基于优化BP神经网络的股票趋势预测研究

股市作为一个国家经济的晴雨表,在整个国民经济体系中起着不可或缺的作用。合理地、有效地预测股市未来走向对国家、企业以及投资者来说均有者重要意义。而BP神经网络在处理高非线性、多维度数据上又有着巨大的优势,该文旨在使用BP神经网络及其优化算法对股价未来走势做出一个合理的预测,为股票市场长期稳健发展添砖加瓦。     

基于多种方法综合的壁画病害分析统计方法

由于受到自然灾害,经济建设,旅游开发等因素的影响,古代壁画及岩画已处于濒危境地,专家们正在紧急的开展保护工作采挽救破损文物,如何更好的保护破损壁画,是要基于对壁画病害的充分了解之下。本文主要研究壁画病害统计分析的方法,通过从几何角度和图像角度进行综合分析,进行壁画病害的评估与记录,实现对壁画病害信息的记录与保存,为壁画的保护工作提供依据和保证。     

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 .     

基于趋势信息的时间序列分类方法

大部分时间序列数据分析的一个重要组成部分是相似性度量方式.在众多相似性度量方式中,基于最长公共子序列的相似性度量方式是一种常用的有效方法,但该方法仅仅度量序列点对点的数值差异,而忽略了序列的变化趋势.为此提出一种基于趋势信息的时间序列离散化方法并用最长公共子序列进行相似性度量.该方法能够很好地度量时间序列的趋势信息.此外,还将其与现有的点对点函数线性结合.与现有相似性度量方法不同,该方法能同时考虑时间序列的趋势信息和函数距离,相似性度量方案运用最近邻分类算法规则进行分类.为了进行全面的比较,在42个时间序列数据集上测试该算法的有效性.实验结果表明,所提出的方法能有效提高时间序列分类准确率.     

基于概率统计的大数据分类方法

提出一种基于概率统计的大数据分类优化方法.首先构建大数据分类的二项-泊松模型,在无穷维向量空间对分类目标函数进行概率密度估计,在数据聚类中心的几何邻域构建置信区间,采用置信度特征求解大数据分类的二项-泊松微分方程,然后以方程的稳定解作为聚类中心特征值,在Bernoulli空间通过概率统计实现对大数据的准确分类.     

基于统计组合与特征分类的基因预测算法

在研究了三种基因局部特征的基础上,针对现有的基因预测方法在预测5'端外显子方面的不足,构建了一种基于统计组合与特征分类的基因预测算法,即将基因区域数据根据局部特征分成两个相对独立的集合,采用统计组合的方法将多种基因预测方法综合在一起进行基因预测研究.实验结果表明,该算法提高了基因预测的精度,为基因预测提供了一种可能的研究方案.     

基于循环神经网络和深度学习的股票预测方法

本文提出一种基于多路循环神经网络与深度学习的股票预测方法。针对股票的涨跌预测问题,使用分布式向量表示方法提取出股票相关的新闻文本特征,同时考虑到股票相关信息的时序性以及新闻影响的持续性特质,使用多路循环神经网络模型对所提取的特征与交易信息进行协同训练,从而获得历史信息的低维向量表示。最后将多个循环神经网络的输出进行拼接,利用深度神经网络共同对股票的涨跌进行分类预测。本文使用上证A股的价格与新闻数据进行实验,实验结果表明,本文所提出的方法在股票预测任务上具有明显的优越性。     

基于分割提速法和多线程的股票预测方法

对股票交易数据进行有效的分析处理,发现其中内在的相互联系,这对指导投资决策具有重要的意义.以股票交易数据为研究对象,采用分割提速法和多线程并行计算方式,提出一个股票预测并行方法.该方法使用Apriori算法的分割提速法进行加速运算,采用多线程并行计算方式将计算量平均分配给所有参与计算的计算机,同时应用网络编程技术实时同步回收结果.实验结果表明,该方法能够有效地缩短股票关联规则的计算时间,提高挖掘效率,进而为股票投资提供有力帮助.     

