Impacts of Interval Computing on Stock Market Variability Forecasting

This study uses the interval computing approach to forecast the annual and quarterly variability of the stock market. We find that the forecasting accuracy is significantly higher than the OLS lower and upper bound forecasting. The strength of the interval computing comes from its data processing. It uses lower and upper bound information simultaneously, no variability information is lost in parameter estimation. The quarterly interval (variability) forecasts suggest that the interval computing method outperforms the OLS lower and upper bound forecasting in both stable and volatile periods.      

SOM-T2 FLS在股市预测中的应用研究

由于金融市场的复杂性和特殊性,现有预测算法的性能在牛市和熊市中呈现出较大差异,导致分类精度不高和抗风险能力不强,提出一种基于自组织特征映射-2型模糊逻辑系统（SOM-Type-2 Fuzzy Logic System,SOM-T2 FLS）的分类算法。通过SOM网络将样本集分成两个不同子集,然后在每一个子集下分别学习T2 FLS分类器。在分类器学习过程中,提出将规则库的长度作为正则项,降低模型复杂度。利用中国证券市场的历史数据,验证了该算法较现有算法具有更好的预测效果和抗风险能力。     

多输出支持向量回归及其在股指预测中的应用

为了解决多输出回归问题,提出了一种新的多输出支持向量回归算法。给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度。建立了该算法应用于股指预测的模型,对上证综合指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对证券市场进行分析和预测的一种可行而有效的方法。     

精确在线支持向量回归在股指预测中的应用

建立了基于精确在线支持向量机回归算法的股指短期预测模型,并通过和另外两种基于传统训练方式的支持向量机预测模型进行比较,验证了该方法的有效性。     

多输出支持向量回归及其在股指预测中的应用

为了解决多输出回归问题，提出了一种新的多输出支持向量回归算法。给出了定义在超球上的损失函数，并将训练SVM转化为迭代解线性方程组，在求解过程中采用边计算边使矩阵降阶的方法，加快了运算速度。建立了该算法应用于股指预测的模型，对上证综合指数的建模与预测表明：与单输出支持向量回归算法建立的模型相比，该算法具有更好的整体预测精度和抗噪性能，是对证券市场进行分析和预测的一种可行而有效的方法。     

An Adaptive Approach to Market Development Forecasting

In the field of time series models for forecasting, the commonly accepted fact is that no one model could be shown to be superior to all others. An effective time series model for forecasting must incorporate the specific characteristics of the targeted problem domain. This paper proposes a neura network model for market development forecasting In this model, monotonicity and knowledge of seasonal period are incorporated into neural network training. The model is superior to the traditional curve fitting methods, in that it is adaptive in modelling trend and season factors for the time series in cases where the growth curve functions and seasonal functions are a priori unknown. The model is superior to unconstrained neural networks for time series modelling in that random fluctuations can be avoided. An example of forecasting daily sales using the neural network model is demonstrated.     

混沌理论在股票价格预测中的应用

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌人维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时问序列预测中有广泛的实用价值。     

A Hybrid Intelligent Morphological Approach for Stock Market Forecasting

In this paper, a hybrid intelligent morphological approach is presented for stock market forecasting. It consists of a hybrid intelligent model composed of a Modular Morphological Neural Network (MMNN) and a Modified Genetic Algorithm (MGA), which searches for the minimum number of time lags for a correct time series representation, as well as by the initial weights, architecture and number of modules of the MMNN. Each element of the MGA population is trained via Back Propagation (BP) algorithm to further improve the parameters supplied by the MGA. Initially, the proposed method chooses the most tuned prediction model for time series representation, then it performs a behavioral statistical test in the attempt to adjust time phase distortions that appear in financial time series. An experimental analysis is conducted with the proposed method using four real world time series and five well-known performance measurements, demonstrating consistent better performance of this kind of morphological system.     

基于MPCA-RBF模型的证券市场指数时间序列预测*

针对证券市场指数内部结构的复杂性和影响因素的高维性,提出基于MPCA-RBF（多线性主成分分析法-径向基神经网络）模型的证券市场指数时间序列预测方法。由于证券市场间存在关联性,选取了7个证券市场及34个技术指标构建三维张量模型,采用张量方法—MPCA进行特征提取,使降维的同时充分保留数据内部结构,之后利用RBF神经网络进行回归预测,提高了预测精度。对恒生指数和日经225指数的实验结果显示,与非张量模型相比,该模型预测误差较小,预测精度有较显著的提高,表明该模型能充分地保留证券时间序列内部结构,证明了其在证券预测领域的有效性和实用性。     

改进的XGBoost模型在股票预测中的应用

随着时代的不断进步，人民生活水平日益提高。在解决温饱问题之余，有了可供投资的余财。越来越多的人将目光转向股市投资，为股市发展提供了资金条件。然而在纷繁复杂的股票市场，如何寻找最优股成为亟待解决的问题。这不仅是投资者单方面的困惑，也是股票预测领域中学者们所关心的重点。通过网格搜索算法对XGBoost模型进行参数优化构建GS-XGBoost的金融预测模型，并将该模型运用于股票短期预测中。分别以中国平安、中国建筑、中国中车、科大讯飞和三一重工2005年4月至2018年12月28日的每日收盘价作为实验数据。通过实验对比，相较于XGBoost原模型、GBDT模型以及SVM模型，GS-XGBoost模型在MSE、RMSE与MAE三个评价指标上都表现出较好的预测结果。从而验证，GS-XGBoost金融预测模型在股票短期预测中具有更好的拟合性能。     

