Towards Crafting Optimal Functional Link Artificial Neural Networks with Rao Algorithms for Stock Closing Prices Prediction

Computational Economics - Quite a good number of population-based meta-heuristics based on mimicking natural phenomena are observed in the literature in resolving varieties of complex optimization...     

BP神经网络在剩余油分布预测中的应用研究

我国多数油田经过一次、二次采油后,仅能采出地下总储量的30%左右,这意味着有60%～70%的剩余石油仍然残留在地下成为剩余油。加强剩余油分布规律研究、提高石油采收率不仅有着可观的经济效应,而且关系到国家石油战略的安全。本研究应用神经网络的原理,基于BP网络使用MATLAB语言建立一个剩余油分布的预测系统。该系统通过学习在地理坐标和孔隙度之间建立一个非线性函数关系,以此来预测任何区域的孔隙度,再通过孔隙度与剩余油饱和度之间的关系达到剩余油分布预测的目的。     

RBF神经网络最优分割算法及其在股市预测中的应用

将最优分割算法(optimal partition algorithm,OPA)用于径向基函数神经网络参数的训练中.对OPA进行了适当的改进,在改进的OPA中增加了类的中心与宽度的确定方法,并将它们用于确定RBF网络的中心与宽度.提出了利用类的目标函数的差分对网络结构进行动态调整的方法,从而实现了隐节点数的自适应选择.用于股价预测的数值模拟结果验证了该方法的有效性.与传统算法进行比较的结果表明,在预测方面OPA具有较明显的优势.将OPA算法与正交最小二乘法相结合的OPA-OLS算法可以提高趋势预测的正确率.     

神经网络在股市行情预测中的应用

人工神经网络以其独特的信息处理特点应用于预测领域具有很大的理论和实际应用价值。本文以股市行情为对象，详细论述了神经网络在股市行情预测领域中的应用，给出了相应的神经网络模型和两种历史数据的预处理方法，通过实验和测试，证明了这种方法的可行性和正确性，文章最后还对神经网络预测方法和基于数据统计基础之上的定理预测方法进行了比较。     

基于三次样条权函数神经网络的股价预测

随着经济的发展,股票投资已成为很多人的一种投资理财方式,而股票价格的预测也成为投资者关心和研究的焦点。建立一个运算速度和精确度都比较高的股价预测模型,对于金融投资者具有理论指导意义和实际应用价值。文中针对传统BP算法存在的学习速度慢、容易陷入局部极小值、隐层数不易确定等问题,使用三次样条权函数神经网络建立股价预测模型,克服了传统神经网络的缺点。仿真结果表明,该模型具有较高的预测精度,能够对股市进行有效的预测。     

Legender神经网络建模及股票预测

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化.仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为：训练次数200,最大相对误差5.41%;深证成指预测结果为：训练次数120,最大相对误差4.17%.     

Experiments of Trust Prediction in Social Networks by Artificial Neural Networks

Social network online services are growing at an exponential pace, both in quantity of users and diversity of services; thus, the evaluation of trust in the interaction among users and toward the system is a central issue from the user point of view. Trust can be grounded in past direct experience or in the indirect information provided by trusted third-party users shaping the trustee reputation. When there is no previous history of interactions, the truster must resort to some form of prediction in order to establish Trust or Distrust on a potential trustee. In this study, we deal with the prediction of trust relationships on the basis of reputation information. Trust can be positive or negative (Distrust), hence, we have a two-class problem. Feature vectors for the classification have binary-valued components. Artificial neural network and statistical classifiers provide state-of-the-art results with these features on a benchmarking trust database. In this article, we propose the application of a sample generation method for the minority class in order to reduce some of the effect of class imbalance among Trust and Distrust classes. Specifically, the approach shows high resiliency to system growth.     

基于遗传神经网络的股票价格短期预测

该文在总结非线性时间序列预测模型的基础上,将遗传算法和人工神经网络相结合,提出了遗传神经网络模型。并将其应用到股票价格的短期预测。最后,针对仿真结果进行分析,该文得到的结果为平均相对误差小于0.086,实际值与预测值之间的相关系数大于0.91。结果表明该模型有较好的预测能力。     

基于 PCA-BP 神经网络的股票价格预测研究

在股票决策问题的研究中,针对影响股票价格因素间存在高度的非线性、存在数据冗余等特征,传统股票预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高股票价格预测精度,提出一个基于主成份分析(PCA)的 BP 神经网络(BPNN)股票预测模型(PCA-BPNN).首先对影响股票价格波动的各因素进行主成份分析,消除各因素之间的冗余性,降低 BP 神经网络的输入维数,加快 BP 神经网络测速度并提高预测精度,然后利用 BPNN 对保留成分进行建模预测.利用 PEA-BPNN 模型对上海证券交易所上市的首创股份(600008)经济数据进行了验证性测试和分析,结果表明,PEA-BPNN 模型预测精度显著提高,是一种高效和准确的股票预测模型.     

