基于NLP的股票选择策略的优化研究

由于股评、新闻对股票价格变化有巨大影响,为选出优质股票以提高投资的收益率,采用了自然语言处理NLP技术对股评数据和新闻数据进行分析,基于朴素贝叶斯模型建立了文本情感倾向分类模型,模型预测准确率达到84%,生成了股评因子。基于LDA主题模型对新闻文本进行话题建模,快速获取新闻文本主题,并引入困惑度寻找文档最优主题数,生成了新闻因子,将股评因子和新闻因子作为筛选股票的依据,从股评和新闻信息中获取对股市带来的影响因素,从而优化选股策略。对于股票基本面数据,采用决策树模型进行因子的重要性分析,选出重要性最高的前5个因子,模型预测准确率达到88%。通过决策树模型,可以更准确地确定哪些因子在影响股价变化方面发挥着关键作用,这种改进的方法能够提高选股策略的有效性和准确性。最终使用主成分分析（PCA）对数据进行降维处理,依据主成分数值的高低来进行股票选择。     

基于Boruta-PSO-SVM的股票收益率研究

针对股票收益率的分类预测研究中支持向量机(SVM)存在的参数选择困难以及分类性能较差的问题,提出了一种基于特征选择(Boruta算法)和粒子群优化(PSO)算法SVM的新算法.通过Boruta算法对训练集进行特征选择,剔除无价值的特征以降低输入维度,同时引入PSO算法优化SVM核函数参数,从而提高SVM的分类性能.实验结果表明:相比决策树、神经网络及极限学习机算法,新算法取得了更高的分类精度,可以有效提高股票收益率的分类预测性能.     

基于关联规则的股票预测方法研究

近年来证券市场迅速发展,股票信息爆炸式增长,如何从庞大的数据信息中找到有用的知识为投资者的投资行为提供指导,已成为一个重要的学术研究方向。股票市场的预测方向多种多样,主要包括股价趋势、循环周期和持续时间等。从关联规则挖掘技术入手,引入主观兴趣度约束和客观兴趣度约束,挖掘股票收益率信息,实现对股价趋势的预测。同时对比实际股票数据结果,测试挖掘规则的准确率。     

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。     

基于优化LSTM模型的股票预测

股票预测研究一直是困扰投资者的难题.以往,投资者采用传统分析方法如K线图、十字线等方法来预测股票走势,但随着科技的进步和经济市场的发展,以及经济政策的变动,股票的价格走势受到越来越多方面因素的干扰,仅靠传统的分析方法远远不能解析出股票价格波动中隐藏着的重要信息,因此预测精度大打折扣.为了提高股票价格的预测精度,提出一种基于PCA和LASSO的LSTM神经网络股票价格预测模型.采用2015-2019年平安银行(000001)五大类技术指标数据,通过PCA和LASSO方法对五大类技术分析指标进行降维筛选,再使用LSTM模型进行平安银行股票收盘价预测,对比前两种模型和单纯使用LSTM模型的预测效果稳定性及准确性.结果表明,相比于LASSO-LSTM模型和LSTM模型,PCA-LSTM模型能够大幅削减数据冗余,并且获得了更优异的预测精度.     

基于优化LSTM模型的股票预测

股票预测研究一直是困扰投资者的难题.以往,投资者采用传统分析方法如K线图、十字线等方法来预测股票走势,但随着科技的进步和经济市场的发展,以及经济政策的变动,股票的价格走势受到越来越多方面因素的干扰,仅靠传统的分析方法远远不能解析出股票价格波动中隐藏着的重要信息,因此预测精度大打折扣.为了提高股票价格的预测精度,提出一种基于PCA和LASSO的LSTM神经网络股票价格预测模型.采用2015-2019年平安银行(000001)五大类技术指标数据,通过PCA和LASSO方法对五大类技术分析指标进行降维筛选,再使用LSTM模型进行平安银行股票收盘价预测,对比前两种模型和单纯使用LSTM模型的预测效果稳定性及准确性.结果表明,相比于LASSO-LSTM模型和LSTM模型,PCA-LSTM模型能够大幅削减数据冗余,并且获得了更优异的预测精度.     

