模糊认知图在股票市场预测中的应用研究

复杂系统中存在着大量的过程依赖、自组织，并且一直是进化的，用传统的方法对其建模十分困难。模糊认知图作为一种模糊逻辑和神经网络相结合的产物，为复杂系统建模提供了一种有效工具。文中根据模糊认知图的特点，提出了用遗传学习算法建立系统的模糊认知图方法，为复杂系统分析及预测提供了一种解决方案。最后，以股票市场的数据为例进行了分析和预测模拟，结果表明，该方法是有效的。     

模糊组合神经网络智能选股模型的建立

针对传统的股票市场预测模型,为了准确地预测股票价格趋势、为广大投资者规避风险,应用模糊逻辑和组合神经网络,利用贝叶斯统计学与组合理论使二者有机结合,提出一种股票市场建模及预测方法。组合神经网络结合BP网络和径向基函数网络(RBF),神经元模糊系统有更强的学习和推理机制,能避免黑箱问题。实证研究结果表明,该方法有较高的预测精度和更好的稳定性。     

基于测度递进的模糊认知图及其应用

模糊认知图(fuzzy cognitive map,FCM)具有简单的推理机制和较强的因果关系表达能力,已得到广泛关注和研究,但FCM对专家经验知识具有较强的依赖性,故而限制了在复杂动态系统建模中的应用.基于此,提出了一种测度递进策略的模糊认知图学习方法.利用线性回归算法,学习得到模糊认知图权重矩阵粗模型;将神经网络的权值调整算法应用于权重矩阵粗模型的细化过程,将该模糊认知图模型应用在股票市场,实现对股票日均值的预测.实验结果表明了该建模方式是有效的.     

基于模糊推理系统的非线性组合建模与预测方法研究

基于模糊推理系统在紧支集中能够逼近任意非线性连续函数的特性,提出了一种基于Takagi-sugeno模糊规则基的非线性组合建模与预测新方法,以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足,并给出了相应的基于学习自动机层次结构的优化算法确定模糊系统的参数和模糊子集的划分,理论分析和大量的经济预测实例表明：该方法具有很强的学习与泛化能力,在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统组合建模与预测方法有很好的应用。     

电力系统短期负荷预测的一种模糊建模方法

预测问题在科学技术领域有着广泛的应用背景。本文介绍了一种短期负荷预测的模糊建模方法，基于三角形隶属函数和卡尔曼滤波器，辨识出电力系统的动态模型，并把辨识模型的仿真结果与系统实测值相比较，以检验模糊模型的可靠性。仿真结果表明，这种新的模糊建模方法具有较高的精度，为高度复杂的非线性电力系统模型化提供了一条新途经。此方法利用河北省某一地区具体的数据进行检验．得到了满意的结果。     

模糊RBF神经网络在时间序列建模中的应用

本文针对时间序列传统ＡＲ建模精度及算法的局限性,提出使用模糊ＲＢＦ神经网络对信号进行建模的方法,仿真结果表明,该方法具有良好的预测效果。     

PEMFC的模糊辨识和非线性预测控制

质子交换膜燃料电池(PEMFC)是21世纪最有前景的发电技术之一。该文针对PEMFC等一类具有严重非线性的复杂被控对象，提出一种基于模糊模型的非线性预测控制算法对PEMFC系统进行建模与控制。在建模与控制过程中，采用模糊聚类和线性辨识方法在线建立PEMFC控制系统的T-S模糊预测模型，然后基于分支定界法的基本原理对控制量进行离散寻优，从而实现PEMFC的非线性预测控制。仿真和实验结果证明了该算法的有效性和优越性。     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．     

基于分数差分和Fuzzy-AR的网络流量建模和预测

文章提出了一种利用分数差分和Fuzzy-AR(模糊自回归模型)进行网络流量建模和预测的新方法。这种方法既能刻画实际网络流量的长相关性,又能描述其中的非平稳和非线性分量,同时具有较低的辨识复杂度。这个方法的两个部分建模和预测是密切相关的。首先它们都通过分数差分的方法消除时间序列中的长相关性,然后分别用模糊自回归模型进行建模或预测。实验表明相比传统的模型,这种方法的预测更加有效。     

