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。     

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。     

基于FAM-ELM股票价格预测研究

研究股票价格准确预测问题.股票价格预测是股票交易者最关心的问题,直接影响着股票交易者的收益.由于股票受经济发展的影响,价格波动较大,在股票价格预测中采用传统神经网络方法存在训练速度慢,易陷入局部极小值,隐含层节点数人为指定等问题,导致泛化能力受到影响,预测不准.为了提高股票价格预测的精度,提出基于因子分析法的极限学习机股票价格预测模型.首先使用因子分析法综合股票价格影响指标;接着使用隐含层神经元数量寻优算法搜索最优隐含层神经元数量值;然后使用极限学习机对综合后的股票价格影响指标进行学习,建立股票价格预测模型;最后通过实验对模型性能进行测试.试验结果证明,基于因子分析法的极限学习机提高了股票价格的预测精度和运行效率.     

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。     

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。     

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Elman神经网络的股票价格预测研究

为了更好地把握股票价格的波动，应用了在处理序列数据输入输出具有优越性的Elman 递归神经网络建立股市预测模型，并用两支股票进行了检测，检测结果说明人工神经网络应用于中国股票市场的预测是可行和有效的，有着良好的前景。     

BP神经网络在股票预测中的应用研究

分析研究了BP算法,并提出了一些相应的改进措施.将改进的BP算法应用于股票数据分析,即利用BP网络很强的非线性映射功能,模拟影响股票的相关因素与股票开盘价、收盘价之间的关系,建立了基于BP神经网络的股票预测系统.用2004年的沪市证券数据进行了验证,结果表明此方法不仅收敛速度快、预测精度高,而且具有一定应用价值.     

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.