金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

基于深度学习LSTM神经网络的全球股票指数预测研究

作为深度学习技术的经典模型之一，长短期记忆（LSTM）神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术，本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究，结果发现：①LSTM神经网络具有很强的泛化能力，对全部指数不同期限的预测效果均很稳定；②LSTM神经网络具有优秀的预测精度，相比三种对照模型（SVR，MLP和ARIMA），其对全部指数的平均预测精度在不同期限上均有提升；③LSTM神经网络能够有效控制误差波动，其对全部指数的平均预测稳定度相比三种对照模型在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势，其未来在金融预测中将有广阔的应用前景。     

基于机器学习LSTM&US模型的消费者信心指数预测研究

消费者信心指数等宏观经济指标具有时间上的滞后效应和动态变化的多维性,不易精确预测。本文基于机器学习长短时间记忆(Long Short-Term Memory,LSTM)神经网络模型,结合大数据技术挖掘消费者信心指数相关网络搜索数据(User Search,US),进而构建一种LSTM&US预测模型,并将其应用于对我国消费者信心指数的长期、中期与短期的预测研究,同时引入多个基准预测模型进行了对比分析。结果发现:引入网络搜索数据能够提高LSTM神经网络模型的预测性能与预测精度;LSTM&US预测模型具有较好的泛化能力,对不同期限的预测效果均较稳定,其预测性能与预测精度均优于其他六种基准预测模型(LSTM、SVR&US、RFR&US、BP&US、XGB&US和LGB&US);预测结果显示本文提出的LSTM&US预测模型具有一定的实用价值,该预测方法为消费者信心指数的预测与预判提供了一种新的研究思路,丰富了机器学习方法在宏观经济指标预测领域中的理论研究。     

递归预测器神经网络在中国金融市场的实证研究

金融时间序列预测是金融理论领域的研究热点之一。以金融市场中普遍存在的弱混沌为基础,对递归预测器神经网络在中国金融市场的预测应用进行实证研究。在网络训练上,提出用遗传算法优化网络的阈值、权值以及激发函数的幅值和斜率。对国内股票、期货和黄金市场中几个有代表性的品种进行实证检验,计算了预测均方根误差（RMSE）和预测精度（PA）,并和两种典型的神经网络预测模型——BP神经网络、径向基函数神经网络做了比较,结果表明该模型有较好的预测效果。     

基于技术分析、基本面分析和深度学习的股价预测

文章从深度学习技术角度出发,将技术分析指标、基本面分析指标与混合循环神经网络模型相结合构建新型股价预测模型,并提出滚动样本预测评价法检验股价预测模型的长期有效性。研究发现,相较于以往研究模型,基于LSTM模型和GRU模型构建的混合循环神经网站模型能更有效地提取技术分析指标和基本面分析指标的数据特征,从而给出预测个股股价的最优网络结构;该混合循环神经网络模型在长期预测上具有更高的预测精度。     

遗传支持向量机及其在人民币汇率变动方向预测中的应用

文文章基于金融时间序列的近期数据对未来的影响会大于早期数据,对应用于金融时间序列预测的支持向量机方法进行了改进,给出了不等权重支持向量机方法（USVM）及其多项式光滑化处理;将不等权重支持向量机方法应用于训练样本集的子集确定预测模型,给出了遗传不等权重支持向量机方法（GAUSVM）;对GAUSVM应用于汇率变动预测的实证分析发现,通过利用遗传算法对预测模型选优能够有效地提高USVM预测效果,加强其数据挖掘的功能。     

应用不等权重支持向量机预测人民币汇率的变动

基于金融时间序列的近期数据对未来的影响会大于早期数据,对应用于金融时间序列预测的支持向量机方法进行改进,给出了不等权重支持向量机方法（USVM）及其多项式光滑化处理。将不等权重支持向量机方法应用于训练样本集的子集确定预测模型,实证分析表明USVM算法预测是有效的。     

小波包与贝叶斯LS-SVM在石油价格预测中的应用

掌握国际石油价格变化趋势,可以为决策者提供决策依据.文章提出了基于小渡包和贝叶斯推断的最小二乘支持向量机石油价格预测方案.对石油价格时间序列进行小渡包分解与重构,采用贝叶斯推断对得到的各近似序列和各细节序列进行最小二乘支持向量机模型参数优化,再分别利用优化了的模型进行预测,合成得到最终预测结果.对美国纽约商品交易所原油价格进行仿真实验,结果表明该方法很好地改善了石油价格预测模型的运行速度与预测精度.     

