和SVMs(支持向量机)的多步预测方法。该方法首先运用SOM对股票价格指数序列的输入模式进行聚类,得到若干模式相对单一的数据集,然后依据两种多步预测策略,基于划分后的数... 详细信息

针对股票价格指数多步预测问题,提出基于SOM(自组织映射神经网络)和SVMs(支持向量机)的多步预测方法。该方法首先运用SOM对股票价格指数序列的输入模式进行聚类,得到若干模式相对单一的数据集,然后依据两种多步预测策略,基于划分后的数据集分别构建SVMs多步预测模型。针对SVMs建模中参数选择问题,论文应用PSO(粒子群优化)方法进行参数寻优。数据实验结果表明,相对于单一SVMs预测模型,基于SOM和SVMs的多步预测模型具有较好的多步预测性能。

关键词：股票价格指数预测多步预测支持向量机自组织映射神经网络组合预测

来源：评论

学校读者我要写书评

暂无评论

Lasso算法与长短期记忆网络在股指分析中的应用研究

Lasso算法与长短期记忆网络在股指分析中的应用研究

引用

作者：陈妃华中科技大学

学位级别：硕士

股票市场的高回报高风险特征使其在现代金融市场中的重要投资理财的手段。也正因如此,人们一直希望能构建合适的模型来预测股票市场的未来走向。股票市场中个股数量众多,种类繁杂,且具有一定的偶然性,因此本文选用综合沪深两市大部分股... 详细信息

股票市场的高回报高风险特征使其在现代金融市场中的重要投资理财的手段。也正因如此,人们一直希望能构建合适的模型来预测股票市场的未来走向。股票市场中个股数量众多,种类繁杂,且具有一定的偶然性,因此本文选用综合沪深两市大部分股票信息的沪深300指数收盘价格来反映股市的总体发展趋势。股票价格的影响因素众多,通过建立合理的指标体系能够有效地提取股票价格中包含的历史信息并科学地预测其未来走势,避免因信息缺失而带来的误差。对股价指数各方面影响因素进行对比分析后,本文选择了股价交易指标、技术指标、宏观经济指标与投资者情绪指标四类共24个特征组成待选指标集,并利用L1正则化方法对原始指标数据进行筛选。将筛选后的指标数据标准化后作为神经网络的输入信号用以训练模型。在此基础上,本文选用适用于序列数据建模的长短期记忆网络对优化后的股票指标体系建立模型,以网格搜索方法寻找网络最优超参数组合,选择Adam优化算法迭代计算网络的最优参数矩阵,建立预测模型,并用其预测股票价格指数的未来收盘价。选取以相同数据集建立的RNN网络模型,以及在股票价格交易数据与未经筛选的全指标集建立的LSTM模型与组合模型进行对比分析,预测结果显示基于L1正则化方法的LSTM模型得到的预测价格更为准确,且相比RNN网络,在长序列的训练与预测中,LSTM模型更有优势。同时,为了检验模型在极端状况下的分析与预测能力,选择2005年-2009年上证指数收盘价格建立模型,分别建立了重大利好与重大利空情形下的预测模型,并各自对未来一段时间进行了预测与对比分析。结果显示,组合模型在极端情况下也具有较好的预测能力。文章最后总结了所建模型的特点,并针对模型现存不足提出了改进意见。

关键词：股票价格指数预测指标优化 L1正则化方法 LSTM神经网络

来源：评论

学校读者我要写书评

暂无评论

基于EMD-SAE-LSTM模型的金融时间序列预测研究

基于EMD-SAE-LSTM模型的金融时间序列预测研究

引用

作者：白璐哈尔滨工业大学

学位级别：硕士

金融数据的预测在金融、统计和数学等各个领域一直是一个具有挑战性的问题。近年来,随着信息技术的发展,金融数据的大量留存和AI算法的深入研究,越来越多的学者开始开发金融时间序列预测领域的人工智能算法。深度学习技术作为人工智能... 详细信息

金融数据的预测在金融、统计和数学等各个领域一直是一个具有挑战性的问题。近年来,随着信息技术的发展,金融数据的大量留存和AI算法的深入研究,越来越多的学者开始开发金融时间序列预测领域的人工智能算法。深度学习技术作为人工智能的热点,已经被学者逐渐应用于金融领域之中。本文提出了一个新的深度学习股票价格预测框架:EMD-SAE-LSTM模型。其中,EMD用于对原始金融时间序列进行分解,SAE用于提取分解后数据的深层特征,LSTM用于预测股票价格。本文进行了股票指数日收盘价和个股分钟价格的预测实验。本文在上证综指、深证综指、深证成指、沪深300指数日数据集上进行股票价格指数收盘价预测实验。其中,为确定SAE选取的特征维数,选取四个结构以LSTM模型MAPE为评价标准进行试验,选出能使LSTM预测效果最佳的特征维数;又将本文模型与循环神经网络(RNN),LSTM,EMD-LSTM模型通过可决系数与MAPE两个指标进行比较,结果表明模型对股票日收盘价具有较强的预测能力,验证了本文模型的有效性。本文在中国平安股票价格指数分钟数据集上建立15分钟,30分钟,60分钟向前一步预测模型,考察本文模型对个股股票价格的预测能力。实验结果表明,使用60分钟数据预测下一分钟的股票价格时模型的各项指标表现最好;同时与RNN,LSTM,EMD-LSTM模型通过MAE,MAPE,RMSE及可决系数进行模型预测精度的比较,结果表明本文提出的模型在以上四个指标都表现最佳,验证了本文模型对个股分钟价格的预测能力。

关键词：股票价格指数预测经验模态分解堆叠自编码器 LSTM

来源：评论

学校读者我要写书评

暂无评论

基于ARIMA-BiLSTM模型的沪深300指数预测

引用

中阿科技论坛（中英文） 2023年第4期 68-72页

作者：黄杏丹山东工商学院统计学院山东烟台264005

股票价格指数是度量和反映股票市场总体价格水平及其变动趋势而编制的股价统计指标,是反映社会、政治、经济变化状况的“晴雨表”。准确预测股票价格指数波动,有助于防范股票市场风险和保障金融市场稳定发展。由于股票数据的复杂性,本... 详细信息

股票价格指数是度量和反映股票市场总体价格水平及其变动趋势而编制的股价统计指标,是反映社会、政治、经济变化状况的“晴雨表”。准确预测股票价格指数波动,有助于防范股票市场风险和保障金融市场稳定发展。由于股票数据的复杂性,本文将时间序列模型与深度学习模型相结合,提出新的组合模型ARIMABiLSTM,对沪深300指数数据集进行性能评估。结果表明,ARIMA-BiLSTM模型可以规避单一模型带来的缺陷,较其他先进方法具有更高的预测精度。文章对构建的模型展开消融实验,研究模型参数设置的合理性,并基于不同数据集进一步验证了组合模型的预测效果。

关键词：时间序列模型深度学习模型股票价格指数预测沪深300指数

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：