E-V-ALSTM模型的股价预测

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解（EMD）对股票价格数据进行第一次分解,得到若干固有模态函数（IMFs）和一个残差（Res）,降低了股票价格数据的非平稳性和非线性;使用样本熵（SampEn）对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解（VMD）进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络（LSTM）模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。     

基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点，所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列，使得股票价格趋势的预测精度低。为了提高预测精度，针对股票价格数据的时序性特征，提出用结合经验模态分解（EMD）、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征，并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标，最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验，结果表明，改进后的BiLSTM模型较改进前的BiLSTM模型，准确率从58.50%提升至71.26%；预测为涨的精确率从58.20%提升至70.06%，预测为跌的精确率从59.34%提升至72.36%；预测为涨的召回率从59.85%提升至73.41%，预测为跌的召回率从57.73%提升至69.11%；预测为涨的F1值从58.60%提升至71.61%，预测为跌的F1值从58.08%提升至70...     

基于CEEMDAN-GRU的电网工程主材价格多步预测北大核心CSCD

电网工程主要原材料价格变动对电网工程的造价控制有着重要影响。为提高主材价格的预测精度,提出了一种基于自适应噪声完备集合经验模态分解和门控循环单元的电网工程主材价格多步预测方法。首先对原始价格序列进行分解,随后根据分解所得的各子序列的模糊熵值进行聚类。对模糊熵值较大的聚合序列进行变分模态分解,分解所得的各子序列利用GRU模型进行多步预测;对模糊熵值较小的各聚合序列直接进行多步预测。基于真实数据对所提预测方法的性能进行了实验,结果表明所提方法在预测精度上有明显提升,对电网工程材料价格预测具有较大的参考价值。     

基于经验模态分解与投资者情绪的长短期记忆网络股票价格涨跌预测模型

针对传统的基于统计学的回归股票预测模型难以表征多个变量之间的关系,预测出的股票价格趋势误差较大,提出一种基于经验模态分解（EMD）与投资者情绪的长短期记忆（LSTM）神经网络股票价格涨跌预测模型。首先,将股票收盘价通过EMD分解得到若干个具有不同时间尺度的局部特征信号的本征模函数（IMF）;其次,通过引入改进的股票领域情感词典,对东方财富网股吧的帖子,进行上一个股票交易日收盘后和下一个股票交易日开盘前的投资者情感分析,得到下一个股票交易日的投资者情绪指标;最后,将基础的股票基本行情数据、经过EMD得到的IMF以及投资者情绪指标加入LSTM神经网络预测下一个交易日的股票涨跌。仿真实验结果表明,在2019年1月至2021年9月的牧原股份（002714）股票数据上,与单独使用LSTM模型相比,改进后的LSTM模型的预测准确率提高了12.25个百分点,在预测为涨的F1值和预测为跌的F1值上分别提高了1.2个百分点和25.21个百分点。由此可见,基于EMD与投资者情绪的LSTM股票价格涨跌预测模型有效提高了预测精度,为股票市场的涨跌预测提供了一种有效的实验方法。     

交通流量经验模态分解与神经网络短时预测方法

基于经验模态分解（EMD）和神经网络,提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态,利用神经网络对分解后的各分量进行预测,再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测,结果表明该方法具有很高的预测精度,明显优于直接采用神经网络的预测结果。     

钢铁企业高炉煤气受入量的组合预测模型

针对钢铁企业中高炉煤气（ BFG）受入量难以有效预测的问题,提出了一种基于数据滤波的组合预测模型。首先,采用经验模态分解（ EMD）法将原始训练数据分解为相互独立的固有模态函数,根据各模态函数自相关函数的特点滤去噪声分量,采用滤波后的重构序列作为训练样本;然后,采用组合的支持向量机（ SVM）模型对受入量进行预测,并利用遗传算法（ GA）对支持向量机的参数进行优化;最后,利用现场实际数据验证该模型的预测精度,并与传统预测方法相比较,三组预测的平均绝对百分误差分别为3.22'、4.43'和5.23'。结果表明该方法对高炉煤气受入量的预测具有较高精度,为煤气管网的平衡调度提供了决策支持。     

