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。     

模糊神经网络在时间序列预测中的应用

文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明，模糊神经网络可以成功地用于时间序列的预测，模糊神经网络的训练速度与模拟精度都优于传统多层ＢＰ网络。     

BP神经网络在股票预测中的应用

介绍了时间序列和BP神经网络算法,并给出信号正向传播和误差反向传播的公式,在此基础上运用BP算法对股票时间序列短期的走势进行预测分析.实验结果表明此方法效果良好,识别率高,具有一定的实用价值.     

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。     

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%.     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

稀疏贝叶斯及其在时间序列预测中的应用

阐述了稀疏贝叶斯方法在时间序列预测中应用的理论基础,将稀疏贝叶斯方法应用于Logistic方程产生的混沌时间序列和发动机油滑数据的预测,并与支持向量机（SVM）和RBF神经网络时间序列预测进行了比较.实验结果表明,稀疏贝叶斯方法不仅具有SVM的性能,而且比SVM使用更少的核函数,取得了较好的预测效果.     

基于神经网络的时间序列预测方法进展

首先对神经网络应用于时间序列预测的方法进行了详细的介绍。在此基础上与传统的预测方法进行了比较,接着概括分析了几种不同的神经和于预测的结果。指出由于神经网络独特的信息处理能力,使得它为一类高度非线性动态关系的时间序列预测提供了一条有效途径。最后,对神经网络在时间序列预测领域的进一下邮     

一种新的时间序列分析算法及其在股票预测中的应用

分析了股票市场高度非线性的特点,给出了一种改进的时间序列分析算法。新算法利用径向基网络来对序列中的历史信息进行非线性组合,从而比基于线性组合的时间序列分析算法的基本模型更能有效地挖掘出序列中历史信息之间的相互作用。新算法还利用改进的遗传算法对径向基函数的中心和宽度进行了全局范围的优化选择,进一步提高了径向基网络的非线性映射能力。运用该算法对股票走势进行了预测,取得了令人满意的效果。     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

智能神经元网络时间序列预测模型的研究

人工神经元网络的研究技术在理论和实际应用上已经比较成熟,在信号处理系统中也采用该技术进行非线性时间序列信号的预测分析。但是由于该理论黑箱模型的特点,无法引入先验知识,从而预测精度难以提高。针对该问题,文中提出了智能神经网络的动态预测模型,引入智能神经元,建立区别于传统神经网络的预测模型,达到了较为理想的预测效果。并以工业生产参数的时间序列预测——某油井生产过程中MinCurrent参数值,作为实验模型,对该方法进行了验证,结果表明了该模型预测精度较高、计算速度快。     

基于RBF神经网络的时间序列预测

前馈神经网络在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP)和径向基函数(RBF)网络等等。相对于其他前馈神经网络,RBF网络学习速度快,函数逼近能力强,因而在时间序列预测方面具有很好的应用前景。     

基于进化式模糊神经网络的时间序列预测系统

文章介绍了一种基于进化式模糊神经网络时间预测系统，它是一种快速自适应的局部学习模型；进化式模糊神经网络是一个特殊类型的神经网络，它能通过进化其结构和参数来容纳新的数据。文章重点介绍了网络结构、学习方法及创建、修剪、聚合规则节点的算法；实验结果表明：模糊隶属函数的个数，规则的修剪和聚合等训练参数，与网络的行为和预测结果有很重要的关系。     

Improved CBP Neural Network Model with Applications in Time Series Prediction

Circular back-propagation neural network (CBP) put forward by Sandro Ridella and Stefano Rovetta, a generalized model of multi-layer perceptron (MLP), possesses strong capabilities of generalization and adaptation to unknown inputs. And they can flexibly construct vector quantization (VQ) and radial basis function (RBF) networks under the CBP framework. With the original structure of CBP remaining unchanged, in this Letter a more generalized network model ICBP (Improved Circular Back-Propagation Neural Network) was designed by adding an extensive node with quadratic form to the original CBP inputs and endowing fixed values to the weights between this node and all the hidden nodes. An interesting property of ICBP is that although it has less adaptable weights, it is better in generalization and adaptability than CBP. Moreover, in order to partially solve the problem of local minima, we adopt the method of adding controlled noise to desired outputs. Finally, ithas been proved by experiments that ICBP is better than CBP in the capabilities of forecasting and function approximation.     

基于神经网络的非线性时间序列故障预报

对模型未知非线性系统, 将系统输出组成时间序列并通过空间嵌入的方法转化为一个离散动态系统. 利用线性 AR 模型拟合时间序列的线性部分, 用神经网络拟合时间序列的非线性部分并补偿外界未知的扰动, 提出了通过对状态的观测实现时间序列一步预测的方法. 利用滚动优化的思想将一步预测推广, 提出了时间序列的 N 步预测方法, 证明了时间序列预测误差有界. 通过对预测误差进行概率密度估计和检验, 提出了故障的预报方法. 对 F-16 歼击机的结构故障预报结果表明了方法的有效性.     

面向金融数据的神经网络时间序列预测模型

互联网金融风险预测是互联网金融公司决策时的重要一环。本文的研究主要针对Elman神经网络模型,通过引入时间权重与随机性因素,提出了改进的Elman神经网络模型,提高了现有Elman神经网络针对时序数据预测的精度。提出了基于时序数据的特征学习框架,可评估多个特征参数对结果的联合影响。并在此基础上,提出了一个互联网金融风险预测模型,实验结果表明,所提出的模型在金融时序预测中具有更好的准确度。     

基于改进的RBF网络的混沌时间序列预测

为使传统的时间序列预测适合于非线性系统的时间序列建模与预测 ,提出了一种改进的RBF神经网络 ,并采用该网络对混沌时间序列进行预测。通过实例计算 ,预测效果较好。     

基于相空间重构理论与递归神经网络相结合的股票短期预测方法*

根据股票指数时间序列复杂的非线性特性,提出以相空间重构理论与递归神经网络相结合的股票短期预测新方法.以相空间重构理论确定最佳延迟时间和最小嵌入维数,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进递归的生成训练数据进行短期预测,提高了预测精度和稳定性.该方法应用于沪市股票综合指数预测,其结果与传统的单纯用BP网络模型预测的结果相比较,精度大大提高,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性.     

Time Series Prediction and Neural Networks

Neural Network approaches to time series prediction are briefly discussed, and the need to find the appropriate sample rate and an appropriately sized input window identified. Relevant theoretical results from dynamic systems theory are briefly introduced, and heuristics for finding the appropriate sampling rate and embedding dimension, and thence window size, are discussed. The method is applied to several time series and the resulting generalisation performance of the trained feed-forward neural network predictors is analysed. It is shown that the heuristics can provide useful information in defining the appropriate network architecture.     

基于神经网络的时间序列鲁棒预测

为了实现神经网络预测模型的便棒预测,提出一种基于非线性偏自相关的一般化预测模型辨识方法。该方法通过考察待预测时间序列的当前序列值对各阶历史序列的不可约自依赖,确定神经网络这类非线性自回归模型的自回归阶数。实现表明,该方法可有效地提高神经网络预测模型的鲁棒预测能力。