基于神经元网络的股票市场预测

本文利用时延神经元网络模型对上证指数作了预测。股价的涨跌预报可视作高维空间的非线性分类问题，本文使用增益可调的反向传播算法，对股票市场的走势作了预报。借助前馈神经网络对非线性函数的逼近能力，本文对上证指数这个时间序列作了连续若干天的一步预测。最后，我们采用不同形式的误差地预测结果作了比较。     

玉米螟种群动态分级预报的物元模型及其应用

为了探索玉米螟种群动态的预测预报，作应用了物元要领和关联函数，确定了玉米螟种群动态分级的经典域物元和节域物元，建立了分级预报的物元模型。     

基于时变PSO-SVM的混沌时间序列连续预报

针对粒子群优化(PSO)算法中适应度函数不可变的问题,提出一种改进时变PSO算法(TVPSO),其适应度函数可变,利用TVPSO对最小二乘支持向量机(LSSVM)的参数进行优化,避免了人为选择参教的盲目性,提高了预测模型的在线预测能力.建立基于TVPSO-LSSVM的连续预报模型,充分利用LSSVM的结构风险最小化与TVPSO粒子群算法全局、时变的特性,对非线性较强的混沌时间序列进行连续预报.仿真结果表明,该法运算速度快,适用于在线预报.     

基于混沌-神经网络模型最优控制及应用

由于非线性混沌时间序列内部确定的规律性，其重构相空间具有高精度短期预测性．为此，为了实现非线性、大时滞系统的自适应控制，文章根据具有混沌特性非线性、大时滞系统的时间序列重构相空问，计算相空间饱和嵌入维数、最大Lyapunov指数和系统的可预报尺度，并以此为指导，建立神经网络预测模型对系统作高精度的短期预测；在此基础上，通过反馈校正，将校正误差和控制增量引入性能函数寻优得最优控制决策，实现了对非线性、大时滞系统高精度的自适应预测控制．将该控制决策应用在锅炉过热汽温控制中，仿真表明该控制的有效性、快速性和鲁棒性．     

模糊神经网络在股价预测中的应用

讨论模糊神经网络在股价预测中的应用，模糊神经网络克服模糊规则产生对专家的依赖性及模糊集的非自适应性，隶属函数的自适应和模糊规则的自组织通过神经网络的自学习和竞争获得。通过一个股价预测实例验证了该方法的有效性。     

一种基于非线性频谱分析的故障预报技术及应用

首先改进了一种非线性系统广义频率响应函数(GFRF)的辨识算法,提高了辨识结果的精度和鲁棒性,并依此提出了一种基于非线性频谱分析的非线性系统早期故障预报方法.然后,利用该方法对某型直升机并联电动舵机进行了实际故障预报.多次的实际检测结果表明了该早期故障预报方法的有效性.该方法的特点是:算法简单,计算量小,适合于在线故障检测和预报,可为一大类非线性系统的早期故障预报研究提供一种新途径,有着广阔的工程应用前景.     

扩散炉基于Laguerre函数模型自适应预测控制

主要报告了扩散炉采用Laguerre函数模型自适应预测控制的结果 ,并对这种自适应控制的原理及其算法作了简要概述。基于Laguerre函数模型自适应预测控制系统对扰动和对象参数、结构的变化及非线性具有较强的适应能力。在扩散炉控制中的应用结果表明 ,即使在出现强扰动的场合 ,该系统也具有良好的控制品质     

基于核函数的混沌序列局域线性预测方法

针对局域线性预测方法本质上是用较简单的非线性函数来预测高度非线性的混沌时间序列的不足,提出了一种基于核函数的局域线性自适应预测算法。该算法利用包含了相空间中邻近点之间的相对距离信息的核函数,将相空间中的邻近点投影到更高维的非线性核空间,在高维(甚至无穷维)的核空间用线性自适应算法预测混沌时间序列,相当于在原混沌相空间用高度非线性的函数预测高度非线性的混沌时间序列,可获得更好的预测结果。给出了应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。     

基于混沌预测的模糊神经网络控制器设计及应用

由于混沌时间序列内部确定的规律性 ,其重构出混沌吸引子的相空间具有高精度短期预测性。根据非线性、大时滞系统的时间序列重构相空间 ,计算相空间的最大Lyapunov指数、饱和嵌入维数和可预报尺度 ,并以此为指导 ,对系统作高精度预测。在此基础上 ,又设计了遗传算法优化的模糊神经网络预测控制器 ,实现了对非线性、大时滞系统高精度的自适应控制。将该控制应用在锅炉过热汽温控制中 ,仿真表明该控制的有效性、准确性和鲁棒性。     

预测函数控制理论及其在军事上的应用

分析了预测函数控制方法的闭环控制性能 ,对多变量系统预测函数控制方法和非线性系统预测函数控制方法在理论上的进展进行了综述。重点讨论了预测函数控制方法在导弹控制系统设计和火炮炮塔控制等军事领域中的一些应用 ,并提出了需解决的问题和今后的发展方向。     

基于神经网络集成系统的股市预测模型

基于神经网络集成理论,建立股市预测模型.其中分别建立"基本数据模型"、"技术指标模型"和"宏观分析模型",最后以简单平均生成集成系统.实证分析表明,股市预测神经网络集成系统的泛化能力高于各个独立的模型,从而使模型具有更好的稳健性和更好的应用价值.     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

AN EMPIRICAL ANALYSIS OF SAMPLING INTERVAL FOR EXCHANGE RATE FORECASTING WITH NEURAL NETWORKS

Artificial neural networks (ANNs) have been widely used as a promising alternative approach for forecast task because of their several distinguishing features. In this paper, we investigate the effect of different sampling intervals on predictive performance of ANNs in forecasting exchange rate time series. It is shown that selection of an appropriate sampling interval would permit the neural network to model adequately the financial time series. Too short or too long a sampling interval does not provide good forecasting accuracy. In addition, we discuss the effect of forecasting horizons and input nodes on the prediction performance of neural networks.     