GRU递归神经网络对股票收盘价的预测研究

股票市场是个多变且复杂的非线性动力学系统,股票价格是个具有时序性的数据,基于此选用具有时间记忆功能的GRU（Gated Recurrent Unit）递归神经网络模型来处理时间序列数据的预测问题。本文选取上证中18支证券行业股票的日收盘价数据,该数据截止日期为2017年12月29日,每支股票数据量为1000天。本文作了2个实证研究,一方面用GRU递归神经网络预测未来10天的股票日收盘价,实证结果表明,GRU递归神经网络的测试误差和验证误差都比其余2个模型得到的同种类型的误差要小,而GRU递归神经网络在预测未来10天日收盘价的精度达到了98.3%,体现了GRU强大的学习能力和泛化能力。另一方面,对比序列长度分别为240天、120天以及60天时,GRU递归神经网络的测试误差、预测收盘价的方差以及验证误差。结果表明面对不同序列长度的数据集,GRU预测精度都很高,序列长度为240天的GRU模型得到的测试结果的方差明显低于其他2个,说明其稳定性更好。     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

基于混沌神经网络的股票分析及其预测

混沌动力学理论提供了证券市场中股价波动的一种分析方法.为了考察中国证券市场的价格是否存在混沌行为,以1990.12.19到2008.4.24的上海证券市场每天的收盘数据,分析了价格波动的非线性特征,通过重构相空间方法重构了1990年到2008年上证指数时问序列的奇怪吸引子,计算其关联维数,并求出其Lyapunov指数为正.从而确认了上证指数时间序列的混沌行为.神经网络是一个非线性系统,通过学习,可以实现非线性函数逼近,从而能更好地实现股票的走向预测.     

人工神经网络在股票价格预测中的应用

股票价格的走势短期随机性强,但从长期上来看,具有一定的规律性。人工神经网络可以看成是一个具有自学习功能的"黑箱",在处理无法精确建模的问题上具有很大优势。采用了MATLAB中的人工神经网络工具箱,对某股票的价格进行建模,并且较准确的预测其近期走势。     

人工神经元BP网络在股市预测方面的应用

介绍了人工神经元网络在经济领域的应用，主要探讨BerndFreisleben的研究方法，即利用神经BP网络对股票市场股份走势进行预测的方法，重点对利用各种不同网络结构和网络参数所得预测结果进行分析。提出了综合股票历史价格和其他经济因素的精确预测方法。     

采用变参数激励函数的人工神经网络

隐层神经元采用相同的激励函数会限制网络的非线性表达能力,因此,提出变参数激励函数,在学习中同时调整网络权值和激励函数的参数,增强网络的表达能力。并使用遗传算法与MBP结合的学习算法训练网络,此方法具有全局收敛能力和很高的精度。     

人工神经网络在文物分类系统中的应用研究

人工神经网络由于其强大的学习和适应能力,广泛应用于模式识别、模式分类、自动控制、图像处理及智能系统的非线性建模等方面。文中对几种典型的人工神经网络的结构、功能、学习算法进行了综述,详细介绍了人工神经网络在文物分类系统中的应用,比较结果可以得出自组织竞争神经网络的分类效果要优于其它两种神经网络。     

人工神经元网络在过程分析和控制中的应用

综述了人工神经元网络方法的过程分析与控制中的应用，包括过程建模、过程控制、模式识别与聚类分析以及在电子鼻当中的应用。     

人工神经网络在文物分类系统中的应用研究

人工神经网络由于其强大的学习和适应能力,广泛应用于模式识别、模式分类、自动控制、图像处理及智能系统的非线性建模等方面.文中对几种典型的人工神经网络的结构、功能、学习算法进行了综述,详细介绍了人工神经网络在文物分类系统中的应用,比较结果可以得出自组织竞争神经网络的分类效果要优于其它两种神经网络.     

基于Pearson特征选择的随机森林模型股票价格预测

为了能够更好地预测股票的走向趋势,解决在大量特征和大数据下预测精度低的问题,在随机森林的基础上提出了一种基于Pearson系数的随机森林新的组合模型方法。利用Pearson系数进行相关性检验删除无关特征;使用改进的网格搜索法对决策树参数调优;利用随机森林将剩余特征进行建模回归预测,并得出最终结论。实验结果表明：改进后的随机森林在预测值的平均绝对误差（MAE）、均方误差（MSE）都得到了较大的提高。其中今世缘改进后的随机森林比传统随机森林的MSE值降低了56%,MAE值降低了37.3%,其他两只股票预测效果也均得到提高。新的组合模型,可以实现对股票价格的短期预测回归,并且能够降低噪声对股票价格预测的影响。该研究为更好地预测股票价格提供了有效证据并为投资者提供了对股票影响因素的选择。