多agent股票预测支持系统的设计

股票市场的预测是一个非常难的研究课题，建立股票预测支持系统是进行股票预测的一种有效手段，本文提出一种全新的利用多agent系统来设计股票预测支持的方法，将每一种定性或定量的预测方法都设计成一个预测agent，各个预测agent都有预测求解方法，知识处理及同其它agent通讯合作的能力，随着系统的运行，各个agent不断地学习以提高自己的能力，从而提高整体系统预测准确性。     

基于扩展Kalman滤波的神经网络学习算法在股票预测中的应用

给出一种新颖的用于股价预测的基于扩展Kalman滤波的神经网络学习算法。与传统的BP算法相比，该方法具有更好的收敛率和学习能力。通过对股票的预测实验验证该方法的可行性和有效性。     

空间军事复杂决策系统问题求解的综合集成方法

空间军事决策系统问题求解的综合集成方法研究是复杂大系统研究的重要内客之一。本文给出了复杂决策系统的定义，井分析了空间军事决策系统的结构与特征。在此基础上阐述了复杂决策问题求解的综合集成方法及复杂问题表示、理解与求解的思路，建立了针对空间军事决策系统的综合集成方法三层次理论框架，与此同时对于每一层次的主要内客进行了深入分析。     

人才需求的预测方法及最优决策

针对我国经济体制转轨时期的特殊情况，提出了一种新的人才需求预测方法，并预测了Ｌ省１９９４－２０００年科技人才的需求量。同时，也给出了人才培养规模的最优决策。     

人才需求的预测方法及最估决策

针对我国经济体制转轨时期的特殊情况，提出了一种新的人才需求预测方法，并预测了Ｌ省１９９４－２０００年科技人才的需求量。同时，也给出了人才培养规模的最优决策。     

智能决策支持的一种实现方法

尝试利用层次分析法，模糊数学理论及决策理论对半结构化的决策支持理论进行了定量分析，给出了智能决策系统的一种实现策略     

投资者中签率对股票上市表现的预测分析

本文基于国内A股市场新股发行时投资者网上中签率和网下配售比率，探讨其信息含量及其对股票上市后市场表现的预测能力. 研究发现，投资者网上中签率和网下配售比率均与股票上市首日收益率、换手率和持有3个月收益显著负相关，但网下配售比率与股票上市首日、持有3个月收益的相关性更强，而投资者网上中签率与上市首日的换手率更紧密.相对于主板上市股票，投资者的网上中签率和网下配售比率对中小企业板和创业板股票上市首日收益和持有3个月收益有更好的解释能力. 研究结果对新股发行定价和投资者在二级市场的买卖决策具有参考价值.     

基于智能决策的仿真演示系统

将专家系统技术与决策支持技术结合起来，研制了一个仿真演示系统，该系统能在WindowsNT/XP平台上运行，可产生舰艇对空作战的战场态势，给出敌方目标威胁等级报告，给出规避机动及武器分配的辅助决策方案，供指挥员进行最终决策，该系统采用定制框架式数据结构，便于维护，并可接受来自指控系统或仿真测试床的态势数据，为开发一个新的决策支持系统提供了工具，文章介绍了本系统的设计理念，论述了它多方面的设计特色和实现方法。     

基于序列模板的股票时间序列交易决策规则挖掘

研究一种可由投资者依据其经验与直觉，从股票时间序列中挖掘交易决策规则的方法。它根据投资者事先确定的相似偏好以及设定的买卖序列模板从历史价格序列中识别出与模板相似的形态；按相似度大小划分不同交易决策区间，反映交易决策时机；然后计算各策略组合的收益，构造t统计量在统计显著性基础上获取交易规则。该系统也能用于检验一些已有形态操作方法的有效性。     

商品生产规模扩张的最优化决策方法

在偏尾分布的基础上,针对生产规模扩张时变动成本、固定成本和总成本摊薄3种不同情况,给出了普遍适用的商品生产规模扩张的基本条件及最优化扩张规模的分析模型与决策方法.实证分析结果表明:本方法不仅可以有效解决一般商品生产规模的最优化扩张问题,还可以解决股票股本的最优化扩张问题.     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

证券市场大盘预测准确度的极小极大估计

给出了证券投资机构对证券市场大盘走势预测准确度的定义,通过引入统计判决中的极小极大估计方法,将其作了估计.通过实证对估计结果的分析得出结论,中国证券市场投资咨询机构所提供的对大盘涨跌的预测,每次有一半以上家数正确的概率的极小极大估计为45%.     

基于小波与混沌集成的中国股票市场预测

应用小波变换和混沌理论提出了一种中国股票市场建模及其预测的小波与混沌集成的方法．首先应用小波分解理论对上证综指和深证成指日收益率序列进行分解，分别得到低频部分和高频部分，并在此基础上作进一步分析，结果表明中国股市存在混沌特性；然后应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测；最后应用小波理论对混沌模型预测的结果予以重构，实现对原始收益率序列的预测．与现有方法比较，结果表明该方法具有较高的精度，有极大的应用前景．     

基于GD-FNN的股票市场泡沫模型

针对股票市场内部结构复杂性和外部因素多变性, 构建一种基于预测的股票市场泡沫模型. 以上证指数为研究对象, 在价格和成交量的基础上, 将与股票市场密切相关的宏观经济指标引入泡沫模型指标体系, 并对指标体系中各变量之间长期均衡关系和因果关系进行数量分析. 在此指标体系下, 构建向量自回归模型(VAR)模型衡量股票市场基础价值, 并据此分析宏观经济指标对市场的影响; 同时构建基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型(GD-FNN)对上证指数进行拟合预测作为股票市场的市场价值, 并通过GD-FNN模型提取的模糊规则对股票非线性系统运行模式进行分析. 最后, 根据预测的股票市场市场价值与基础价值之间的偏差计算泡沫度, 并提出相应的预警策略.     

