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.     

Elman神经网络的网络流量预测

研究网络流量准确预测问题,由于网络流量变化具有非线性、突变性,传统网络流量预测是建立在线性模型的基础上,无法准确描述网络流量变化规律,导致预测精度低.为了提高网络流量的预测精度,提出一种Elman神经网络的网络流量预测模型.根据Elman神经网络良好的时变性捕捉能力和非线性预测能力对网络流量变化规律进行建模和预测.实验结果表明,模型具有良好的预测效果,相对于传统ARIMA模型、BP神经网络模型,Elman神经网络模型预测精度更高,误差更小,说明了改进的优化方法对网络流量预测是有效和可行的.     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于Elman神经网络的电力负荷预测模型研究

针对传统的电力负荷预测的不足，利用Elman神经网络时变能力强、误差可控、预测精度高等优点，提出一种基于循环结构Elman神经网络的电力负荷预测模型。采用学校实习基地的某企业半个月的电力负荷历史数据作为原始数据，并通过MATLAB平台进行仿真，对提出的预测方法和模型进行了研究，分析检验所建立模型的实际预测能力。首先对负荷样本数据归一化运算，使Elman神经网络输入层变量集中在[0,1]区间内，再对所建立的网络模型进行训练，使系统具备适应时变能力，增强系统全局稳定性。仿真分析结果显示：基于Elman神经网络的电力负荷预测模型预测误差小、精度高，预测速度快，表明了所提出的预测模型具有一定的实用价值。     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于Elman网络的电力负荷预测研究

电力系统负荷与诸多影响因素之间是一种强耦合、多变量、严重非线性的关系,且这种关系具有动态性。传统预测方法精度不高,而采用动态回归神经网络(Elman)能更直接、更有效地反映系统的动态特性。该文建立了基于Elman神经网络的电力负荷预测模型,通过MATLAB仿真预测,对比Elman神经网络和BP神经网络的预测效果。仿真实验证明了Elman神经网络具有良好的动态特性、较快的训练速度、高精度等特点,表明Elman预测模型是一种新颖、可靠的负荷预测方法。     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

神经网络在卷烟销售量预测的应用研究

研究卷烟销售预测准确问题,卷烟销售量具有季节性和周期性动态变化规律,并受经济、人口等因素的影响,使系统存在明显的非线性特征,波动范围比较大,传统线性预测模型难以准确预测。为了提高卷销售预测精度,提出一种能够反映卷烟销售量变化规律的Elman神经网络的卷烟销售预测模型。首先采用逐步拓阶方法确定卷烟销售量的最佳滞后阶数,然后利用最佳滞后阶数最对卷烟销售数据进行重组,并输入Elman神经网络学习,利用Elman神经网络的动态和反馈特点对卷烟销售量进行预测。将建立的模型应用于云南某烟草公司某种卷烟销售的预测,结果表明,Elman神经网络模型有效提高了卷烟销售预测精度,降低了预测误差,为烟草行业销售管理预测提供科学依据。     

基于神经网络的邢台市空气质量预测模型构建研究

随着邢台市空气污染日趋严重,构建基于神经网络的空气质量等级预测模型具有重要意义.文章以邢台市空气主要污染源的排放量、日最高温度、日最低温度、风力及空气质量等级为样本数据,基于MATLAB神经网络的背景,运用BP神经网络、PNN神经网络、Elman神经网络模式识别方法构建空气质量预测模型,通过对比预测空气质量等级和实际等级评价模型,结果表明,BP神经网络正确率41.94％,PNN网络正确率38.71％,Elman网络正确率35.48％,BP神经网络所构建的预测模型效果最好.     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

基于AQPSO算法优化的Elman网络模型及其应用

Elman神经网络是一种典型的递归神经网络。提出了自适应量子粒子群优化（Adaptive Quantum-Behaved Particle Swarm Optimization,AQPSO）算法,用于训练Elman网络参数,改进了Elman网络的泛化能力。利用中集集团股票数据进行预测,实验结果表明,采用AQPSO算法获得的Elman网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值。     

基于Elman神经网络的股票价格预测研究

为了更好地把握股票价格的波动，应用了在处理序列数据输入输出具有优越性的Elman 递归神经网络建立股市预测模型，并用两支股票进行了检测，检测结果说明人工神经网络应用于中国股票市场的预测是可行和有效的，有着良好的前景。     

一种改进的Eiman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素，提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测，进而求其收益率。实验模拟结果表明：将改进的Elman模型用于股市投资是可行的，有效的，具有一定的应用潜能，谊模型不仅可以明显提高网络的预测精度，达到快速收敛。而且还能够明显提高股民投资的利润率，实现较大幅度地获得收益的目的。     

一种改进的Elman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素,提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测,进而求其收益率。实验模拟结果表明:将改进的Elman模型用于股市投资是可行的,有效的,具有一定的应用潜能,该模型不仅可以明显提高网络的预测精度,达到快速收敛,而且还能够明显提高股民投资的利润率,实现较大幅度地获得收益的目的。     

基于遗传算法的模糊神经网络股市建模与预测

提出一种基于模糊神经网络的股票市场建模与预测方法，并采用遗传算法训练网络权值及模糊子集的划分，对于上证指数及个股的建模与预测结果表明，该方法具有很强的学习与泛化能力，在处理诸如股票市场上这种具有一定程度不确定性的非互性的建模与预测方面有很发的价值。     

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。     

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。     

Forecasting the volatility of stock price index

Accurate volatility forecasting is the core task in the risk management in which various portfolios’ pricing, hedging, and option strategies are exercised. Prior studies on stock market have primarily focused on estimation of stock price index by using financial time series models and data mining techniques. This paper proposes hybrid models with neural network and time series models for forecasting the volatility of stock price index in two view points: deviation and direction. It demonstrates the utility of the hybrid model for volatility forecasting. This model demonstrates the utility of the neural network forecasting combined with time series analysis for the financial goods.     

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。