基于支持向量机的股票预测

针对股票预测的特点,选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法(如BP算法)的一些弊端,使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,预测达到了让人满意的效果。     

基于交叉覆盖算法的股票预测

针对股票预测的特点,选择了对上市公司股票走势有重要影响的相关数据并对其进行测试,为了避免传统的神经网络分类方法(如BP算法)的学习过程收敛速度慢、网络性能差、可能存在局部极小值等弊端,文中使用可以避免这些弊端并且具有良好分类功能的交叉覆盖算法对上市公司股票走势进行预测,结果表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,且速度快,结果的可解释性强,预测达到了让人满意的效果.     

基于支持向量机的股票预测

针对股票预测的特点，选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法（如BP算法）的一些弊端，使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果，预测达到了让人满意的效果。     

股票价格短期预测的LM遗传神经网络算法

针对传统神经网络在股票价格预测中易陷入局部最优和预测精度偏低的问题,提出了一种改进的神经网络算法进行求解.改进的算法基于LM算法建立了改进的三层BP神经网络对股票价格建立预测模型,避免算法陷入局部最优,并运用遗传算法优化神经网络的权值和阈值,提高神经网络对股票价格的预测精度.采用Matlab对上述算法模型进行仿真测试,通过预测4支股票价格的实验证明改进后的神经网络预测算法对股票价格的短期预测有较好的精度和稳定性.     

一种基于哈里斯鹰算法改进的BP神经网络

由于传统BP神经网络的训练过程对初始权值及阈值的依赖程度较大,且较优的初始权值及阈值又无法精确获取,采用哈里斯鹰算法对BP神经网络的权值、阈值进行优化。将BP神经网络训练过程中的误差作为适应度函数,并利用鸢尾花数据构建BP神经网络的训练集及测试集。测试结果表明,哈里斯鹰算法能够有效地优化权值及阈值并降低训练误差。BP神经网络的测试集分类准确率为86%,而经过哈里斯鹰算法优化后,BP神经网络的测试集分类准确率达到了96%。     

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法,BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.     

基于改进BP神经网络的煤与瓦斯突出预测系统

针对传统BP神经网络收敛速度慢、易陷入局部极小等问题,采用Matlab神经网络工具箱中的自适应学习率VLBP算法和基于数值优化技术的LMBP算法对传统BP神经网络算法进行改进,并设计了基于改进BP神经网络的煤与瓦斯突出预测系统;分别采用传统BP神经网络模型和改进的BP神经网络模型进行煤与瓦斯突出预测实验,结果表明改进的BP神经网络能够更快、更准确地预测煤与瓦斯突出。     

基于改进BP神经网络对江苏省粮食产量的仿真预测

该文分析了传统BP神经网络收敛速度慢的原因,提出了一种BP神经网络的改进算法,在此基础上建立了时间序列对象的粮食产量预测模型,并运用Matlab对江苏省粮食产量进行了预测,仿真测试结果证明了该方法可行,具有实用性。     

基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.     

基于PSO-DE-BP的光伏发电功率短期预测

提高光伏发电功率预测精度对保障智能电网安全稳定运行有重要意义。针对传统BP神经网络存在预测精度不高且收敛速度慢的弊端,提出一种基于粒子群（PSO）差分进化（DE）并行计算优化BP神经网络的光伏发电短期预测方法。首先分析影响因素重要程度,通过带权重的欧式距离筛选相似的训练样本集。其次,对粒子群分组,通过粒子群和差分进化混合算法对粒子组内和组间优化,以保证种群多样性、提高预测稳定和精度、避免局部最优。然后,建立预测模型,通过基于spark的内存计算平台,将PSO-DE-BP算法并行优化以提高算法运行效率。最后,根据不同天气类型的预测结果对模型进行分析验证,此方法比PSO-BP、BP算法模型具有更高的稳定性和预测精度。     

基于集成学习的上市公司高送转预测实证研究

我国证券市场中高送转题材股备受中小投资者的追捧,但市场中也存在着借高送转概念炒作的乱象,如何利用上市公司的财务数据挖掘真正有潜力的股票无疑具有重要意义。采用2?158家制造业上市公司7年的财务指标作为研究数据,利用采样、特征选择以及集成学习算法构建上市公司高送转预测模型并进行实证研究。结果显示：采样和特征选择方法均能有效提高集成预测模型的性能;相较于数据集中的冗余信息,数据不平衡问题对模型预测准确率的影响更显著;ADASYN+mRMR+XGBoost组合模型取得了最好的预测结果,高送转样本的分类准确率达到84.96%,建议投资者优先选用该组合模型对上市公司的高送转情况进行预测。     

