灰色马尔可夫链组合在预测股票价格上的应用

灰色模型适合对数据量少、波动不大的短期数据进行预测,而马尔可夫模型适用于预测波动较大的过程。通过结合灰色模型和马尔可夫模型的特点,本文提出了一种灰色马尔可夫链组合预测模型,对股票价格进行预测,与其他文献不同的是,本文在数据处理上进行了改进。实验结果表明,与一般灰色马尔可夫模型相比,改进后的模型预测精度得到了提高。     

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。     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

基于多元回归分析的瓦斯灾害预测

为了解决瓦斯灾害给煤矿带来的安全生产问题。以多元线性回归方法为基础,通过对铁法大刑矿4_(-2)煤层含煤岩系的沉积环境,岩性组合特征,煤层顶、底板岩性及其隔气、透气性能、煤的变质程度、区域地质构造、水文地质条件、火成岩的侵入与覆盖作用、以及煤层埋藏深度影响因素进行分析,对未采区煤层瓦斯涌出量进行预测。研究结果表明,矿井开采煤层瓦斯突出危险区域主要为煤层瓦斯含量较大的地质构造与火成岩体破坏相组合的块段。该成果对大兴矿的安全生产具有重要的现实意义。     

基于神经网络的股票价格预测

在股票市场中，价格是围绕其内在价值上下波动的，而价格的变化又取决与供求关系的影响．文献[4]运用系统动力学的方法，建立了以供，需和价格为变量的动力学模型．本文以此模型为依据，设计了神经网络模型并采用历史数据对起进行训练，实证研究表明我们得到的模型具有很好的预测作用．     

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。     

基于金融微博情感与传播效果的股票价格预测

目前对微博情绪与金融预测之间关系的研究多数停留于诸如模式识别、语义分析、情感挖掘等文本挖掘技术,而较少研究微博情感传递过程。以金融微博文本情感挖掘和语义分析为基础,对相关的股票价格曲线进行拟合预测分析,包括对微博信息转播模型的研究和对微博情绪预测模型的研究。首先通过分析微博转播过程中的多个因素,包括转发情绪吸收、微博内容影响力、微博作者影响力、微博发布时间等,对模型自身进行拟合效果优化。其次,针对认证和非认证用户分类分析,并加入了转发次数的对其的再度影响,发现不同类型不同转发的用户对于股市曲线的影响滞后期不同。最后,在针对股市曲线变化的不同时期,对模型的拟合效果进行分析。给定金融市场某一特定关键词,采集了500,000多条金融微博及其相关用户信息。实验结果表明,新集成模型表现强于简单神经网络模型,而且是否为认证用户以及微博转发次数对微博滞后期的影响有所不同。此外,新模型的拟合效果,在股市上升期模型的拟合效果最好,下降期次之,平稳振荡期效果最差。     

模糊神经网络在股票价格预测中的应用

股票的价格受经济、政治、公司经营状况和市场人气等多方面的复杂影响,且各因素自身具有模糊性和混乱性,再加之股票市场是一个非线性的系统,所以急需利用一种较好的方法解决该问题.而模糊神经网络恰能解决上述问题.本文基于模糊神经网络的相关理论建立股票预测模型,并以实例加以验证.     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

基于多元回归模型的2010年上海世博会客流量预测分析

选取上海城市吸引力系数和上海世博会的吸引力系数等参数,利用多元回归模型定性对2010年上海世博会客流量进行了预测及分析.结果表明:利用多元回归模型对世博会客流量做的预测与以前常用的渗透率模型和引力模型相比有其自身的优越性,考虑因素更为全面.     

基于多元回归法的气体浓度预测方法

从分析气体浓度预测的基本特性入手,设计与实现一种基于多元回归法的气体浓度预测方法.通过分析各种因素对预测结果的影响来选择预测的模型,将多元回归法应用到气体浓度的预测,以建立气体浓度预测模型,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对气体浓度进行预测,且预测精度可以满足实际需求.     

非线性回归模型在股价预测中的应用

非线性回归分析法是随机过程中一种常见的分析方法,它被广泛地应用于各个领域中。就此方法在经济中的应用,建立了一个非线性回归模型,并用实例分析了如何用此模型来预测股票价格的走势。     

股票价格的马氏链预测法

马氏链预测法是通过对事物不同状态的初始概率及状态之间的转移概率的研究,预测事物的未来状态。本文建立了股票价格预测的马尔可夫链数学模型,并举例说明了该模型在股票交易市场预测中的应用。     

改进的时间相关序列股票价格混合预测模型研究

金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道。本文首先通过构建科学性较强的自回归移动平均与支持向量机（ARIMASVM）模型分析一维金融时序数据的线性成分,对我国股价波动进行样本内预测并与真实数据作比较,再利用改进的支持向量机（TGDSVM）模型基于金融面板时序数据处理线性预测后剩余的非线性成分信息。采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对比例误差（MAPE）、回归指数（WIA）、百分标准误差（SEP）与Nash系数六个预测精度指标检验五只股票日收盘价的预测精度。仿真结果表明：改进的时间相关序列（ARIMA-TGD-SVM）股票价格混合预测模型可以很好的弥补传统支持向量机（SVM）模型对解决多分类问题存在困难和对大规模训练样本难以实施的不足,并有效解决其利用欧式距离表征时序数据内部真实相互关系不足的缺陷,能够为股市预测提供理论依据和实际应用奠定基础。     

基于半参数LM-ARMAX模型的股价波动成因分析

选择沪市1991-2010年所有上市公司的数据,建立LM-ARMAX模型来实证股票价格波动的决定因素;然后,根据模型半参数估计的结果,进行基于半参数估计的广义似然比检验和基于Wild Bootstrap的Smirnov检验.研究结果表明:市帐率和成交量是股票价格波动的主要因素,而净资产收益率对股票价格波动的影响不显著;相比起"指数研究"和"样本替代研究"而言,实证的数据精确度更高,说服力更强.     

小波包与神经网络相结合的股票价格预测模型

小波包较之于小波可以更为灵活地提取分散在不同尺度上的信号特征,结合神经网络也就可获得更好的预测精度,本文按此方式建立了一种混合杂交模型用于股票市场价格波动预测,并为获得最优预测精度,本文利用遗传算法进行小波包最优分解选择和神经网络参数选择。通过对上证综指的实证研究,表明这种混合杂交模型的性能优于同类神经网络模型和基于小波分解的神经网络模型。     

用回归分析预测法预测伤亡事故

利用回归分析预测法对伤亡事故进行了预测,并采用VB6.0了相应的计算机软件。实践证明回归分析预测法是一种有效的事故发生趋势预测法。     

利用财务指标预测股票价格及财务风险预警

主要研究上市公司的财务指标和股票价格的关系及如何利用这些指标对财务风险进行预警。首先运 用回归模型对上证180家上市公司财务指标与个股股价进行实证分析,并对样本股票价格进行预测。然后 选择100家ST股票和深沪两市绩优股为样本,再次利用回归模型将对股价有显著影响的财务指标与样本 股出现财务风险的概率进行分析,对样本股财务风险进行预测,并说明此研究的实际应用价值。