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.      

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。     

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。     

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.     

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。     

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。     

属性聚类网络在股票价格预测中的应用

在属性测度概念的的基础上,针对模式识别问题,介绍了属性识别准侧。运用属性聚类网络方法解决了模式识别问题,别采用属性聚类算法,通过程序是此算法得以实现,并在股票价格变化趋势的预测中取得了较为成功的应用。     

BP神经网络在预测制造业安全库存中的应用

运用BP神经网络良好的非线性品质,通过对影响制造业安全库存因素的分析,建立相应的BP神经网络预测模型,并用实际安全库存量对网络进行训练,以达到对安全库存量的精确预测,减小企业存储成本,提高经济效益。     

KPCA算法及其在股市中的应用

主成份分析法是用于简化数据的一种技术,现实世界中的数据复杂且庞大,对于某些复杂数据就可应用主成分分析法对其进行简化。文中着重介绍了健壮性KPCA算法并引入了粒度的思想,健壮性KPCA算法能推导出特征空间中信号重组的最小错误标准,并自动识别训练样本集中的无关数据,且经过计算消除它们对KPCA算法准确度的影响。可以将其应用于股票数据中,并将所得的主分量图与原图比较,发现效果明显,由此可看出KPCA算法是一种相当有用的算法。     

Evolutionary Frequency and Forecasting Accuracy: Simulations Based on an Agent-Based Artificial Stock Market

Learning how to forecast is always important for traders, and divergent learning frequencies prevail among traders. The influence of the evolutionary frequency on learning performance has occasioned many studies of agent-based computational finance (e.g., Lettau in J Econ Dyn Control 21:1117–1147, 1997. doi: 10.1016/S0165-1889(97)00046-8; Szpiro in Complexity 2(4):31–39, 1997. doi: 10.1002/(SICI)1099-0526(199703/04)2:4<31::AID-CPLX8>3.0.CO;2-3; Cacho and Simmons in Aust J Agric Resour Econ 43(3):305–322, 1999. doi: 10.1111/1467-8489.00081). Although these studies all suggest that evolving less frequently and, hence, experiencing more realizations help learning, this implication may result from their common stationary assumption. Therefore, we first attempt to approach this issue in a ‘dynamically’ evolving market in which agents learn to forecast endogenously generated asset prices. Moreover, in these studies’ market settings, evolving less frequently also meant having a longer time horizon. However, it is not true in many market settings that are even closer to the real financial markets. The clarification that the evolutionary frequency and the time horizon are two separate notions leaves the effect of the evolutionary frequency on learning even more elusive and worthy of exploration independently. We find that the influence of a trader’s evolutionary frequency on his forecasting accuracy depends on all market participants and the resulting price dynamics. In addition, prior studies also commonly assume that traders have identical preferences, which is too strong an assumption to apply to a real market. Considering the heterogeneity of preferences, we find that converging to the rational expectations equilibrium is hardly possible, and we even suggest that agents in a slow-learning market learn frequently. We also apply a series of econometric tests to explain the simulation results.     

基于GA的改进型动态网络在股市预测中的应用

针对证券市场运作的复杂性,提出了一种改进的Elman动态神经网络模型,并成功地将其应用于东风汽车的股价预测.采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度,加快了收敛速度,克服了以往传统预测方法和静态网络预测方法的缺点.实验结果表明,将改进的Elman网络模型用于股市投资是可行的、有效的,具有一定的合理性和应用前景.     

KPCA算法及其在股市中的应用

主成份分析法是用于简化数据的一种技术,现实世界中的数据复杂且庞大,对于某些复杂数据就可应用主成分分析法对其进行简化.文中着重介绍了健壮性KPCA算法并引入了粒度的思想,健壮性KPCA算法能推导出特征空间中信号重组的最小错误标准,并自动识别训练样本集中的无关数据,且经过计算消除它们对KPCA算法准确度的影响.可以将其应用于股票数据中,并将所得的主分量图与原图比较,发现效果明显,由此可看出KPCA算法是一种相当有用的算法.     

基于支持向量机的股票价格预测研究

在股市投资测试问题的研究中,股价是一种高度不稳定、复杂且难以预测的时间序列数据,传统预测方法都是基于线性模型,忽略了股价的非线性特征,导致预测精度不高.为解决股价预测过程中的精度不高的难题,提出支持向量机引入到股价预测的建模中.首先采用支持向量机非线性扩展样本对时间序列模型定阶,并利用前向浮动特征筛选法选择特征,建立基于支持向量机的股市预测系统模型,对股价进行仿真实验.仿真结果表明,支持向量机模型比神经网络和CAR模型有较高的预测精度,证明适用于股市预测等非线性问题的预测,且有较高的精确度和应用价值.