股市是经济的晴雨表吗?--基于2005-2017年沪深300指数和采购经理人指数数据

本文采用去趋势交叉相关性分析(DCCA)、多重分形去趋势交叉相关性分析(MF-ADCCA)、基于时间延迟的DCCA算法,选取2005年4月至2017年6月沪深300指数和采购经理人指数数据,对中国股市与经济的相依性、非对称性及传导方向进行研究,并引进DCCA交叉相关系数进行国内外比较分析,结果表明总体来看,股市与经济的交叉相关具有持久性,说明股市与经济存在相互影响;股市与经济的交叉相关具有非对称性:股市收益率(经济增速变化量)呈上升趋势比下降趋势时的交叉相关更具有持久性,同时,二者走势存在背离现象,说明股市不是经济的晴雨表;二者之间传导方向是双向的,且相同时滞时,股市对经济的影响更大;与美、英两国比较,中国股市与经济的交叉相关程度最弱.上述结果为宏观经济预测和调控提供重要参考.     

机构投资者、股权分置改革与股市波动性——基于MCMC估计的t分布误差MS-GARCH模型

从2003年开始, 中国机构投资者占股市流通市值中的比例迅速增长. 论文以这段时期上证指数的日收益率序列为研究对象, 改进了最新的t分布误差MS-GARCH模型, 运用马尔科夫链蒙特卡罗模拟(MCMC)对该模型进行了估计, 为研究股权分置改革、机构投资者对股市收益率波动的影响提供了新的证据. 研究发现, 股权分置改革使股市波动性发生了结构性改变, 股市由低波动风险期转换为高波动风险期; 各类基金的总净值和仓位给股市波动性带来的影响有显著差异, 存款准备金率和利率的调整也会影响股市波动性. 最后, MS-GARCH模型对股市数据的拟合度和预测效率等都优于单状态GARCH模型.     

中国股市仿真系统建模及其非线性特征研究

作为新兴的股票市场,中国股票市场还不成熟和完善,用传统方法很难建模.在交易者模型中引入了噪声交易者模型,并加入政策因子,应用遗传算法来进化预测规则,建立了Agent的价格预期模型.同时根据中国股利收益率偏低的特点,建立了中国的股利动力学模型.在此基础上建立了中国股票市场仿真系统.对该系统进行模拟及分析,发现仿真系统与真实市场同样主要的非线性动力学特征--分形和混沌动力学特征.这一研究对挖掘中国股票市场的演化规律和混沌动力学产生的关键因素具有重要意义.     

中国股市波动性过程中的长期记忆性实证研究

应用一类描述金融市场波动性过程的长期记忆特征的分整自回归条件异方差模型(FIGARCH模型)，研究了中国股票市场波动性过程的长期记忆性，实证结果表明中国股市波动性过程具有明显的长期记忆特征；文章还分析了FIGARCH模型与传统的条件方差模型相比，在模型描述和预测上所体现出的优越性。     

长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究

为了有效捕捉中国股市波动率的长记忆性，提高远期波动率的预测精度，本文基于中国股市高频数据建立了长记忆随机波动模型，检验高频数据中时变的“日历效应”成分的频率，有效地对“日历效应”进行滤波。使用频域内拟极大似然方法估计LMSV模型参数，为了提高计算效率应用混沌优化算法进行最优搜索。对比了高频数据直接建模和已实现波动率方法建模的预测结果发现，通过高频数据估计的LMSV模型可以很好保留高频数据中所包含的信息量，克服信息丢失问题，预测结果要优于已实现波动率方法建模预测的结果。     

Profit Guided or Statistical Error Guided? A Study of Stock Index Forecasting Using Support Vector Regression

Stock index forecasting has been one of the most widely investigated topics in the field of financial forecasting. Related studies typically advocate for tuning the parameters of forecasting models by minimizing learning errors measured using statistical metrics such as the mean squared error or mean absolute percentage error. The authors argue that statistical metrics used to guide parameter tuning of forecasting models may not be meaningful, given the fact that the ultimate goal of forecasting is to facilitate investment decisions with expected profits in the future. The authors therefore introduce the Sharpe ratio into the process of model building and take it as the profit metric to guide parameter tuning rather than using the commonly adopted statistical metrics. The authors consider three widely used trading strategies, which include a na¨?ve strategy, a filter strategy and a dual moving average strategy, as investment scenarios. To verify the effectiveness of the proposed profit guided approach, the authors carry out simulation experiments using three global mainstream stock market indices. The results show that profit guided forecasting models are competitive, and in many cases produce significantly better performances than statistical error guided models. This implies thatprofit guided stock index forecasting is a worthwhile alternative over traditional stock index forecasting practices.