排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
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。 相似文献
1