基于小波神经网络的期权定价模型

Black-Scholes模型所要求的假设条件在真实的市场条件下往往不能满足.提出了一种新的应用小波神经网络进行预测的欧式期权定价模型.将期权按钱性进行分类, 以一种新的加权的隐含波动率作为神经网络的输入变量,通过小波神经网络模型、BP网络模型和Black-Scholes模型来预测香港恒指买权的价格.实证结果表明,将一种加权的隐含波动率作为输入变量的小波神经网络模型优于Black-Scholes模型和其他神经网络模型.因此该模型可以更有效地预测欧式期权价格.     

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DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

改进BP神经网络在郑州市需水量预测中的应用

水资源供需矛盾日益突出,需水量预测已成为广泛关注的焦点．需水量预测可以为“三条红线”的实施提供依据,以强化水资源管理和节水监督管理,缓解水资源供需矛盾．基于BP神经网络模型,采用自适应调整的算法,改进了BP神经网络模型中学习率的求解方法,并将其应用到郑州市经济社会需水量预测中,预测了2012年和2015年经济社会需水量,分别为14．41亿m3和14．84亿m3;通过与BP神经网络模型、主成分回归分析结果对比,发现改进后的BP神经网络模型根据迭代误差自动调整学习率,求解速度和计算结果精度明显提高,适用于郑州市需水量预测．     

基于长短时记忆网络的结构智能控制算法研究

为提高建筑结构智能控制的控制精度及稳定性,在长短时记忆(LSTM)网络理论基础上,提出一种基于深度学习的智能控制算法.通过构建深度学习框架,设计LSTM智能控制器,并将其性能测试结果与反向传播(BP)和径向基函数(RBF)神经网络控制器进行对比.以Benchmark模型为对象,分析了不同外部激励工况下LSTM智能控制器的泛化能力,并提出了基于结构响应的H_2范数评价指标.结果表明:BP和RBF神经网络框架的预测结果相比LSTM框架可能发生局部最优现象,且收敛精度较低;原输入工况下,LSTM控制器的误差为3.30×10~(-4),控制效果最高达65.0%;变激励工况下,LSTM控制器的响应峰值及H_2范数评价指标均优于BP和RBF神经网络控制器,说明LSTM智能控制器具有良好的控制和泛化性能.     

基于LSTM神经网络深度序列机械钻速实时预测

机械钻速是钻井优化、缩短钻井周期的关键因素,传统的机械钻速预测大多是在钻井后进行钻井分析,预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速,提出基于长短期记忆(LSTM)神经网络的深度序列机械钻速预测方法。采集实时钻井数据集,使用皮尔逊相关系数衡量各特征之间的相关性,筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等8个参数。构建LSTM神经网络模型,训练LSTM模型并预测ROP,对预测结果进行分析,并用决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标对LSTM模型、BP模型和SVM模型性能进行对比分析。结果表明：LSTM模型其R²、RMSE和MAPE的值分别为0.948、1.151和17.075,相较于BP模型和SVM模型,其R²更大,RMSE和MAPE较小,说明LSTM模型预测性能更好。该方法有助于钻井工程师和决策者提前获得钻井信息,从而更好地规划钻井作业,缩短钻井周期,同时为钻井参数预测提供新的途径,能改善以往预测方法在处理复杂地层问题时...     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

基于LSTM神经网络的乘用车能耗预测

为改善当今石油供需矛盾和环境问题,针对乘用车提出了基于LSTM神经网络的燃油乘用车能耗预测模型。通过纵向动力学建模并匹配相应车型进行求解,结合GB/T 38146.1行驶工况数据,得出能耗随时间的变化率。构建LSTM神经网络架构,根据处理后的数据样本,对LSTM神经网络进行训练和评价。最后,通过LSTM神经网络和BP神经网络的仿真对比表明,随着迭代周期的增加,LSTM神经网络模型具有更高的精度,对能耗预测的准确性较好,对改善无人驾驶车辆的节能减排具有工程应用价值。     