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。     

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。     

基于ARIMA与SVR滚动残差模型组合的股票预测

为提高金融市场股票的预测精确度,提出自回归差分移动平均与支持向量机滚动残差模型组合的预测股票方法。以贵州茅台的股票数据为研究对象,借助ARIMA模型实现对股票数据的线性趋势预测,通过滚动残差的SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR滚动残差模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与滚动残差SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

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。     

基于动态调参KNN分类算法的股票涨跌预测模型分析

预测股票涨跌是机器学习分类算法的重要应用场景之一,根据以往实践中的经验,不同种类的股票由于数据特征不同,所以需要用携带不同参数的KNN分类模型来预测。用基于交叉熵的损失函数据训练KNN模型,以此确定KNN模型关键参数的做法,在此基础上给出能根据不同股票数据动态调整KNN算法关键参数的预测股票涨跌的模型。实践表明,这个模型在预测数据特征不同的股票涨跌情况时,均能表现出较高的准确性。     

文化算法在股票数据建模中的应用

数据预测在金融投资领域占有重要地位,而股票价格是金融数据中最复杂的数据类型之一。本文将文化算法应用于股票指数建立时间序列模型,并且针对股票数据的特点,选择适应股票规律的文化算法模型,并与线性回归算法得到的数据结果进行了对比分析,以此来分析文化算法在该问题应用上的优劣。实验结果表明,利用文化算法模型进行预测取得了较好的结果,其预测精度较高,预测的相对误差在3%以内,涨跌分析正确率在70%以上。     

基于时序超图卷积神经网络的股票趋势预测方法

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票.针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷...     

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。     

时态神经网络模型及其在股票分类预测上应用

对具有时间属性的数据进行数据挖掘称为时态数据挖掘，用以发现数据在时间上的知识，当数据变化不规律时，如股票交易数据,就很难发现有价值的规律与规则。而神经网络具有并行、容错、可以硬件实现以及自我学习的优点,可作为股票分类预测应用的一种方法。通过将股票数据与时态型相结合，将股票数据转换成时态型股票数据，提出时态神经网络模型的分类方法，对收集的若干上市公司十年内的股票数据进行分析，构建了时态股票数据神经网络分类器对股票进行分类预测。经过实验验证，相比改进前的神经网络和支持向量机方法，该分类器具有更高的分类准确率。结果证明，这种时态数据神经网络模型对于多只股票的分类预测是非常有效的，可以很好地运用到股票市场的分类预测中。     

基于深度迁移学习的多尺度股票预测

股票市场不仅是上市公司的重要融资渠道,也是重要的投资市场,股票预测一直受到人们的关注。为了充分利用来自不同股票价格的信息,提高股票的预测效果,提出一种多尺度股票价格预测模型TL-EMD-LSTM-MA（TELM）。TELM模型通过经验模态分解将收盘价分解为多个时间尺度分量,不同时间尺度分量震荡频率不同,反映了不同的周期性信息;根据分量的震荡频率选择不同方法进行预测,高频分量利用深度迁移学习的方法训练堆叠LSTM,低频分量利用移动平均法进行预测;将所有分量的预测值相加作为收盘价的最终预测输出。通过深度迁移学习训练的堆叠LSTM,包含来自不同股票的信息,具备更多行业或市场的知识,能有效降低预测误差。利用移动平均法预测低频分量,更有效捕获股票的总体趋势。对中国A股市场内500支股票以及上证指数、深证成指等指数进行预测,结果表明,与其他模型相比,TELM预测误差最低,拟合优度最高。根据TELM预测的股票收盘价模拟股票交易过程,结果表明TELM投资风险低、收益高。     

基于ID3算法的股票指标选择

本文针对股价这样一个随机事件的概率分布进行预测的问题,使用数据挖掘中决策树分类的算法,从股票技术上分析预测股价波动趋势,为其提供一个选择的指标。通过对股票数据的处理,计算信息增益,及各指标信息增益的比较,可以知道"成交量"这一指标更适合做为股票幅度预测的指标,这可以作为实际股票幅度预测与分析问题的参考[1-6]。     

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。     

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。     

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题,传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机（SVM）股票预测方法。利用沙河股份的股票数据,建立股票收盘价回归预测模型,该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明,该方法比神经网络方法以及时间序列方法的预测精度更高,可以很好的应用某些非线性时间序列的预测中。