基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

基于小波分析和BP神经网络的股指期货价格预测

将小波分析与BP神经网络相结合,构建了股指期货价格预测模型。选取沪深300股指期货从上市日至2013年8月20日的收盘价格数据作为样本,运用sym8小波变换对数据进行降噪处理,分别运用降噪前后的数据对BP神经网络进行训练和检验。结果表明,降噪数据可以有效提高股指期货价格预测的效果。     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。     

基于算术平均最小贴近度和BP神经网络的变权组合预测模型研究

通过构造新的差值-比例矩阵,对2012年的沪铜期货价格建立了基于算术平均最小贴近度和BP神经网络的变权组合预测模型,并对沪铜期货价格进行了实证研究.结果表明,基于算术平均最小贴近度和BP神经网络的变权组合预测模型的预测精度明显高于各个单模型的预测精度,说明了此变权组合预测模型是有效的.     

基于灰色关联分析的 BP 算法预测沪铜期货价格

采用灰色系统理论中的关联分析方法,对2012年影响沪铜期货价格的因素进行分析,挑选出主要的影响因素。以主要影响因素为输入向量,以参考价格为输出向量,建立了沪铜期货价格与主要影响因子之间的BP神经网络预测模型,并对沪铜期货价格进行了实证研究。实证研究结果表明：该方法预测精度较高、实用性强。     

基于神经网络的黄金期货价格的预测

黄金期货市场是一个极其复杂的非线性动力系统,由于神经网络具有很强的非线性逼近能力,理论上能无限逼近任意非线性函数.选用了应用最广泛的BP 神经网络模型来预测黄金期货的价格.对采集到的影响黄金期货价格的因素数据进行了归一化处理后建立BP神经网络并进行了模拟训练,然后用训练好的网络进行检验,并比较了输出结果和真实值,发现用BP神经网络模型能够将误差控制在一个较小的范围内.经过实证研究可以发现BP神经网络用于价格预测可达到较好的效果.     

基于Pearson系数和萤火虫算法优化BP神经网络的住宅价格预测模型

为进一步提高住宅价格预测精度,进而为有关部门提供相关数据参考,帮助其及时准确地制定相关政策,提出了基于Pearson系数和萤火虫算法优化BP神经网络的住宅价格预测模型。该模型首先使用Pearson系数对影响房价的相关因素进行特征筛选,舍弃与住宅价格关联性不强的因素;然后使用萤火虫算法对BP神经网络进行优化,建立基于萤火虫算法优化的BP神经网络预测模型;最后以上海市统计局最新发布的相关数据进行实验验证。实验结果表明,所提模型优于其他5种模型,能够实现住宅价格的有效预测。     

基于遗传BP神经网络的三七价格预测

为提高三七药材价格的短期预测准确性,利用遗传算法的全局搜索能力对BP神经网络的初始权值和阈值进行优化,建立了基于BP神经网络的三七药材价格预测模型.采用连续K月三七价格的滚动预测方式,对下一个月进行预测.通过三七价格时间序列自回归分析确定K值为2,以连续2个月的三七价格作为BP的输入变量,预测其后一个月的三七价格,并对三七价格的BP神经网络模型和传统时间序列预测模型ARIMA进行分析比较.实验结果表明:遗传算法优化的BP神经网络具有更高的预测精度,且比ARIMA模型对价格骤变情况更敏感.     

神经网络在原油期货价格预测中的应用

为了提高原油期货价格预测的准确性,分析了原油期货价格时间序列的特点和规律,采用一种改进的BP神经网络建立时间序列预测模型,对布伦特原油期货价格进行了预测研究.结果表明BP神经网络具有良好的自组织性和自适应性,有很强的学习能力和抗干扰能力,用BP神经网络对原油期货价格进行预测是行之有效的.     

基于BP神经网络自贡房地产价格走势预测

文章通过分析调查影响自贡房地产市场的主要因素,基于BP神经网络,结合自贡住宅市场的实际情况,建立两类BP神经网络预测模型:基于时间序列的趋势预测模型、基于影响因素的回归预测模型,预测了自贡房地产市场价格走势。模拟预测2010年的结果证明了2011年房价预测的有效性,可为自贡城市建设的可持续发展提供有价值的指导意见。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

神经网络及其在股市预测中的应用

将BP神经网络和RBF神经网络应用于股市综合指数预测.预测结果表明,RBF网络计算量少,学习速度快,预测精度高.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于优化BP算法的上证指数预测分析

上证指数变化是股市投资者重点关注的指标之一。文章基于BP神经网络来建立预测模型,结合遗传算法优化BP网络存在的不足,然后通过组合不同的辅助技术指标优化训练样本,探寻对上证指数预测准确度较高的混合算法。实验结果表明,优化后的混合算法能较好的预测上证指数未来一段时间的走势变化,为投资者提供决策辅助。     

中国股指期货的价格发现功能和波动外溢效应

运用EC-EGARCH-GED模型,分析了中国股指期货的价格发现功能和波动外溢效应.研究结果表明股指期货增大了股指的波动性.从长期看,股指期货的价格影响股票指数的价格;而短期内股指期货价格对股指价格的影响比长期均衡的影响大.最后还考察了中国新上市的股指期货对沪深300指数的影响,认为股指期货的上市给股指带来了一定的冲击力.     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。