基于经验模态分解自回归组合模型的网络舆情预测

随着大数据时代的到来,网络舆情数据呈现信息量大和领域覆盖广等特征。面对复杂的网络舆情数据时,传统单一模型预测能力有限,不能对舆情趋势进行有效预测。针对此问题,提出一种基于经验模态分解-自回归（EMD-AR）改进的组合模型——EMD-ARXG模型,应用于复杂网络舆情的预测。该模型利用经验模态分解算法对时间序列进行分解,然后通过自回归模型对分解后的时间序列进行各自趋势拟合,建立子模型。最后再对各个子模型进行重构,完成建模。另外,在利用自回归（AR）模型拟合过程中,为了减少拟合误差,采用极限梯度提升算法对残差进行学习,并使预测模型迭代更新,提高各个子模型预测精度。为验证EMD-ARXG模型的预测效果,该模型与小波神经网络模型和基于经验模态分解的神经网络模型进行实验对比。实验结果表明,在均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）三项指标上,EMD-ARXG模型获得的结果均优于小波神经网络模型和基于经验模态分解的神经网络模型的结果。     

基于经验模态分解的混合软件可靠性预测模型

基于经验模态分解结合支持向量回归算法与灰色系统理论提出一种混合软件可靠性预测模型,通过对原始软件失效数据使用经验模态分解方法进行预处理,将失效数据分解得到不同频段的本征模态分量和剩余分量,用支持向量回归算法对本征模态分量进行预测,用灰色系统模型GM（1,1）对剩余分量进行预测,然后将预测结果进行重构,得到最终软件可靠性预测值。为了验证所提混合预测模型的有效性,利用两组真实软件失效数据,与SVR可靠性预测模型和GM（1,1）可靠性预测模型进行实验对比分析,实验结果表明,所提混合预测模型较这两种可靠性预测模型具有更精确的预测精度。     

基于分解重构LSTM的氟化工产品价格预测方法

企业利润受产品价格波动影响,深入分析产品价格变化趋势可以显著提升企业的市场竞争力。由于传统产品销售价格分析无法有效预测市场变化,提出一种基于分解重构的长短期记忆(LSTM)方法,对氟化工产品价格进行分析和预测。该方法首先对特征数据进行预处理,包括缺失值、异常值和归一化处理;然后通过相关系数进行特征选择,并基于集成经验模态分解(EEMD)挖掘数据隐含信息,采用动态时间规整(DTW)算法进行聚类和重构,进而建立LSTM模型进行预测。实验表明,该模型可以提升预测精度、降低计算复杂度,且优于人工神经网络(ANN)和最小支持向量回归(LSSVR)等基准模型。     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

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。     

Stock trend prediction based on a new status box method and AdaBoost probabilistic support vector machine

Stock trend prediction is regarded as one of the most challenging tasks of financial time series prediction. Conventional statistical modeling techniques are not adequate for stock trend forecasting because of the non-stationarity and non-linearity of the stock market. With this regard, many machine learning approaches are used to improve the prediction results. These approaches mainly focus on two aspects: regression problem of the stock price and prediction problem of the turning points of stock price. In this paper, we concentrate on the evaluation of the current trend of stock price and the prediction of the change orientation of the stock price in future. Then, a new approach named status box method is proposed. Different from the prediction issue of the turning points, the status box method packages some stock points into three categories of boxes which indicate different stock status. And then, some machine learning techniques are used to classify these boxes so as to measure whether the states of each box coincides with the stock price trend and forecast the stock price trend based on the states of the box. These results would support us to make buying or selling strategies. Comparing with the turning points prediction that only considered the features of one day, each status box contains a certain amount of points which represent the stock price trend in a certain period of time. So, the status box reflects more information of stock market. To solve the classification problem of the status box, a special features construction approach is presented. Moreover, a new ensemble method integrated with the AdaBoost algorithm, probabilistic support vector machine (PSVM), and genetic algorithm (GA) is constructed to perform the status boxes classification. To verify the applicability and superiority of the proposed methods, 20 shares chosen from Shenzhen Stock Exchange (SZSE) and 16 shares from National Association of Securities Dealers Automated Quotations (NASDAQ) are applied to perform stock trend prediction. The results show that the status box method not only have the better classification accuracy but also effectively solve the unbalance problem of the stock turning points classification. In addition, the new ensemble classifier achieves preferable profitability in simulation of stock investment and remarkably improves the classification performance compared with the approach that only uses the PSVM or back-propagation artificial neural network (BPN).     