基于模糊预测器模型的混沌时间序列预测

基于数据挖掘思想，使用兴趣度度量和改进的梯度下降法，提出一种新的、具有自学习能力的模糊方法来建模和预测混沌时间序列．所提方法不仅能同时辨识模糊模型、调整其参数及确定输出空间的最优模糊子集，而且解决了梯度下降法中存在的收敛速度和振荡之间的冲突问题．仿真结果表明新方法是有效的、准确的，它能很好地辨识系统的特征，并且提供了一种混沌时间序列预测的新方法．     

人工神经网络在证券价格预测中的应用

证券市场中成功的交易模式是可以模仿及学习的.证券价格走势实质是一种复杂时序函数.人工神经网络是在模仿人脑处理问题过程中发展起来的新型智能信息处理系统,人工神经网络可以通过调节连接权值以任意精度逼近任何连续函数,因此也可以逼近证券价格随时间变换这种函数.文中采用基于BP模型的神经网络,用BP算法和遗传算法来训练网络权值,同时也采用了动量法和学习率自适应调整相结合的策略,对证券市场的价格进行建模和预测,结果表明,此模型具有较好的学习、泛化能力,对股票市场或其他类似的非线性经济系统的走势预测决策具有较好的效果.     

基于神经网络的股票中期预测

本文给出了一种基于BP神经网络的股票市场建模、预测以及决策方法.应用神经网络进行股票中期预测,输入数据的复杂性给网络训练效率和预测精度造成了显著的负面影响.我们应用模糊曲线分析法进行了输入变量的筛选,该方法主要是用来压缩输入数据的维度,发现影响产出变量的重要因素.它通过求相关度,贡献弹性,根据样本点拟合样本曲线,最后选取出影响变量的重要因素.结果表明,经该方法处理后的数据输入神经网络不仅减少了输入数据量,使训练时间减少,运算速度提高,而且预测精度有了明显的改善.     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

An effective neural network and fuzzy time series-based hybridized model to handle forecasting problems of two factors

Fuzzy time series forecasting method has been applied in several domains, such as stock market price, temperature, sales, crop production and academic enrollments. In this paper, we introduce a model to deal with forecasting problems of two factors. The proposed model is designed using fuzzy time series and artificial neural network. In a fuzzy time series forecasting model, the length of intervals in the universe of discourse always affects the results of forecasting. Therefore, an artificial neural network- based technique is employed for determining the intervals of the historical time series data sets by clustering them into different groups. The historical time series data sets are then fuzzified, and the high-order fuzzy logical relationships are established among fuzzified values based on fuzzy time series method. The paper also introduces some rules for interval weighing to defuzzify the fuzzified time series data sets. From experimental results, it is observed that the proposed model exhibits higher accuracy than those of existing two-factors fuzzy time series models.     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

Stock Trading Using RSPOP: A Novel Rough Set-Based Neuro-Fuzzy Approach

This paper investigates the method of forecasting stock price difference on artificially generated price series data using neuro-fuzzy systems and neural networks. As trading profits is more important to an investor than statistical performance, this paper proposes a novel rough set-based neuro-fuzzy stock trading decision model called stock trading using rough set-based pseudo outer-product (RSPOP) which synergizes the price difference forecast method with a forecast bottleneck free trading decision model. The proposed stock trading with forecast model uses the pseudo outer-product based fuzzy neural network using the compositional rule of inference [POPFNN-CRI(S)] with fuzzy rules identified using the RSPOP algorithm as the underlying predictor model and simple moving average trading rules in the stock trading decision model. Experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data are presented. Trading profits in terms of portfolio end values obtained are benchmarked against stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Experimental results showed that the proposed model identified rules with greater interpretability and yielded significantly higher profits than the stock trading with DENFIS forecast model and the stock trading without forecast model.     

Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting

Stock market prediction is regarded as a challenging task in financial time-series forecasting. The central idea to successful stock market prediction is achieving best results using minimum required input data and the least complex stock market model. To achieve these purposes this article presents an integrated approach based on genetic fuzzy systems (GFS) and artificial neural networks (ANN) for constructing a stock price forecasting expert system. At first, we use stepwise regression analysis (SRA) to determine factors which have most influence on stock prices. At the next stage we divide our raw data into k clusters by means of self-organizing map (SOM) neural networks. Finally, all clusters will be fed into independent GFS models with the ability of rule base extraction and data base tuning. We evaluate capability of the proposed approach by applying it on stock price data gathered from IT and Airlines sectors, and compare the outcomes with previous stock price forecasting methods using mean absolute percentage error (MAPE). Results show that the proposed approach outperforms all previous methods, so it can be considered as a suitable tool for stock price forecasting problems.