基于神经网络股票预测的研究

利用股票市场的理论和神经网络的BP算法来预测股票价格.先对股票进行基本面的分析,再对股票进行技术面的分析.运用技术分析的技术指标和神经网络优势,对股票进行大数据量的训练,使得模型可靠,再对股票进行测试.从实验的效果来看,取得令人满意的效果.     

基于Elman神经网络的铝价格预测

Elman神经网络是一种典型的局部回归网络,独特的连接层结构能记忆过去时刻的状态使网络具有动态记忆功能,特别适合处理时间序列预测问题。本文运用Elman神经网络对长江有色铝A00铝每日平均价格进行模拟预测,得到2018年1月到2018年3月一共53个工作日的A00铝日均价格的预测值。结果表明,Elman神经网络的预测精度较高。     

网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法. 利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制. 仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.     

BP神经网络与ARMA-GARCH模型在股票预测中的对比分析

考虑到股票价格瞬息万变,波动性强,用BP神经网络与ARMA-GARCH模型对上汽集团收盘价预测.对BP神经网络与ARMA-GARCH模型的股票预测结果进行对比分析,结果表明,在预测未来20d收盘价时,BP神经网络平均绝对误差比ARMA-GARCH模型低31.4%;在预测未来6 d收盘价时,ARMA-GARCH模型平均绝对误差比BP神经网络低7.4%.说明BP神经网络在长期预测中更为精准,而ARMA-GARCH模型在短期预测中具有微弱优势.     

基于EGARCH模型的股票价格预测

从我国引入股市开始,股票价格的波动趋势一直都是股市关注的热点.股民在股市的收益越多,风险也就越高,所以预测股票价格,规避风险有着十分重要的意义.运用统计学中的EGARCH模型对上海证券交易所上市的股票价格进行实例分析.实验结果表明,该模型不仅能够克服股票价格显著的不对称性,还能够保留其自身的优势,提高了预测结果的精确性.     

非线性PCA方法在股价预测中的应用研究

针对传统PCA(主元分析)股票价格预测方法在非线性过程应用中存在的缺点,本文提出了一种基于RBF神经网络的非线性PCA(NLPCA)方法,不仅提取了高维原始数据的线性信息还能提取非线性信息.在此基础上进一步提出了样本中误差的检测方法,仿真试验表明它能有效地减小误差点对网络训练精度的影响,大大增强了股票价格预测的准确性.     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

深基坑开挖中KPCA结合BP神经网络的基坑变形预测

针对开挖过程中基坑变形预测的问题,提出一种基于核主成分分析(KPCA)和BP神经网络的基坑变形预测方法.首先,根据实际施工情况,确定影响基坑变形的主要因素;然后,将基坑变形数据通过多变量相空间重构技术进行建模;接着,通过KPCA技术从变形数据中提取出主要分量;最后,基于提取的主要分量来训练BP神经网络预测模型,以此实现对之后基坑施工中基坑变形的预测.实验结果表明,提出的预测模型能够准确地预测基坑变形程度,具有可行性.     

PB-GARCH模型在中国股市收益波动率研究中的应用

股票市场的波动率一直是金融学研究的热点问题,由于受到宏观经济运行状况、行业自身发展状况以及投资者心理变化情况的影响,股票价格的收益率呈现出复杂的非线性波动,收益的方差是自相关的,表现出分形和混沌的特征.随着股票市场研究的逐步深入,人们发展了以ARCH族模型和随机波动模型(SV)为代表的波动预测模型.但是,目前这些预测模型大多仅从股价自身的运行规律进行研究,很少考虑投资者的心理因素对股价运行规律的影响.本文结合行为金融的前景理论、GARCH模型,以及神经网络等理论,建立基于投资者心理变化的波动率模型,对该模型的估计方法进行了探讨,并以我国上证综合指数(HSEC)和深证成份指数(ZSEC)为例进行了实证分析.     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

基于小波神经网络的大型桥梁监测

大型桥梁已成为城市交通体系关键的部分,对其进行有效地监测已势在必行。根据小波分析和神经网络在处理复杂非线性问题上的优势,将其分别应用于大型桥梁结构监测中的线形监测和应力监测这两个技术问题上。结果表明小波神经网络模型监测精度高,对桥梁的安全运营提供了技术支撑。     

基于BP神经网络的干热风灾害预测

干热风是我国新疆,西北等地农业气象灾害之一,其形成因素呈现复杂的非线性关系.利用传统方法很难建立起一个精确完善的预测模型.人工神经网络具有强大的非线性映射能力,尤其是BP神经网络在预测领域中被广泛应用.本文利用BP神经网络对干热风灾害进行了预测.结果表明,基于BP神经网络的干热风预测模型误差小,能达到满意的效果.     

基于双流LSTM神经网络的股价趋势预测

股价波动研究依赖分析金融新闻数据集浅层特征，而忽略了金融新闻句子中单词之间的结构关系，从而导致股价波动预测研究效果不佳。针对该问题，提出了一种基于双流长短时记忆网络（long short term memory network, LSTM）神经网络的股价趋势预测模型（Sent2Vec-DLSTM）。该模型的创新之处在于：提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec；提出了新型的双流LSTM神经网络（Dual-stream LSTM, DLSTM）。在实验中，首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测，然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明，Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。     

应用改进BP网络进行铁路客运量预测研究

针对传统铁路客运量预测方法的不足,提出运用改进BP神经网络结合四阶段法进行客运量预测,给出了预测算法,建立了铁路客运量神经网络预测模型,并对敦煌铁路客运量进行预测,设计网络参数,进行网络学习和训练,最终得到较为精确的2010年及2015年敦煌铁路客运量,为该线路今后的运营管理提供决策参考．     

ANN-CE:一种预测DNA结合位点的改进神经网络方法

基于误差平方和最小原则的神经网络方法并不适于解决DNA结合位点的预测问题,提出了一种改进的神经网络方法(ANN-CE)被用于对DNA结合位点进行预测.这是一个以交叉熵函数为目标函数的三层反向传播神经网络.计算结果表明,与基于误差平方和最小原则的同规模BP网络相比,其对DNA结合位点预测的敏感性Sn(sensitivity)和特异性Sp(specificity)可分别提高11.40%和11.91%.     

一种不定控制系统的强健神经网络控制器

探讨不定控制系统的强健神经网络控制器．这是一个由遗传运算法则确定的最佳隐藏神经数的前馈多层神经网络．它借助状态空间控制器和编入必要的最佳程序,进行非线性处理,以确保性能的强健性．混合的遗传运算法则和后繁殖神经培养,具有最佳网络结构和神经染色体接合权的双重目标,把最佳网络结构和神经权协调地聚合,从而得到与性能控制目标基本一致．     

机器视觉系统中摄像机的神经网络定标

将传统摄影测量定标和神经网络相结合,克服传统摄像机定标中因像差等非线性因素造成稳定性不好且算法复杂的缺点。采用基于神经网络的计算机视觉定标方法,用5步法计算未知点的物方坐标。在传统摄影测量定标方法中,需要先制作定标块,其上布置一些控制点,准确测定它们的三维坐标。为保证定标精度,这些控制点必须在三维空间均匀分布,对定标块的制作和加工要求很高。本文提出采用定标板沿法线方向移动的方式代替定标块,既能达到三维效果,显著增加控制点数量,也使制作容易。实验结果表明,以该模板基于神经网络的摄像机定标方法可以获得很高的精度和稳定性。