Modeling the competitive market efficiency of Egyptian companies: A probabilistic neural network analysis

Understanding efficiency levels is crucial for understanding the competitive structure of a market and/or segments of a market. This study uses two artificial neural networks (NN) and a traditional statistical classification method to classify the relative efficiency of top listed Egyptian companies. Accuracy indices derived from the application of a non-parametric data envelopment analysis approach are used to assess the classification accuracy of the models. Results indicate that the NN models are superior to the traditional statistical methods. The study shows that the NN models have a great potential for the classification of companies’ relative efficiency due to their robustness and flexibility of modeling algorithms. The implications of these results for potential efficiency programs are discussed.     

基于改进人工鱼群算法与RBF神经网络的股票价格预测

股票价格受多种因素影响,这对股票价格预测造成了巨大挑战。近年来,机器学习方法被广泛用于股票价格预测的研究中,然而,现有方法存在相对误差较大、时间复杂度高等缺点。对此,提出基于引力搜索的改进人工鱼群算法AFSA_GS。该算法将引力搜索中计算质量和加速度的策略分别用于调节人工鱼的视野和步长,从而提高了人工鱼群算法在优化过程中的自适应能力;AFSA_GS算法还优化了RBF神经网络的相关参数,并使用优化后的网络预测股票价格。在多家上市公司股票数据上进行了实验,实验结果表明,相对于传统的优化算法,采用AFSA_GS算法优化的RBF神经网络,可以获得更好的股票预测性能。     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于模糊核超球的快速分类算法在股票预测中的应用

基于SVM（支持向量机）的SVDD（支持向量数据描述）分类算法存在计算复杂、分类准确率较低的缺陷, 针对股票数据非线性、高噪声的特点, 在传统的SVDD分类算法基础上, 模糊核超球快速分类算法（FCABFKH）通过合并法寻找超球集, 并依据最大隶属度原则构建分类器, 排除了离群点和超球集的重叠问题, 同时避免了复杂的二次规划, 具有分类速度快, 分类结果准确率高的特点。采用中国沪市上市公司数据验证该方法的有效性, 实验结果表明, 运用FCABFKH算法得到的组合回报率超过了市场基准。     

基于组合模型的股票停牌预测研究

针对股票的无规律性停牌和长时间停牌的问题,采用机器学习相关技术,提出了股票停牌预测的组合模型,选取财务和股票两方面的指标作为数据,通过计算各个指标的重要性进行筛选,并划分出多个特征数据集,进而完成多个分类子模型的学习,形成子模型池,系统随机抽取多个子模型进行分类,并通过投票法得到最终的预测结果。实证分析以中国上市公司为研究对象,结果表明组合模型预测取得了较高的准确率,与单一模型相比在误报率和漏报率上有较大的改进。     

基于改进FOA算法的上市公司Z-Score模型财务预警

为了提高传统Z-Score财务预警模型的预警能力,本文将改进FOA算法的良好寻优能力和Z-Score财务预警模型相结合,提出了一种改进FOA算法的上市公司Z-Score财务预警模型.采用改进FOA算法来优化Z-Score模型的参数,降低预测值和目标值之间的均方根误差（RMSE）.经对选取上市公司财务数据的预测值和目标值对比,且检验其准确率.实验结果：传统的Z-Score模型、基本FOA算法优化Z-Score模型和改进FOA算法优化Z-Score模型的预测准确率分别为65%、70%和80%.实验表明改进的算法较大提升了Z-Score财务预警模型的预测能力,也表明了该算法的有效性.     

基于遗传神经网络的股指预测

股票市场是一项集合许多市场复杂因素的活动,股票分析的方法非常多。将遗传算法用于BP神经网络的训练过程对股票价格的预测,设计一个三层的BP神经网络,优化网络输入,在传统BP神经网络的基础上加入遗传算法。通过实例分析及实际结果表明这种BP神经网络的准确性和科学性。