交易成本下的两值期权的定价模型研究

将B—S模型推广到有交易成本的两值期权的定价模型．利用离散模型和无套利原理,推导出在比例交易成本下两值期权的多头和空头定价方程,并由此求出了两值期权多头定价公式．证明了CONC和AONC期权价值关系式,也推出多头看涨、多头看跌CONC期权之间的平价公式．     

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。     

Blac-Scholes模型下美式期权定价的神经网络算法

考虑Black-Scholes模型下的美式看跌期权定价问题. 首先, 基于Black-Scholes模型, 设计一种针对该模型的神经网络算法, 并给出美式期权价格的数值近似; 其次, 通过与传统的二叉树方法对比, 证明该算法的有效性.     

BP神经网络预测河湾最大冲刷深度

影响河湾凹岸最大冲刷深度的因素众多，而且这些因素的关系是非线性的．实现河湾最大冲刷深度预测的实质是建立一个非线性映射．实现这种映射的传统途径是在室内试验的基础上，采用量纲分析和多元回归的方式建立经验公式．根据BP（前馈）神经网络模型能逼近任何闭区间的连续函数的性质，在室内试验的基础上，尝试采用人工神经网络模型对河湾冲刷深度进行预测，并与经验公式的计算结果进行了比较．结果显示，BP神经网络能够更为准确地对河湾最大冲刷深度做出预测。     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

模糊实物期权法在电力项目价值评估中的应用研究

对项目价值评估的传统的净现值法和实物期权法存在一定缺陷,特别是管理者很难对预期现金流估计一个准确的值．将模糊理论和实物期权理论相结合的模糊实物期权定价模型克服了这个缺陷,对项目价值评估更能反映实际情况．在对传统实物期权评估方法缺陷分析的基础上,梳理模糊实物期权定价理论,并将模糊实物期权定价模型应用于电力项目价值评估．结果表明,模糊实物期权定价模型可以估计出项目预期现金流净现值的区间,为决策者提供更精确的决策依据．     

基于集成式长短期记忆神经网络模型的股价涨跌预测分析

在股价预测领域,预测的准确率比估计的相合性更有价值,因此保证相合估计的传统线性模型正逐渐被长短期记忆神经网络(long short-term memory,简称LSTM)等深度学习方法替代.然而,影响股价的因素是多源的,不仅包括股市历史交易信息,还包括企业基本面信息和宏观经济信息等,这些不同来源的信息间有长期确定关系,而关于此关系的数据记忆会被传统LSTM模型在学习过程中抛弃.构建"集成式长短期记忆神经网络模型"即ensemble LSTM,应用动态网络生成机制保证不同来源数据间的长期均衡关系不会被遗忘,且采用多个LSTM并联,让各神经网络独立处理单来源数据,再通过稠密层融合,因此该模型具有节约运算资源的能力.随机选取了16支个股,对比LSTM和ensemble LSTM在预测股价涨跌方面的性能,发现后者在节约运算资源上具有优势,且准确率也大多高于前者.     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

基于Autoencoder-TCN的航空发动机排气温度预测

针对目前航空发动机排气温度预测模型精度不高、传统RNN类神经网络对飞行数据时间维度信息挖掘不充分的问题,提出了一种结合自编码器Autoencoder和时间卷积神经网络TCN的航空发动机排气温度预测模型。首先通过Autoencoder方法从飞行数据中提取与排气温度相关的特征,以降维后的特征作为输入,建立TCN网络深度学习模型,以航空发动机排气温度作为输出,充分挖掘飞行数据的时间维度信息,从而提高模型精度。最后选取真实飞行数据进行实验,结果表明,与BP、LSTM神经网络模型相比,该模型的平均绝对百分比误差由13.035%和9.593%降低至3.369%,有效提高了模型预测精度。     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

一种回望重置看跌期权在O—U过程下的定价

结合回望期权卖出按高价与重置期权在特定重置条款下能重新设置期权敲定价的特点,对传统重置期权进行创新,设计了一种新型期权——回望重置看跌期权,在标的资产价格服从O-U过程模型下,利用期权定价的鞅方法。推导出了该种期权的显式定价公式．     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。