基于EDP算法的股票价格预测

股票价格预测一直是金融分析领域的一个重点和难题．目前，运用智能系统对股票市场进行预测的方法已经被广泛确立．本文提出了用基于贝叶斯网络的EDP算法进行股票预测的模型，相对于传统的预测方法，具有收敛速度快的特点，根据实验的仿真结果显示，该模型对于股票价格预测效果较好．     

基于PaddlePaddle的股票预测深度学习模型

利用上证指数股票历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅等数据,通过对股票数据进行归一化等预处理操作后,使用Python语言和PaddlePaddle库编写算法程序,构建股票预测的LSTM神经网络模型,对上证指数的股票下一日的最高价股票价格进行分析预测,预测结果显示本文所构建的基于PaddlePaddle的LSTM神经网络模型能够取得较好的预测效果,可见基于PaddlePaddle的股票预测深度学习模型有很好的应用前景.     

数据多维处理LSTM股票价格预测模型

股票的价格具有非线性、随机性等特征,为更精准地预测股票价格,充分利用股票价格数据的时间相关性和数据自身的变化趋势,提出数据多维处理的LSTM股票价格预测模型。通过对股票价格因子数据进行多维处理,提高数据有效信息,形成可以高度反映股票价格的多维数据,在此基础上建立长短期记忆网络组合预测模型,通过收集股市中的股票数据进行实验。实验结果表明,模型预测值与实际股价数据的均方根误差和平均绝对误差仅为0.013 2和0.010 3,相较于单一长短期记忆网络预测模型,2项误差分别降低90.81%和91.65%。数据多维处理LSTM股票价格预测模型具有较高的预测精度。     

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。     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

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。     

基于RBF神经网络的股票三类拐点的分析

如何对股票价格拐点进行预测是投资者所关注的内容.利用RBF 神经网络对股票价格拐点进行预测,将反映股票价格的开盘价、收盘价、最高价、最低价作为神经网络的输入变量,利用RBF神经网络自适应算法对网络进行训练,建立起神经网络模型.结合分形几何学的分形知识,对股票拐点进行了分类.     

基于多视角股票特征的股票预测研究

股票价格预测是金融行业中的一个重要研究内容,能够更准确地分析股票价格走势对于投资机构至关重要.目前,关于自动化预测股票价格发展的研究工作相对较少,还有许多问题需要解决.针对传统股票预测方法中视角单一、无法充分考虑数据的各特征重要度的问题,提出一种基于多视角股票特征的股票预测方法,通过计算股票数据的Ma,Macd,Kdj,Boll特征指标,训练每个指标下的弱学习器,并进行多个弱学习器的集成学习,最终用于预测股票价格走势.使用美国股票新闻数据集进行验证.结果表明,基于多视角股票特征的股票预测方法预测得到的股票价格与实际价格之间的平均误差与均方误差分别为1.9321和0.0581,优于传统的基于单一指标的股票预测结果 .     

基于GA-Transformer模型的多因子股票预测

股票市场中拥有大量用于描述股票价格变化的财务指标,这些指标为股票价格预测提供了良好的数据基础.但由于股票数据存在高维相关性和时序性等特点,导致精确预测股票价格存在困难.为提高股票价格预测精度,文章提出了基于GA-Transformer模型的多因子股票预测方法,该方法使用遗传算法(GA)进行特征选择,并结合Transfo...     

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.     

局部线性光滑技术和ARIMA模型在股价动态预测中的应用

针对目前我国股票市场中难以对上市公司的股票价格从定量分析的角度进行有效预测这一突出问题,利用时间序列局部线性光滑技术并结合ARIMA建模方法,提出了股票价格序列的一步动态预测方法,用于股票价格序列的建模及股价短期预测,以期为企业和投资者在进行相关决策时提供有益的参考．最后,以两家上市公司近几年股票的周平均价格为例验证了预测结果的有效性．     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.     

股 价 房 价 波 动 与 经 济 周 期 关 系

通过模型推导和实证分析研究了股价波动、房价波动与经济周期之间的相互关系,构建了一个分析三者之间关系的统一框架.理论分析和实证结果表明,股价是宏观经济的领先指标,房价与GDP、利率和CPI 具有紧密的正向关系,房价波动与经济周期基本同步,股价波动大大领先房价波动.     

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。     

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。     

一种新的基于供应商管理库存的成品油物流配送模型

基于供应商管理库存(VMI)理论,提出了一种新的VMI模式下成品油物流配送模型.模型包括安全库存的动态管理模型、需求预测模型、基于路网的车辆配装模型和车辆路径问题(VRP)模型.给出了基于VMI的库存补给和安全库存动态管理的一体化解决方案,并将组合预测方法应用于成品油配送预测.应用结果表明,对于较大规模配送中心的配送活动,新模型优化结果良好.     

基于不同行业的沪深300股指期货价格发现功能研究

基于沪深300股指期货日收盘价及中证全指系列指数中的行业指数数据,利用协整检验、VAR模型、格兰杰因果检验和脉冲响应函数,研究了我国股指期货与不同行业现货价格上的领先滞后关系及其内部差异,最后对投资者和监管部门提出了一些建议.实证结果表明:股指期货和各行业现货指数之间存在着较强的单向因果关系,且在不同行业之间存在较大的内部差异.     

基于ECM-GARCH 模型的沪深300指数 期货套期保值策略的研究

首先选取沪深300指数日收盘价和沪深300股指期货日收盘价作为原始数据,对其进行描述性统计分析、平稳性检验及协整检验,得出两个日收盘价的对数收益率是平稳的,且两个收盘价之间是协整的.其次,巧妙运用普通最小二乘法、B-VAR、误差修正、GARCH(1,1)和ECM-GARCH模型,研究股指期货最优套期保值比率,得出ECM-GARCH模型最优.最后,分析沪深300股指期货套期保值策略的构建问题.运用动态调整法,从多头和空头套期保值策略进行分析,需要每天计算最优套期保值比率来确定最优股指期货合约份数.     

以锡业股份为例从资源角度探寻公司股价表现的实证研究

对于资源型的上市公司,其资源储量、资源价格对公司股价的影响至关重要。国际金融危机后,中国资本市场的低成本优势得到体现,中国企业有了到海外收购的优势和冲动。选取了锡业股份作为实证研究的对象,建立了多元对数线性模型,对2000年7月到2008年5月的公司数据进行了实证分析,得出了资源储量、资源价格对公司股价影响的敏感性,并对影响机制进行了分析。     

加权Markov链权重计算及其应用

以中体产业股价为例,应用加权Markov链理论对股票价格进行预测分析.通过模糊聚类分析,将已知的股票价格变动情况分为六类,并对股票收盘价的历史数据进行马氏性检验.利用加权Markov链计算权重的方法,计算出每类状态的权重值,并给出中体产业未来股票价格的预测区间.应用随机过程的加权Markov链理论,构造了描述股票价格波动格变化的数学模型,并通过实例给出股价的预测区间,该方法具有很强的适用性.