ARIMA和RBF神经网络相融合的股票价格预测研究

针对股票价格的突变性、非线性和随机性,单一预测方法仅能描述股票价格片断信息等缺陷,提出一种股票价格组合预测模型。采用自回归移动平均模型（ARIMA）对股票价格进行预测,捕捉股票价格线性变化趋势。采用RBF神经网络对非线性、随机变化规律进行预测。将两者结果组合得到股票价格预测结果。采用组合模型对包钢股份（600010）股票收盘价进行仿真实验,结果表明,相对于单一预测模型,组合预测模型更加全面、准确刻画了股票价格的变化规律,提高了股票价格预测精度。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

数据挖掘在股票价格组合预测中的应用

研究股票价格变化预测问题,股票价格受多种影响,导致具有突变性、非线性和随机性,单一预测方法只能描述股票价格部分变化规律,预测精度低。为提高股票价格预测精度,提出一种基于数据挖掘技术的股票价格组合预测模型。根据股票价格变化特点,首先对其线性变化规律进行建模预测,并对非线性变化规律进行建模预测,最后将两种预测结果进行融合,得到股票价格的最终预测结果。仿真结果表明,相对于单一股票价格预测模型,组合预测模型提高了股票价格预测精度,降低了股票价格预测误差,更加全面、准确反映了股票价格的变化规律,是一种有效、高精度的股票价格预测参考手段。     

灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

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.     

基于股价指数预测的仿真研究

研究股价预测问题,针对股价指数具有不稳定和时变性,单一预测方法预测准确度低、误差过大,为提高预测精度,消除噪声,提出一种小波分析的自回归滑动平均(ARIMA)与BP神经网络(BPNN)相结合的股价指数组合预测方法.组合预测方法首先采用小波分析对股价原始数据进行分解和重构,股价数据经过小波处理后,变成线性和非线性两部分,采用ARIMA和BPNN分别对线性部分和非线部分进行预测,最后组合两者预测结果得到股价指数最终预测结果,用上证A股的收盘指数数据对组合预测方法进行了验证测试,实验结果表明组合预测方法比单一预测方法预测准确度高,误差小,在股价指数预测中具有广泛的应用前景,可为股市提供参考.     

组合模型在股票价格预测中应用研究

研究股票价格预测问题,针对股票价格的影响因子之间存在高度冗余、非线性特点,从而导致传统方法预测准确率低的难题,为提高预测精度,提出一种支持向量机(SVM)和自回归(CAR)组合的股票价格预测方法(CAR-SVM).CAR-SVM首先利用SVM对股票价格数据时滞阶数进行确定,然后用SVM对股票价格变化影响因素进行筛选,建立通过交叉验证得到股票价格的CAR-SVM预测模型,并以中兴通讯股票历史数据对CAR-SVM模型进行了验证性实验.实验结果表明,相对于传统的股票预测方法,CAR-SVM模型的预测精度更高,并更能反映股票价格变化的非线性动态规律,在股票价格预测中有着广泛的应用前景.     

基于组合预测模型的股票价格趋势预测

针对股票市场高度非线性的特点,单一预测模型很难描述出股票价格趋势的整体特征,提出了一种金融时序预测的组合预测模型。首先,利用自回归移动模型(ARIMA)对股票价格线性趋势进行预测。然后,利用回归支持向量机(SVR)模型对非线性随机变化规律进行预测。最后,采用模糊时变权重方式对两种模型进行结合,得到一种综合考虑股票价格线性和非线性的预测模型。仿真结果显示,组合预测模型取得了令人满意的效果。     

自回归与神经网络组合的网络流量预测模型

网络流量具有时变性和非线性,单一预测方法难以准确描述网络流量变化规律,为提高网络流量预测准确率,提出一种网络流量组合预测模型(ARIMA-BPNN);首先采用ARIMA对网络流量进行预测,然后采用BPNN对网络流量非线性变化规律进行预测,且遗传算法优化BPNN初始权值,最后将两者预测结果作为BPNN输入进行二次预测,得到ARIMA-BPNN预测结果;仿真实验结果表明,相对于ARIMA、BPNN,ARIMA-BPNN提高网络流量预测精度,在网络管理中有着广泛的应用前景。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

基于MFR-GEP的高阶常微分方程预测模型

股价预测一直是金融投资领域的热点问题，但是股票市场相关指标数据的波动性和不确定性使得股价预测问题成为难点。因此对于非线性且受到多因素影响的股票系统，传统的预测方法无法准确地表达股价的变化规律，预测效果较差。针对复杂的股价预测问题，建立了基于多指标正则化GEP算法（Multiple Factor Regularization Gene Expression Programming，MFR-GEP）的高阶常微分方程模型，利用数值差分拟合股价数据，并且加入影响股价的其他指标作为正则项，其中利用指标相关性确定正则项权重参数，应用模糊粗糙集的原理确定子函数映射。该模型能够刻画股价随时间的变化趋势，更好地描述数据波动，正则项的加入使得模型可以根据多指标进行预测，避免因单一指标引起的预测精度低等问题。最后将提出的算法与标准GEP算法及传统预测算法进行对比实验，结果充分验证了该算法的有效性和准确性。     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于后效时间长度的股票价格预测

研究股票价格准确预测问题,针对股票走势预测受政治经济变化等多种因素的影响,具有较强的时变性和非线性特性。传统方法多为线性系统的预测方法,不能有效提高预测精度。为准确确定股票走势后效的时间长度,提高预测精度,根据地统计学与支持向量机提出了一种新的股票价格预测方法。先对数据进行平稳化处理并以地统计学分析股票价格数据的结构性,确定后效时间长度,根据后效时间长度确定各样本的拓阶次数,并对数据进行主成分分析,消除各描述特征携带的噪音。最后采用非线性支持向量机对得到的主成分构建模型并预测。以深发展A股与上证A股两个数据集进行仿真,预测精度均明显高于参比模型。仿真结果表明,新方法能准确预测股价走势,且稳定性好,为股价预测领域提供了有效的手段。     

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。     

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。     

基于多视图注意力机制的多维度价格预测模型研究

传统的股票价格预测模型只针对单一维度价格进行预测,忽略了多维度价格之间的复杂关系。因此,为了更好地对股票价格进行准确预测和为决策者提供前瞻性信息,提出了一种新的基于多视图注意力机制的多维度价格预测模型。通过多视图的深度可分离卷积网络学习多维度股票价格潜在的复杂的输入—输出关系,更好地提取股票价格的时空特征,实现时空数据的智能关联,并使用注意力机制进一步提升模型的预测性能,进而通过时空多维度的股价历史数据来预测单和多时间步长股票价格。该模型与其他四种模型在中国银行股价数据集上进行实验和比较,发现所提模型在不同预测时长下相比于表现最好的模型,平均绝对误差分别降低了0.4%、0.5%、4.2%、3.9%,均方误差分别降低了0.8%、2%、1.9%、1.9%,平均百分比误差分别降低了0.15%、0.21%、1.24%和1.34%。因此所提模型预测精度最高,预测性能最好,并且在对其他维度的股票价格预测上具有普适性。