中国证券市场正反馈交易的实证研究

在Shiller—Sentana—Wadhwani模型的基础上，建立一个不对称EGARCH模型，对我国证券市场正反馈交易行为进行了实证检验。实证发现我国证券市场上显著的一部分投资者为正反馈交易者，不以基本面价值为基础的正反馈交易在市场报酬的形成中起着重要的作用，正反馈交易使市场收益自相关系数与市场波动呈现负向关系，且高波动期间出现负自相关。同时，中国证券市场正反馈交易并不对称，市场下跌期间比上涨期间正反馈交易要明显得多。     

Method for Housing Price Forecasting based on TEI@I Methodology

Based on the TEI@I methodology proposed by Wang, et al, this paper presents an approach to forecast housing price. 114 indicators are selected by rough set theory, and the leading indicators are selected with time difference correlation analysis. Seasonal housing prices are forecasted by regression and grey models, and integrated via the wavelet neural network approach for error correction. Our analysis predicts that national commercial housing sales price would rise 6.88% in Q4-2006 and 6.64% in Q1-2007. Next, standard event study methodology is used to measure the effect on real estate investment of government policy, one of the most important indicators to forecast the housing price. It is found that the Chinese government's macro-policy in 2005 suppressed the growth of real estate investment and housing prices.     

基于TEIl＠I方法论的房价预测方法

以汪寿阳等(2005)提出的TEI@I方法论为指导,提出房价预测的研究框架.根据研究框架中对小样本数据的处理方法,首先基于粗糙集理论对114个影响房价的指标进行筛选,采用时差相关分析得到先行指标,分别建立回归模型和灰色模型预测季度房价,最后用小波神经网络进行误差校正,得到2006年4季度和2007年1季度全国商品房销售价格将分别同比增长6.88%和6.64%.由于房地产投资是预测房价的重要指标,文中以"国八条"为例用标准事件分析法分析政策对房地产投资的影响,得到"国八条"对房地产投资和房价上涨均有显著的抑制作用.     

Forecasting time series with genetic programming based on least square method

Although time series are frequently nonlinear in reality, people tend to use linear models to fit them under some assumptJLons unnecessarily in accordance with the truth, which unsurprisingly leads to unsatisfactory performance. This paper proposes a forecast method： Genetic programming based on least square method （GP-LSM）. Inheriting the advantages of genetic algorithm （GA）, without relying on the particular distribution of the data, this method can improve the prediction accuracy because of its ability of fitting nonlinear models, and raise the convergence speed benefitting from the least square method （LSM）. In order to verify the vMidity of this method, the authors compare this method with seasonal auto regression integrated moving average （SARIMA） and back propagation artificial neural networks （BP-ANN）. The results of empirical analysis show that forecast accuracy and direction prediction accuracy of GP-LSM are obviously better than those of the others.     

一类新的离散时延递归RBF神经网络

提出了一类带有离散时间 FIR/ IIR滤波器的递归 RBF神经网络 ,用离散时间 FIR/ IIR滤波器代替通常的 RBF神经网络中的线性输出权值 ,以适用于离散动力学系统的辨识和控制以及混沌时间序列预测 .本文给出的学习算法简单 ,可以避免传统的递归算法的不稳定性 .将该类神经网络用于动力学系统的建模 ,收到很好的效果 .     

基于多频组合模型的中国区域碳市场价格预测

新兴的中国区域性碳排放市场受到交易制度,异质环境,政策等因素的影响,使碳价呈现出非线性,非平稳,多频率等特征,风险较为突出.研究碳价的预测方法,有利于碳市场风险管理.传统的单一模型不能全面刻画碳价波动特征,论文构建多频率组合预测模型.运用极点对称模态分解方法将碳价时间序列分解为互不耦合的模态分量;将这些分量分为高,中,低频部分,分别选择适合三种不同频率模态下的预测方法NAR(non-linear autoregressive),WNN(wavelet neural network),SVM(support vector machine)确定其输入输出结构以分类预测;利用PSO-SVM集成碳价分类预测结果,发现:与NAR,WNN,SVM,GARCH等单模型相比,论文的多频率组合预测模型精度更高,是一种更为有效的碳价预测方法.     

预测传播结构与人工金融市场的易变性

为了探索价格预测信息传播动力结构与市场价格波动特征之间的关系,建立了一个基于元胞自动机的人工金融市场模型.在模型中,引入了动态有向图来表征异质投资者之间信息传播的邻居关系网络;投资者个体在邻居影响下进行价格预测与投资决策,从而形成市场价格.通过对仿真交易价格时间序列的R/S分析,发现邻居关系网络结构对于投资者预测的同质化有重要作用;投资者预测同质化倾向强的资本市场时,价格时间序列的易变性随之增强,市场价格趋于不稳定.