基于矩阵画像的金融时序数据预测方法

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象,提出了一种基于机构交易行为影响的趋势预测方法。首先,利用时间序列的矩阵画像（MP）方法,以股票换手率数据为切入点,构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库;其次,确定待预测股票在兴趣模式长度取何值时的预测结果精确度高;最后,根据该兴趣模式长度下的知识库,预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性,将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析,运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明,与ARMA模型和LSTM网络相比,在70支的股票价格趋势预测上,所提方法有80%以上的股票预测结果更准确。     

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。     

K线能量计算的股市生命期态势预测方法*

股市中K线特征是股价涨跌的因果信息,基于支持向量机（SVM）的股价预测模型没有考虑K线特征知识,对于股价态势难以有效预测。本文提出基于K线能量计算的股市生命期支持向量机态势预测算法（LPF-SVM）。首先,提取典型K线特征,通过引入特征的孕育成熟度和爆发力定义,给出K线特征支持向量机算法（KLF-SVM）;进而,在KLF-SVM算法基础上定义特征的能量计算模型,给出一种K线能量计算的SVM股价预测算法。为了有效地预测态势,引入股价波动的生命期概念,通过K线组合特征判定股价所处的生命期的阶段,进而结合生命期阶段之间的时序影响关系,给出一种基于生命期的股价态势预测算法。在上证和深证数据集上的实验结果表明,LPF-SVM算法对于股价上升波段和下跌波段的股价预测取得了很好的效果。     

基于Pytorch的LSTM模型对股价的分析与预测

股价预测一直都是股票投资者重点关注和重点研究的方向,针对股价具有高度非线性、高噪声、动态性等问题,提出一种基于自组织特征映射(SOM)神经网络和长短期记忆网络(LSTM)共同应用的股价预测方法。第一步聚类,使用python语言实现改进的自组织特征映射神经网络算法,将187支股票分成三类,三类股票以盈利能力大小进行聚类,并且求出每一类所包含的股票代码;第二步预测,基于Pytorch深度学习框架构造长短期记忆网络模型,分别对每一类中随机的3支股票进行股价预测,再通过均方误差和决定系数对预测结果进行评价。结果表明,在使用相同的预测模型对不同盈利能力的股票做股价预测时,盈利能力越大的股票,预测精度越高。此研究可以为投资者筛选出盈利能力更大的股票,并且在提高股价预测精度上也具有一定的贡献。     

基于模糊近似支持向量回归的股价预测研究

股价预测是投资策略形成和风险管理模型发展的基础。为了降低股价变化趋势中的噪声信息和投资者关于两种股价预测误差的不同偏好对股价预测的影响,提出了基于信噪比的模糊近似支持向量回归(FPSVR)的股价预测模型。首先构建信噪比输入变量,然后引入模糊隶属度和双边权重测量方法对支持向量回归(SVR)模型进行改进,最后借助沪深300成份股2008至2019年的股票时间序列日数据,按照股市的波动情况将其分为三个阶段(牛市、熊市、震荡市),并建立三个基准模型进行对比分析。研究结果表明:与三个基准模型相比,所提出的股价预测模型的预测误差最低;与原有的SVR模型相比,FPSVR模型可以更好地对处于牛市和震荡市阶段的股票时间序列进行股价预测。     

基于分布式神经网络的苹果价格预测方法

针对传统农产品价格预测模型在大数据场景下无法快速准确对苹果市场价格进行预测的问题,提出一种基于分布式神经网络的苹果价格预测方法。首先,研究影响苹果市场价格的相关因素,选取苹果历史价格、替代品历史价格、居民消费水平和原油价格四个特征作为神经网络模型的输入;然后,构建蕴含价格波动规律的分布式神经网络模型,实现对苹果市场价格的短期预测。实验结果显示,基于分布式神经网络的苹果市场价格短期预测模型具有较高的预测精度,平均相对误差仅为0.50%,满足苹果市场价格预测的要求。实验结果表明,分布式神经网络模型能够通过自学习特性揭示出苹果市场价格的波动规律和发展趋势,所提方法能为稳定苹果市场秩序和市场价格宏观调控提供科学依据,有助于降低价格波动带来的危害,帮助果农规避市场风险。     

Indicator selection with committee decision of filter methods for stock market price trend in ISE

Prediction of the stock market price direction is a challenging and important task of the financial time series. This study presents the prediction of the next day stock price direction by the optimal subset indicators selected with ensemble feature selection approach. The main focus is to obtain the final best feature subset which also yields good prediction of the next day price trend by removing irrelevant and redundant indicators from the dataset. For this purpose, filter methods are combined, support vector machines (SVM) has been carried out and finally voting scheme is applied. In order to conduct these processes, a real dataset obtained from Istanbul Stock Exchange (ISE) is used with technical and macroeconomic indicators. The result of this study shows that the prediction of the next day direction with reduced dataset has an improvement over the prediction of it with full dataset.