基于MDT-BiLSTM模型的个股价格预测研究

为提高股票价格预测精度,提出一种基于MDT-Bi LSTM的股价预测模型。首先,使用多向延迟嵌入的张量处理技术MDT(Mut iway-Delay-Embedding Technology,MDT),对以日频数据的股票因子向量进行重构,将时间序列展现为低秩块汉克尔张量,作为Bi LSTM模型的输入;其次,利用双向长短期记忆神经网络提取双向序列特征;最后,通过LSTM的长期依赖性完成对股票价格的预测。结果表明：MDT-Bi LSTM模型对六类股价的走势都能有不错的预判,体现了其在股价预测方面的泛化能力,并在误差控制、准确性方面都有提高,可为今后投资者预测股价提供一种可靠工具。     

基于注意力神经网络的燃料电池寿命衰减预测

发展氢燃料电池是实现低碳经济的重要途径，然而主流的质子交换膜燃料电池(PEMFC)的安全性、高成本和耐久性制约了其商业化发展，PEMFC的有效寿命预测可望提高其可靠性、可维护性及降低总使用成本，已成为燃料电池行业和学界共同关注的重要问题。PEMFC因其复杂的物理化学过程、环境条件和工况，以及数据存在噪音、高度非线性关系，为寿命预测带来巨大挑战。现有模型驱动的预测方法过于复杂而不实用，而数据驱动的统计分析方法、传统机器学习方法，受制于信息丢失风险和有限拟合能力，预测精度还有待提升。深度学习因其强大的非线性拟合能力和灵活的建模方式，成为该领域主流方法。然而常用的循环神经网络在长序列上的全局学习能力不足，而Transformer模型受制于有限样本量而易于过拟合。因此，本文结合长短期记忆神经网络(LSTM)、1维卷积神经网络(1D-CNN)等方法的特点和局限性，提出了一种新型的复合深度神经网络AACNN-LSTM(attention after CNN-LSTM)。该方法借助1D-CNN进行平滑和滤波，通过LSTM层进行多维向量间的时序关系学习，最后引入注意力机制(Attention)模块，从...     

基于贝叶斯正则化的TDBPNN模型在中国外贸预报中的应用及评估

基于相空间重构的非线性预报思想,建立一个时滞的BP神经网络模型(TDBPNN),采用贝叶斯正则化方法提高BP网络的泛化能力,并将该模型应用于中国进出口贸易的预测,结果证明改进的TDBPNN模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。区别于一般的预测评价,认为非线性预测不仅要注重数据拟合和精度改进,而且应该能够反映被预报系统的非线性特征。在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于小波包和神经网络的股票价格预测模型

股票价格是大量因素影响的综合结果,波动规律异常复杂,即使是神经网络这样强大的非线性预测工具也不堪胜任对其的准确预测。本文利用小波包理论将价格波动序列最优地分解为一系列规律较易掌握的子波动,对原始价格波动的预测也就分成神经网络对各子波动的预测。实证研究结果表明,这种小波包和神经网络相结合的股票价格预测模型预测精度明显高于小波和神经网络相结合以及直接利用价格波动预测的同类神经网络模型。     

一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

一种基于组合神经网络的时间序列预测方法

本文探讨了神经网络时间序列预测模型的建立机制有其的构造方法，同时，为了消除模型的系统偏差，提出了构造辅助神经网络用以对原有模型的预测结果进行了校正以减小其误差。并对外汇汇率数据进行了模糊构造和预测。结果表明，组合神经网络在模型的拟合精度和预测准确性方面有都有提高。     

基于EEMD-LSTM的农产品价格短期预测模型研究

本文将集成经验模态分解(EEMD)方法与长短期记忆网络(LSTM)相结合，构建了一个端到端的农产品价格短期预测模型。首先，对原始价格信号进行EEMD分解，得到若干IMF子序列和一个残差序列；然后，运用Fine-to-coarse高低频重构方法对IMF子序列进行高频—低频重构；最后将原始价格序列、高频项、低频项和残差趋势项作为特征，输入到LSTM网络进行训练得到预测模型。本文以广州市江南农副产品市场的富士苹果日价格为例进行实证分析，结果表明，本文提出的EEMD-LSTM模型在农产品价格短期预测问题上具有一定的性能优势。     

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型，简称FEPA，由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集，应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF），然后通过主成分分析将分解后的数据降维，提取最有信息量的特征；然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想，有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达，提供了今后融合更多信息的算法接口；2）通过多步长预测输出深入研究EMD分解的有效信息结构；3）通过切换到更细时间框架来处理EMD的端点效应，并探索了两级时间框架下的预测效果；4）给出了金融时间序列组合预测模型的一般性架构，具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证，结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%，在澳大利亚股指日线上也达到了74%的命中率，经比较，明显高于文献中常见的5种模型。     