基于神经网络和模式匹配的股票预测研究

BP神经网络是分析股票数据最流行的工具之一。近期对模式匹配算法的研究表明模式匹配简化了股票趋势预测的复杂度并为股票市场预测提供了一种简单有效的方法。文中分别阐述了BP神经网络和模式匹配识别的原理,并提出将两种算法相结合,建立一个基于BP神经网络和模式匹配识别的股票市场分析和预测系统。这个系统克服了神经网络预测系统目标函数存在局部最小和模式匹配识别预测系统缺少股票价格自身变化特性的缺点,具有两种算法在股票预测应用方面的优势。通过对泰山石油的股价进行分析来测试这个系统。实验结果表明此方法不仅收敛速度快、预测精度高,而且易于操作,具有一定应用价值。     

基于神经网络和模式匹配的股票预测研究

BP神经网络是分析股票数据最流行的工具之一.近期对模式匹配算法的研究表明模式匹配简化了股票趋势预测的复杂度并为股票市场预测提供了一种简单有效的方法.文中分别阐述了BP神经网络和模式匹配识别的原理,并提出将两种算法相结合,建立一个基于BP神经网络和模式匹配识别的股票市场分析和预测系统.这个系统克服了神经网络预测系统目标函数存在局部最小和模式匹配识别预测系统缺少股票价格自身变化特性的缺点,具有两种算法在股票预测应用方面的优势.通过对泰山石油的股价进行分析来测试这个系统.实验结果表明此方法不仅收敛速度快、预测精度高,而且易于操作,具有一定应用价值.     

AprioriHybird算法的改进及在股市中的应用

介绍了AprioriHybird算法,用2项集支持度矩阵对其生成频繁2项集和频繁3项集的方法进行了改进,同时对数据库消减也给予了一定的策略,最后通过股市数据的实验,证明了改进算法的效率在一定程度上优于AprioriHybird算法;同时挖掘出大量有意义的关联规则,用于指导模拟买卖取得了较佳效果。     

机器学习在股票预测中的应用综述

揭示股票市场运行规律一直是研究的热点，近些年机器学习方法在股票预测方面取得了不错的进展，相较于传统的基本面分析、技术分析等方法，显示了独特的优势。从股票预测研究的主要问题、特征工程和机器学习算法应用等三个方面，对近年来该领域的主要文献进行总结，并针对每种算法在应用中的特点与不足进行评述。围绕目前机器学习在股票预测上遇到的主要问题，从迁移学习、特征工程、深度学习模型融合等方面进行了深入的分析与展望。     

参数优化随机森林在股票预测中的应用

为了提高股票预测的正确率,参照股票研究的指标体系,以股票的相对强弱、变动速率、能量潮、异同移动平均线以及威廉指标五个纯技术指标作为股票预测的特征。通过网格搜索对随机森林的参数进行了优化,构建基于纯技术指标的和参数优化随机森林的股票预测模型,并以平安银行、万科、深振业A、神州高铁、美丽生态2017年4月30日到2019年6月30日所有交易日作为实验室数据,实验结果与原始随机森林、决策树以及支持向量机分类模型对比,证实了参数优化后的随机森林股票预测模型在模型评价中的准确率和AUC值都高于其他模型。     

灰色算法在股票价格预测中的应用

股市投资已经成为人们生活中的重要组成部分,在股票市场中人们最关心的就是股票价格的变化.为了更精确的预测股票价格,得到更合理的股票投资意见.文章中提出了利用灰色系统理论对股票价格进行预测,并且利用残差修正预测结果的方法.根据灰色系统理论建立数学模型,利用得到的股票价格求得具体的预测模型及其预测结果,然后对所得结果进行残差修正以得到更精确的股票价格.文章中对华工股票价格进行预测后,发现利用灰色理论对股票价格预测,具有较高的精确度和应用价值.     

Stock Price Forecasting: An Echo State Network Approach

Forecasting stock prices using deep learning models suffers from problems such as low accuracy, slow convergence, and complex network structures. This study developed an echo state network (ESN) model to mitigate such problems. We compared our ESN with a long short-term memory (LSTM) network by forecasting the stock data of Kweichow Moutai, a leading enterprise in China’s liquor industry. By analyzing data for 120, 240, and 300 days, we generated forecast data for the next 40, 80, and 100 days, respectively, using both ESN and LSTM. In terms of accuracy, ESN had the unique advantage of capturing nonlinear data. Mean absolute error (MAE) was used to present the accuracy results. The MAEs of the data forecast by ESN were 0.024, 0.024, and 0.025, which were, respectively, 0.065, 0.007, and 0.009 less than those of LSTM. In terms of convergence, ESN has a reservoir state-space structure, which makes it perform faster than other models. Root-mean-square error (RMSE) was used to present the convergence time. In our experiment, the RMSEs of ESN were 0.22, 0.27, and 0.26, which were, respectively, 0.08, 0.01, and 0.12 less than those of LSTM. In terms of network structure, ESN consists only of input, reservoir, and output spaces, making it a much simpler model than the others. The proposed ESN was found to be an effective model that, compared to others, converges faster, forecasts more accurately, and builds time-series analyses more easily.     

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。     

混沌理论在股票市场分析上的应用

本文介绍了检验经济数据中的混沌现象的两种方法—R/S分析和BDS统计方法。通过对上证综指进行R/S分析,计算了它的Hurst指数并发现它的平均循环周期,并研究了经济时间序列的短期或长期依赖特性及其演化趋势。对同样的数据进行BDS分析,研究了经济时间序列的随机特性。     

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.