基于多元回归与技术分析的组合股票价格预测

在股票交易过程中,股票价格走势是很多中国股民关心的热点问题.选取股市中4个重要技术指标,相对强弱指标(RSI)、顺势指标(CCI)、移动平均线(MACD)和5日均线建立了非线性回归预测模型,对我国农业银行和滨江股份股票的价格走势进行了短线预测.结果表明,建立的回归模型可以预测某些股票短期价格趋势,具有一定理论和实际应用价值.     

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.     

基于在线核极限学习机的股票价格预测模型

为了对股票价格进行准确、快速的在线预测,提出一种在线核极限学习机算法(OL-KELM)的股票价格预测模型.首先收集股票价格数据,采用相空间重构理论建立学习样本,然后将学习样本输入在线核极限学习机中进行学习,建立股票价格预测模型,最后对国药股份(600511)股票收盘价进行仿真实验.结果表明,相对于其他股票价格预测模型,OL-KELM提高了股票价格预测的准确性,可以准确地刻画股票价格的变化趋势.     

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。     

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。     

EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

基于BiGRU和残差图注意力网络的股票价格预测模型

高效、准确的股票价格预测能帮助投资者合理规划交易方式,提高投资收益。针对现有股票价格预测模型的准确率不高、投资收益率低等问题,提出一种结合双向门控循环单元(BiGRU)和残差图注意力网络(ResGAT)的股票价格预测模型(BiGRU-ResGAT)。首先,通过结合注意力机制的时间滑动窗口方法(TSWMCAM)动态计算不同股票之间的关联系数,构建表征股票之间关联关系的股票图结构;然后,使用BiGRU捕获股票在时序上的长距离依赖信息;最后,利用ResGAT对股票的时序特征与股票间的关联特征进行深度挖掘和融合,并对股票价格进行预测。在上海证券交易所主板市场498支股票上的价格预测结果显示,与支持向量机(SVM)、门控循环单元(GRU)、复合模型(CNN-LSTM)和关系股票排序模型(RSR)相比,BiGRU-ResGAT在股票测试集上平均绝对误差(MAE)分别降低79.53%、63.20%、48.17%、33.19%,均方根误差(RMSE)分别降低80.23%、66.22%、53.99%、29.99%,决定系数(R-Squared)分别提升23.34%、15.22%、9.54%、4.84%;...     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

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.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

我国上市公司风险收益关系的统计分析

选取以2006—2007年为分析期的98家A股上市公司的股票为研究对象,这些上市公司是截至1996年有较长交易历史的上市公司,并且引入资本资产定价模型（CAPM）,利用上证A股指数作为市场综合指数,通过回归分析方法对我国股市的风险收益进行统计分析。研究分析结果表明：沪市系统风险与收益率存在一定的正相关关系,但不是线性关系。     

金融股在美次贷危机事件窗中的风险评价

本文以量化分析为手段,借助条件异方差模型对2007年至2009年中国A股市场的所有金融股的收盘价格、季度每股收益等指标进行分析,比较此类股票在美次贷危机事件窗中的风险绩效变化,以及不同行业间风险绩效的异同,找出了其中的某些规律。     

基于R/S分析的深圳股票市场分形特征分析

利用R／S方法考察了深圳证券交易所六支股票的开盘价、收盘价、最高价和最低价四个变量的分形特征．研究表明单支股票的价格分形维数具有唯一性；同时股票市场具有短周期性，说明了我国股市的投机特征．     

支持向量机和人工神经网络在期权价格预测中的比较研究

期权定价已成为金融市场的重要组成部分之一。 由于市场是动态的,准确预测期权价格非常困难。 因此,设计和发 展了各种机器学习技术来预测期权价格未来趋势。 比较了支持向量机(ＳＶＭ)模型和人工神经网络(ＡＮＮ)模型在期权价格预 测中的有效性。 在测试和训练阶段,２ 种模型都使用公开可用的基准数据集 ＳＰＹ ｏｐｔｉｏｎ ｐｒｉｃｅ－２０１５ 进行测试。 ２ 种模型均采 用主成分分析(ＰＣＡ)转换后的数据,以达到更好的预测精度。 另一方面,为了避免过拟合问题,将整个数据集划分为训练集 (７０％)和测试集(３０％)２ 组。 将支持向量机模型与基于均方根误差(ＲＭＳＥ)的神经网络模型的结果进行了比较。 实验结果 表明:神经网络模型优于支持向量机模型,预测的期权价格与相应的实际期权价格吻合良好。     

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。     

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.     

马尔可夫链在前沿资产组合中的运用

将马尔可夫链与资产前沿组合有效结合,以福建板块的5支股票数据做为样本,运用马尔可夫链和自相关性来预测股票在将来的收益率及其分布情况.根据马可维茨理论得出股票市场的前沿组合,对中国股票市场的实例进行实证分析.在择优标准的选取过程中,单位收益的风险最小或是单位风险的收益最大只是一种标准,其选择的方法可以依据相关理论进行选择.     

罗盘图及股价增量时序的离散性研究

对股价序列的离散性研究能提供一些用于股市分析和预测的有用信息,通过对罗盘图和股价增量离散时序图的分析,讨论它们与某些股票行为之间的联系,表明从力的形态可以估计股价波幅,并得到拆股,除息等事件的有关数据。     

基于情感分析和GAN的股票价格预测方法

股票价格具有非平稳性和波动性特点,且投资者容易受自身情感影响,投资决策行为具有非理性特征,因此股票价格难以预测.针对预测股票价格的卷积神经网络情感分析方法存在文本标记分布不平衡问题,本文提出一种基于情感分析和生成对抗网络的股票价格预测方法.首先,建立金融领域情感词典库;然后,使用基于词典的情感分析方法计算金融文本数据的情感极性和投资者每天的总体情感指数;最后,利用生成对抗网络对股市波动进行预测,其中生成器生成股票序列数据,而判别器采用卷积神经网络对生成数据和真实数据进行区分.该方法能动态地更新股票价格预测结果且误差较小.