图嵌入下稀疏低秩集成预测的多因子资产选择策略

面对金融市场的大量不确定性因素，如何合理选择有效的定价因子并构建科学的资产定价体系，一直是金融理论研究的核心问题之一。本文利用图嵌入的方法，基于稀疏表示和低秩表示策略，深度挖掘潜含在数据集中的内在结构，构建了能够同时揭示数据局部结构信息和全局结构信息的集成学习策略，以实现不同维度的多源数据融合。从CAPM和APT理论出发，通过集成预测的方法构建量化多因子资产选择模型，代表性地选择了卷积神经网络、梯度提升决策树、时间序列及支持向量机等模型进行单一预测,并通过稀疏低秩的图近似最小二乘回归集成策略进行优化。实证结果表明基于集成预测的稀疏低秩策略其资产选择能力更强，超额收益率更高。采用机器学习的非线性预测方法更有利于揭示金融系统的复杂特性。实证结论对投资组合管理具有重要指导意义。     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

基于小波分析的石油价格长期趋势预测方法及其实证研究

本文将小波方法引入到油价长期趋势的预测中,利用小波多尺度分析的功能,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势,从总体上把握油价的非线性波动特征,从而能够很好地利用油价时间序列的历史数据,开展对未来一段时期内的多步预测。实证研究中,对Brent油价开展了时间跨度为1年的趋势预测,并将预测结果与ARIMA、GARCH、Holtwinters等方法得到的结果进行了比较,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的,反映了本文所建立的石油价格长期趋势预测方法的有效性。     

Simulating the Linkages Between Economy and Armed Conflict in India With a Long Short-Term Memory Algorithm

This article analyzes the linkages between the economy and armed conflict in India using annual frequency data for the period 1989–2016, the maximum time period for which consistent data are available for the country. An adequate set of economic indicators was established to fully reflect the economic condition. Long short-term memory (LSTM), which is a machine-learning algorithm for time series, was employed to simulate the relationship between the economy and armed conflict events. In addition, LSTM was applied to predict the trend of armed conflict with two strategies: multiyear predictions and yearly predictions. The results show that both strategies can adequately simulate the relationship between the economy and armed conflict, with all simulation accuracies above 90%. The accuracy of the yearly prediction is higher than that of the multiyear prediction. Theoretically, the future state and trend of armed conflict can be predicted with LSTM and future economic data if future economic data can be predicted.     

季节型增长趋势电力消费预测研究：基于中国的实证分析

以我国月电力消费量为例,研究了季节型增长趋势中长期电力指标的预测问题。提出采用离散小波变换对季节型增长趋势历史数据进行分解并对各频率分解系数分别进行重构,在剔除随机性波动后,将长期增长趋势及各规律性波动趋势通过RBF网络进行趋势外推预测,进而通过对不同趋势预测结果进行组合得到电力消费量的预测值。实证分析表明,经过离散小波分解处理后,RBF网络样本的规律性得到增强,其在有效模拟非线性变化规律的同时,泛化能力得以提高,因而具有较好的预测精度。     

基于RBF神经网络的财产保险公司全面风险预警系统研究

在尝试提出我国财产保险公司全面风险预警指标体系的基础上,利用RBF神经网络构建了财产保险公司全面风险预警模型。然后,对预警信号提出了相应的风险处理方案。最后,利用该RBF神经网络进行全面风险预警,结果表明该网络计算误差小、收敛迅速,网络具有良好的泛化能力。     

The Efficacy of Neural Networks in Predicting Returns on Stock and Bond Indices*

This paper uses two recently developed tests to identify neglected nonlinearity in the relationship between excess returns on four asset classes and several economic and financial variables. Having found some evidence of possible nonlinearity, it was then investigated whether the predictive power of these variables could be enhanced by using neural network models instead of linear regression or GARCH models. Some evidence of nonlinearity in the relationships between the explanatory variables and large stocks and corporate bonds was found. It was also found that the GARCH models are conditionally efficient with respect to neural network models, but the neural network models outperform GARCH models if financial performance measures are used. In resonance with the results reported for the tests for neglected nonlinearity, it was found that the neural network forecasts are conditionally efficient with respect to linear regression models for large stocks and corporate bonds, whereas the evidence is not statistically significant for small stocks and intermediate-term government bonds. This difference persists even when financial performance measures for individual asset classes are used for comparison.     

基于集成支持向量机的企业财务业绩分类模型研究

要想正确预测公司财务业绩,首先必须选择合适的预测方法。现有文献所采用的财务业绩预测模型普遍存在着泛化能力不强的问题。本文提出用支持向量机方法来预测我国上市公司的财务业绩。为了提高预测准确率,本文还用AdaBoost算法对支持向量机进行了改进(集成支持向量机)。在支持向量机核函数的选择上,我们采用了实验法,即对每个核函数及其相关参数的预测效果都进行了测算,以期找出最适用的预测模型。实证结果表明,径向基核函数(rbf)的效果最好,支持向量机方法预测准确率远远高于其它方法。     

基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。