基于BP神经网络的股票预测

股票投资是一项非常复杂的活动。对股票走势的正确预测是非常重要的。本文基于BP神经网络预测模型,对未来股票的走势进行预测,通过实例分析及实际结果,表明BP神经网络的准确性和科学性。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

基于HS-BP算法的股票预测

为了有效预测股票问题,针对股票走势具有随机波动性和非线性的特点以及BP神经网络收敛速度慢、容易陷入局部极小值的缺点,提出利用和声搜索算法优化BP网络权重的方法改进神经网络,并通过对股票预测指标的分析,建立了股票预测模型,将和声搜索算法优化BP网络应用于所建立的模型中求解.实验结果表明,将HS算法和BP神经网络有机结合,加快了网络收敛速度、避免了局部极小值,有效地刻画了股票的随机波动特性,提高了股票预测的准确性.     

基于统计分布与集合论的文本分类方法

指出基于TfIdf的常用文本特征提取方法在文本分类问题中的缺陷,进而提出使用特征词的分布状态、词频和文本频三者相结合的方式提取文本特征的观点,给出了计算特征词权重的新方法,提出了新的文本分类方法. 试验表明,该方法能够最大限度保留文本的特征,并且可有效避免向量空间模型中的维数灾难问题,能应用于大规模文本分类.     

基于概率后缀树的股票时间序列预测方法研究

在时间序列符号化基础上,本文引入概率后缀树PST模型,构建基于时间序列符号化和概率后缀树相结合的股票预测模型.本文选择在沪深300的10支股票数据上将预测模型与传统的马尔科夫模型MM和自回归移动平均模型ARMA进行对比,结果显示本文提出的股票预测模型优于MM模型和ARMA模型,验证了本文所提出的预测模型在投资收益上的有效性.     

基于时序的股票预测算法研究

提出了一种基于时序的股票预测算法。该算法基于时序,对股票在连续时间段内发生变化的数值进行研究,并利用该算法得到的结果进行预测。结果表明,这种方法对于事物的单属性预测是具有实际意义的。     

基于节点分类的区域货流分布预测方法

为了更加精确地预测区域货流分布并准确描绘区域经济之间的联系与互动,提出了基于聚类算法与改进重力模型相结合的区域货流分布预测方法。首先,通过Pearson相关性检验对货运影响因素进行分析,针对不同区域之间的异质性和相似性,采用K-means++算法进行节点聚类,对起讫点（origin-destination, OD）对进行精细化研究;其次,引入货运影响因素、社会联系强度以及由距离成本和时间成本构建的阻抗函数作为参数,对传统重力模型进行改进,灵活地适应不同地区的交通特征,使得模型更具通用性和适应性;最后,以云南省为例,利用构建的改进重力模型进行货流分布预测,并与传统重力模型预测结果进行比较。结果表明：改进重力模型预测精度比传统重力模型提升了57.75%,稳定性提升了54.66%。该方法预测精度明显提升,为区域货流预测提供了更为可靠的方法。     

多种经济成分统计制度方法的设计

本文针对现行多种经济成分统计制度方法的缺陷,究其原因,提出设计多种经济成分统计制度方法的必要性,并提出新形势下多种经济成分统计制度方法改革的建议     

基于SVM的分类预测

简单介绍了SVM的理论背景，详细介绍了基于SVM的分类预测方法。给出了基于SVM的分类预测技术的性能测试结果。指出该分类预测技术可将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性辨别函数来实现原空间中非线性辨别函数。     

旅游业趋势预测方法比较

旅游业对许多国家来说,是重要经济资源,带动的产业包括交通运输、住宿、餐饮、娱乐、零售等,对整体服务业与国家经济影响深远;但遇到重大事件冲击时,不但自身会受到严重伤害,还将波及相关产业,如何预测与规划未来旅游业的需求,已成为当务之急.本研究针对台湾主要客源地区(日本、港澳、美国、韩国、新加坡、马来西亚),借重人工神经网络的类型辨识与学习能力,加上警告信息变项,进行个别市场分析,来推测重大事件可能造成的冲击,以及主要境外观光客到达人数复苏的情形,期望能为旅游业的发展提供较精确的预测工具.分析结果证实:在指数平滑法、ARIMA和人工神经网络中,以人工神经网络预测效果最好.