基于优化LSTM模型的股价预测方法

为了提高金融时序预测的准确性及泛化性，文章提出了基于主成分分析法和注意力机制来优化长短时记忆模型（PCA-Attention-LSTM）的消费行业板块指数预测方法。首先对指数日常数据生成技术指标，然后通过主成分分析法提取重要特征，根据长短时记忆神经网络（LSTM）学习输入特征的内部变化规律，并利用注意力机制计算LSTM隐层状态的不同权重，最后结合注意力权重和LSTM神经网络进行指数预测。结果表明，优化后的LSTM模型对消费行业板块指数走势具有较强的预测能力。此外，在预测方法的基础上引入了股票的异同移动平均线和均线指标，提供了一种每日轮动自动捕捉交易点的短频量化交易策略。     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

金融时间序列预测模型——基于离散小波分解与支持向量回归的研究

建本研究结合小波转换与支持向量回归,提出一个二阶段时间序列预测模型。先以离散小波分解与重组对金融时间序列数据进行预处理,再以SVR建立预测模型。     

基于改进灰色模型的售电量预测分析

售电量的科学预测对配电商生产规模的调整及营销决策具有重要意义。传统的灰色预测模型只对于光滑度高的原始数据列具有较高精度。采用提高原始数据列光滑度的方法提高灰色预测模型的精度，利用函数[a^-x^m]^N（α〉1，m〉1，N〉1）对原始离散数据列{x^（0）（k）}进行变换，结果证明该变换与已有提高数据列光滑度的变换相比具有优越性。将该方法应用于电力公司售电量的预测，与传统灰色预测方法比较，精度显著提高，并对预测结果进行分析。     

基于奇异谱分析的汇率预测研究

文章详细介绍了奇异谱分析(SSA)这种用于处理时间序列数据的方法,并用其对欧元兑美元汇率进行了分析和预测。将预测结果与随机游走模型进行比较的结果表明,该方法优于随机游走模型,且预测精度较高。     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

基于小波分解的汇率预测模型实证研究

基于人们的预期对汇率的影响及汇率变动中包含不同频率成分的原因,文章采用小波分解和人工神经网络(ANN)相结合的方法建立汇率预测模型,首先将原始汇率数据序列分解为不同频率序列,然后利用ANN方法针对分解后的序列分别建立模型,将每个模型预测的结果相加得到汇率的预测值.实证结果发现:(1)小波分解方法有助于提高汇率预测的精度,表明汇率变动是由不同频率成分组成并且人们预期对汇率变动具有一定的影响;(2)汇率预测中不同的神经网络模型具有不同的性能,在建立预测模型时应该慎重考虑选择的神经网络类型及其参数.     

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性.研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能.     

基于Cramer法则的区间灰数预测模型参数优化方法研究

以改善区间灰数预测模型的模拟及预测性能为目的,对区间灰数预测模型的参数优化方法进行研究,应用Cramer法则推导了核序列GM(1,1)模型通用形式的参数无偏估计新方法,从理论上证明了新方法对非齐次指数"核"序列的模拟无偏性,并在此基础上构建了一种新的区间灰数预测模型;通过与优化前的区间灰数预测模型模拟精度进行比较,结果表明新模型具有更为优秀的模拟及预测性能。此研究成果对丰富和完善灰色预测模型方法体系与拓展灰色模型应用范围,具有积极意义。     

中国棉花产量的时间序列预测模型

时间序列分析预测的首要任务是辨识影响时间序列的项目因素,这个辨识过程称为分解。每个项目的辨识都独立进行。完成分解后的各项目再度组合,由此途径来分析预测时间序列的未来值时间序列分析预测的主要任务就是对时间序列的观察样本建立尽可能合适的分析预测模型。     

基于层次结构模型的小样本组合预测建模

由于待预测变量所属系统的整个层次结构都携带了变量的有关信息，文章用变量的层次鲒构信息构建了组合预测模型。在建模的过程中，文章针对待预测变量过度分解（向下结构）受噪声影响较大而过度综合（向上结构）信息损失较大的特点，仅对待预测变量向上一层综合结构和向下一层分解结构进行建模，并对综合和分解后的相关各子项分别建立预测模型；再将每种综合或分解子项预测结果还原为待预测变量的预测结果；最后将不同层次结构得到的待预测变量预测结果和直接进行预测得到的预测结果进行组合预测建模。     

基于改进的Grey-Markov对区域碳排放市场价格的预测

文章采用灰色预测法刻画碳价的发展趋势,运用马尔科夫(Markov)理论刻画碳价的随机波动特性,使用并改进Grey-Markov模型预测碳价波动.通过比较其与传统金融时间序列预测模型GARCH的结果,发现改进的Grey-Markov模型能够提高预测的精度.