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。     

基于时间序列和神经网络相结合的股票预测研究

股票市场是反映了经济运行的睛雨表,是市场经济融资的重要手段,对股票市场进行合理预测对金融市场的建设具有重要意义。时间序列预测方法体现了股价运行的长期趋势,股价短期技术调整是非线性关系,可以用神经网络分析。两者相结合的预测方法既考虑了长期行为又考虑了短期的资金行为,预测结果也更为准确。     

基于神经网络LAMSTAR的短线股票预测研究

股票预测在金融领域是一个重要的课题。LAMSTAR是一个用于存储、识别、比较和决策的网络系统。本文尝试开发一个关于短期股票预测的LAMSTAR网络应用程序,每一次预测都会从历史数据里获取股票特征,然后输入LAMSTAR网络。网络会自动检测各特征之间的多维非线性关系并编码,然后根据预测的趋势进行交易。本文提供了三个公司的预测结果,该预测结果非常有效。     

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.     

基于生成式对抗神经网络的股票预测研究

针对股票价格具有非线性、非平稳的特点,提出一种结合自注意力机制和残差网络的生成式对抗神经网络模型（SAR-GAN）。该模型的生成器（generator）由长短期记忆网络（LSTM）层、自注意力机制层、残差层等构建而成,用于生成所预测股票的价格;判别器（discriminator）用于鉴别生成的股票价格与真实的股票价格。为验证模型良好的泛化性,选取上证指数及不同股票市场的热点行业龙头股票进行预测实验。实验结果表明,与LSTM、GRU、CNN-LSTM、CNN-GRU等模型相比,SAR-GAN模型能不同程度地减少预测误差。     

基于DAE-BP神经网络的股票预测研究

股票指标数据种类多、维度高，且指标之间存在多重共线性。为了降低数据的维度、消除指标间的多重共线性和预测股票价格，首先构建了基于受限布尔兹曼机的深度自编码器，实现了高维数据向低维空间的压缩编码。然后基于BP神经网络建立了低维编码序列与股票价格之间的回归模型。实验结果表明，深度自编码器提取特征的能力优于主成分分析法和因子分析法；相比较使用降维前的数据，使用编码后的数据用预测股票价格，模型可以减少计算开销，并且获得更高的预测精度。     

基于神经网络的关系模式匹配方法

一、引言关系模式匹配(Pattern Matching Based on Relation)在图象理解、目标跟踪、智能推理和计算机视觉等方面有着广泛的应用,是模式识别理论中的关键技术之一。其主要思想是,通过利用模式中元素间的某些关系,来求解两个模式对应与否。Shapiro等人已采用关系模式匹配有效的进行图象的三维识别。但正如Pavlids所指出的,关系     

神经网络模型在股票预测上的应用

本文探讨了神经网络模型在股票预测上的应用，通过建立BP网络模型对上证指数进行了预测分析。实验证实了BP模型用于股指短期预测的准确性和可行性。     

SVM与神经网络模型在股票预测中的应用研究

介绍了SVM、BP神经网络和小波神经网络模型在股票预测中的应用研究。通过输入历史股票价格走势数据进行模型训练,并分别进行三个模型预测输出,最后通过均方误差、走势方向准确率和总盈利率三个指标分析比较三个模型,从而了解模型在股票预测领域的应用效果,为后续研究做参考。     

神经网络模型在股票预测上的应用

本文探讨了神经网络模型在股票预测上的应用,通过建立BP网络模型对上证指数进行了预测分析。实验证实了BP模型用于股指短期预测的准确性和可行性。     

神经网络在销售预测中的应用研究

文章提出了基于反向传播网络建立市场销售预测模型的设计方法,并针对反向传播网络算法的不足之处给出了改进方法,该算法适用于规则不可知的预测问题。将该算法应用于销售预测中,获得了良好的预测结果,为企业生产决策提供了有力的依据。     

基于模糊神经网络的网络成瘾预测

综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用以预测网络成瘾。确定了适宜的判别指标和分级标准,对评价论域进行模糊处理;建立各指标对不同论域等级隶属度的计算模型;以实际网络使用者为样本,应用改进的BP算法训练网络模型,并对6个受验样本进行成瘾判别以验证模型的准确性。该方法是对已有的单一指标判别法和用模糊数学对多个指标判别方法的改进。实验证明,改进的BP神经网络方法能够快速、准确、有效地识别网络成瘾模式。     

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.     

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。     

人工神经网络之股票预测

该文主要研究人工神经网络中的Ｂ－Ｐ网在股票分析和预测中的应用，对比各种情况的网络性能，利用涨跌差价，远期模糊设计网络一种新想法。     

基于灰色GARCH模型和BP神经网络的股票价格预测

针对传统算法进行股票价格预测存在预测精度低和滞后性大的缺点,提出一种基于灰色GARCH模型和BP神经网络的股票价格预测模型。通过BP神经网络校正灰色GARCH模型预测残差实现股票价格的高精度预测。研究结果表明,与灰色GARCH、BP、GARCH和灰色模型相比较,本文提出的灰色GARCH-BP组合模型可以有效提高股票价格预测精度,为股票价格预测提供新的方法和途径。     

BP神经网络在证券分析预测中应用

介绍了人工神经网络的基本概念和组成后,讨论了它与传统分析预测方法的区别和优势。对证券分析和预测提出了一种基于BP算法的人工神经网络模型,结合计算实例和结果的误差分析,给出了改进的方向。     

基于BP神经网络的属性匹配方法研究

为了实现异构数据库的数据共享,关键的问题就是要找出数据库间的相同属性。目前主要采用的方法是通过比较所有的属性来实现属性的相似性匹配,但是当同一属性用不同数据类型表示时,由于描述属性的元数据信息和取值信息的极大差异性,这些方法就不能找出相同的属性。并且将不同数据类型描述的属性放在一起匹配,还会造成属性数据之间的干扰,影响匹配结果的准确性。为此,本文提出一种基于BP神经网络的二步检查法属性匹配算法。该算法中属性首先根据数据类型进行分类,然后用分类后的属性集分别多次训练神经网络,并对每次的匹配结果求交集作为最终的属性匹配结果,进行两阶段检查,即二步检查法。该算法能有效地消除不一致信息的干扰,降低神经网络的规模,并且可以实现不同数据类型的属性集之间属性匹配过程的并行计算。实验结果显示本文提出的方法能明显地提高系统的运行效率、属性匹配的查准率和查全率。