IPO新股询价制对电力行业股票收益率的影响

应用数理统计并结合金融数学的方法,研究不同的新股发行方式对电力行业上市公司的影响,实证研究IPO询价制度实行前后电力行业的股票市盈率及股票收益率的变化趋势和特点,研究市盈率和收益率的统计分布及相关模型.首次尝试采用稳健的R估计法建立电力行业股票收益率与经营业绩指标的数学模型.     

基于Box-Jenkins方法的银行业市盈率时间序列建模与预测

基于Box-Jenkins方法的时间序列分析技术,利用SPSS软件对平安银行市盈率数据进行时间序列分析,综合各种条件确定了最佳ARMA模型.最后利用所建模型对平安银行市盈率进行了预测.实证分析的结果表明:Box-Jenkins方法及其模型在银行业市盈率时间序列分析建模与预测方面,具有较高的精确度和可行性.     

市盈率投资策略的适用性实证研究——基于我国创业板市场

近期,我国证券市场(尤其创业板市场)的频繁波动引起投资者的高度关注.作为一种重要的投资参考指标,市盈率能否为投资者提供良好的决策依据?针对这一问题,运用因子分析、独立样本T检验等方法,从股票成长性、低市盈率股票投资价值两方面,探究市盈率投资策略是否适用于我国创业板市场.结果显示,高市盈率股票不具有高成长性,甚至是较低的成长性;低市盈率股票的市场表现没有达到理论状态.因此,市盈率投资策略目前在我国创业板市场上效果不显著,市盈率在指导投资中的作用有限.研究结论为监管当局完善创业板市场的相关制度、上市公司优化企业的经营状况、投资者的投资决策提供有用的信息.     

基于PE-局部最优算法在基金智能定投领域的研究

通过对上海证券交易所股票价格综合指数市盈率(简称:上证市盈率,PE)进行分析和研究,提出一种基于PE的局部最优定时不定额投资算法,并选取6支基金进行数值实验,其中包括3支股票型基金、股票型平均指数、混合型平均指数和沪深300指数.实验结果表明本文算法在基金购买份数比、年化收益率以及最大回撤等指标上的表现均优于普通定投算...     

智能股票分析系统的总体设计研究

本文基于智能股票分析系统应该具有的股票数据获取、股票技术图形绘制、股票分析及预测等功能,对智能股票分析系统进行了总体设计。本文所设计的智能股票分析系统采用Visual Studio 2008开发工具和Microsoft SQL server 2005数据库,在Windows操作系统下,分为系统管理、数据管理、投资管理三个大的模块,具备获取所有股票数据,然后基于这些股票数据进行智能分析并给投资者合理建议的功能。     

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 .     

基于模糊信息粒化和支持向量机的股票价格回归预测

对股票进行投资时,由于股票数据具有较大的不稳定性,往往大多数时候无法对其进行精确的预测,而对其变化趋势和变化空间进行预测尤为重要,当利用支持向量机对股票数据进行回归预测时,只能得到具体点的预测值,不能预测股票数据短期的变化趋势,因此本文将模糊信息粒化和支持向量机相结合,对股票数据未来5天的变化趋势进行了预测研究,实验表明该方法具有理想的效果.     

上证50指数成分股市盈率的实证分析

由市价比每股净利所得的市盈率在股票估值中不具备实际意义,而由实际市盈率与理论市盈率的比值可以较为准确地判断股票价格未来的大趋势,在符合稳定增长模型的企业中这种关系尤为清晰,甚至可以修改模型后应用于整个市场.     

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.     

基于细粒度演化超网络的股票预测

为了更准确地预测股票的走势,提出了一种基于细粒度演化超网络的股票预测方法.对2011年证券年报数据进行处理,以预测其中股票在2012年的走势.采用卡方分裂算法和等宽度离散化相结合的方法对股票数据进行有效的离散化,以应对连续型数据简单二值化处理造成的信息损失,然后采用细粒度演化超网络模型预测每支股票在未来一年内的走势.试验结果表明:细粒度演化超网络对股票走势预测正确率是86.73%,股票上涨预测正确率是75.00%.得到了用细粒度超网络挖掘影响股票上涨的重要特征组合及其对应的取值范围,为投资者提供了一种可靠而又方便的选股新方法.     

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.     

区域经济增长的混频预报与预测——以吉林省为例

将攫取的大量高频数据信息用于实际经济增长率的短期预测和实时预报,基于数据驱动的混频数据预测模型具有及时性、准确性和有效性的特征.该模型对吉林省实际经济增长率的预测与预报进行实证的结果表明:混频数据的自回归模型是非常有效的短期直接预测模型,混频数据模型的权重均值组合预测方法提高了预测结果的精确性和稳健性,吉林省经济正在进行有波动的筑底,“十三五”时期的经济运行将呈现稳中向好的态势.     

基于多元回归分析的中国城镇失业率问题研究

从宏观经济层面分析影响我国城镇失业率的相关因素，采用全序列法对所采集的原始数据进行无量纲化处理。分别应用1978-2009和1990-2007年数据得出多元回归分析只适合对失业率的短期预测。最后根据预测模型得出结论扩大出口，减少进口有利于减少我国城镇登记失业率，多元回归预测只适合对城镇失业率进行短期预测。     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

一种基于模糊逻辑和神经网络的电力负荷预测方法

应用模糊理论、人工神经网络等智能技术,确定了有效的电力系统短期负荷预测方法,其中着重考虑了天气因素对电网负荷的影响,并开发了实用化的负荷在线预测软件,该软件是基于Windows的应用程序,具有开放式的结构和友好的人机接口,可用于每小时或每15min的负荷预测,测试结果表明,该方法具有良好的预测精度。     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

基于最优组合预测模型的电力负荷预测研究

电力负荷预测是电力规划及安全运行的基础,提高预测精度是电力负荷预测研究的重点,由于负荷预测的变化性和不确定性,单一的预测模型很难满足所有的预测情况;组合预测是将各个单项预测所得的结果选取适当的权系数进行加权平均的一种预测方法;采用灰色和时间序列作为单项预测模型,然后进行最优组合建立组合预测模型进行电力系统短期负荷预测;仿真实例表明:最优组合预测模型比单项预测模型具有更高的预测精度,具有一定的优越性。     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。