基于多视角股票特征的股票预测研究

股票价格预测是金融行业中的一个重要研究内容,能够更准确地分析股票价格走势对于投资机构至关重要.目前,关于自动化预测股票价格发展的研究工作相对较少,还有许多问题需要解决.针对传统股票预测方法中视角单一、无法充分考虑数据的各特征重要度的问题,提出一种基于多视角股票特征的股票预测方法,通过计算股票数据的Ma,Macd,Kdj,Boll特征指标,训练每个指标下的弱学习器,并进行多个弱学习器的集成学习,最终用于预测股票价格走势.使用美国股票新闻数据集进行验证.结果表明,基于多视角股票特征的股票预测方法预测得到的股票价格与实际价格之间的平均误差与均方误差分别为1.9321和0.0581,优于传统的基于单一指标的股票预测结果 .     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

一种相依关系与预测股价走势的方法

研究上市公司财务流水与其股票价格的相依关系,并预测股价的走势.给定一个板块,针对股价的季涨幅率与相关公司净利润的季涨幅率,首先定义其中每对股票的季相关性指标,其次定义板块的季相关性指标,最后定义板块关于有限个连续季度的相关性密度.基于所作定义给出一种预测股价走势与购买该板块股票的方法,并通过实验展示方法的效率.所做工作将促进我国股市研究的发展,促进我国金融量化技术的发展.     

基于细粒度演化超网络的股票预测

为了更准确地预测股票的走势,提出了一种基于细粒度演化超网络的股票预测方法.对2011年证券年报数据进行处理,以预测其中股票在2012年的走势.采用卡方分裂算法和等宽度离散化相结合的方法对股票数据进行有效的离散化,以应对连续型数据简单二值化处理造成的信息损失,然后采用细粒度演化超网络模型预测每支股票在未来一年内的走势.试验结果表明:细粒度演化超网络对股票走势预测正确率是86.73%,股票上涨预测正确率是75.00%.得到了用细粒度超网络挖掘影响股票上涨的重要特征组合及其对应的取值范围,为投资者提供了一种可靠而又方便的选股新方法.     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

新股上市价格预测的线性回归模型

利用数理统计方法以及回归分析，建立一种新股上市价格预测模型。此模型可以比较准确地预测新股上市价格，并有助于判断新股上市后的走势，为市场操作提供了有益的帮助。     

基于HS-BP算法的股票预测

为了有效预测股票问题,针对股票走势具有随机波动性和非线性的特点以及BP神经网络收敛速度慢、容易陷入局部极小值的缺点,提出利用和声搜索算法优化BP网络权重的方法改进神经网络,并通过对股票预测指标的分析,建立了股票预测模型,将和声搜索算法优化BP网络应用于所建立的模型中求解.实验结果表明,将HS算法和BP神经网络有机结合,加快了网络收敛速度、避免了局部极小值,有效地刻画了股票的随机波动特性,提高了股票预测的准确性.     

利用Poisson Boolean模型建立股票价格波动过程及数据模拟

通过耦合的方法建立非齐次Poisson过程,从而利用连续渗流理论中的Poisson Boolean模型建立股票的价格波动过程模型.并利用计算机模拟分析,结果表明用本方法建立的模型走势图与实际走势图形很接近.     

GBDT组合模型在股票预测中的应用

采用贡献度与相关性分析(correlation analysis)相结合的办法从目前最常用的244种股票技术指标中提取最优技术指标,进而利用梯度提升树(GBDT)算法对股票的趋势进行预测.对由贡献度、相关性分析与GBDT算法构成的组合模型(简称GBDT组合模型)进行实证分析,首次将GBDT算法应用于沪深300股票的预测.对由不同算法构成的组合模型的预测精度也进行比较分析.实验结果表明,GBDT组合模型在预测精度上优于线性回归组合模型及随机森林组合模型.     

基于GA-Transformer模型的多因子股票预测

股票市场中拥有大量用于描述股票价格变化的财务指标,这些指标为股票价格预测提供了良好的数据基础.但由于股票数据存在高维相关性和时序性等特点,导致精确预测股票价格存在困难.为提高股票价格预测精度,文章提出了基于GA-Transformer模型的多因子股票预测方法,该方法使用遗传算法(GA)进行特征选择,并结合Transformer模型进行股票预测,提升了模型特征抽取能力.实验结果表明,GA-Transformer模型在包括建设银行和贵州茅台等六支股票数据集上的预测表现均优于股票预测主流模型.     

基于遗传神经网络的个股价格短期预测

针对个股价格的短期预测,提出了一种基于遗传神经网络算法的股票收盘价格分析和预测方法,在允许的相对误差下,所得到的模拟结果表明预测系统能够较好地预测股票价格的趋势.人工神经网络预测股票价格具有良好的应用前景,而遗传神经网络算法则可提高预测的速度和可靠性.     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。     

ARIMA模型在股价预测上的应用及其傅里叶修正

ARIMA模型静态预测精确度较高,但是只能预测下一期的值,动态预测可以预测多期的值,但是不能很好的给出股价走势.现以股票价格走势为例,首先利用ARIMA模型动态的预测序列未来多期的值,再结合傅里叶级数预测法建立修正的预测模型,以得到较为准确的股价走势.     

股票价格的ARMA模型预报

用系统辨识的方法建立股票系统数学模型，把股票作为一个复杂而又受到各种因素干扰的随机系统，应用ＡＲＭＡ（ｎ，ｎ－１＿模型进行分析，找到系统内部之间，内部与某些外部因素之间比较精确的定量关系，以便进行有效的股票价格预报。     

回归分析在新股股价预测建模中的应用

针对我国A股股市的特点，运用统计学和财务分析等方法，系统分析了影响新股上市股价的相关因素。对抽取的股票样本数据进行了线性回归分析，得出了各因素所占权重，建立了一个预测新股上市第一天开盘价的数学模型，并以此模型为基础在计算机上开发了新股定价预测系统。实践表明，该系统对于新股的投资决策具有积极的指导意义。     

一种非线性移动自回归预测模型

应用非线性回归分析中的S型增长模型及移动平均线理论,对按时间次序排列的单一数据序列,给出了一种非线性移动的自回归预测模型,将其应用于股价指数的历史数据中,对该预测模型的合理性和准确性作了初步验证,得到的结果相当理想,本模型具有一定的实际应用价值。     

台湾股票市场harness事件的统计分布

通过把复杂网络的最新统计工具harness统计应用到股票市场数据分析中,分析了2006～2009年4年间台湾股票价格浮动的统计行为.通过分析涨、跌harness事件的互补累积分布,结果表明台湾股票价格浮动的harness事件表现出指数分布性质,这间接说明以历史数据为基础的单一股票演化趋势是难以预测的.     

基于投资者信念及神经元网络的指数预测

分析了金融学的新发展对短期定量预测技术的理论支持，基于用神经元网络预测选择变量困难的问题，提出了在价格和交易量趋势中挖掘投资者信念作为预测依据的新思路，并用上证30指数进行了预测检验，结果显示挖掘投资者信念和神经元网络结合能够产生预测能力。     

基于遗传神经网络的股票价格预测

针对股票市场的复杂性,本文将遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,并将其应用于股票价格的预测。采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度。实践表明：该方法预测精度高、误差小,值得推广。