一次基于平均策略的判别财务危机试验

文章基于平均策略,使用BP神经网络对贝叶斯判别、费歇尔线性判别和logistic回归判别财务危机的输出新变量进行加权平均再判别,并和单一方法判别的效果比较。应用双层分类器做了一次财务危机判别的新尝试。     

消费者网上购物意向的灰色神经网络预测模型

本文结合文献中消费者网上购物意向的实际调查资料,基于灰关联分析方法,解析了各影响因子对消费者网上购物意向的影响程度。以反映消费者网上购物意向的各影响因子作为输入变量,以网上购物意向的专家评价作为输出数据,采用27-55-1层结构,建立了基于BP神经网络预测模型。     

基于主成分BP神经网络的油田产量预测研究

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精度,在复杂经济时间序列的预测中有一定的应用前景。     

财务危机预警模型及其实证研究

财务危机的预测一直是各方关注的焦点。本文合理地选择指标,建立了基于径向基概率神经网络的上市公司财务危机预测模型。实证研究表明:基于RBF的概率神经网络与BP神经网络的预测精度接近,但是其训练速度大大提高,同时减小了BP陷入局部极小的问题。     

基于som网络-主成分-BP网络的股价预测

文章提出一种基于som网络-主成分-BP网络预测模型,用于股市收盘价的实时预测。首先采用som神经网络将特性分散的样本划分成不同的子类,然后采用主成分分析方法对影响目标数据的众多变量进行降维处理,在此基础上,构建了股市收盘价的BP神经网络预测模型,大大改善了预报的精度和效率,通过对采集的股市数据进行测试,表明本文提出方法的有效性。     

湖北省城镇居民住房需求预测模型与实证

文章使用1995～2010年的湖北省宏观经济指标数据作为住房需求影响因素,分别应用BP神经网络和基于主成分分析的BP神经网络对湖北省城镇居民住房需求进行了预测和对比.研究表明基于主成分分析的BP神经网络可作为预测城镇居民住房需求的一种行之有效的方法.最后,提出了进一步研究的展望和建议.     

基于投影寻踪和BP神经网络的多因素预测模型

文章运用投影寻踪方法,在不改变训练样本分类质量的条件下,按照输入影响因素相对于输出的重要度的大小,确定BP神经网络的输入层变量维数。通过对样本的学习,建立投影寻踪BP神经网络(PPCBPN)多因素预测模型,将其用于国际黄金价格预测。结果表明,该方法减少了网络的训练时间,改善了学习效率,具有较高的预测精度,是可行和有效的。     

油田产量的最优加权组合预测方法

文章利用因子分析法,对影响油田产量的多个因素进行分析.最终用较少的变量代替原来各因素.然后基于BP神经网络方法和多元回归预测方法,建立最优加权的组合预测模型.对油田的产量进行预测.经验证,组合后的模型比单一模型预测效果更好,对实际生产有一定的指导意义.     

区域出口贸易非线性混合预测模型及其实证

混合预测模型由于能够反映事物变化的线性和非线性特征,而在预测领域得到了广泛的应用。本文针对区域出口贸易的特点建立了一种基于BP神经网络和误差校正向量自回归模型的的非线性混合预测模型,应用于区域出口贸易预测,得到了较好的预测效果。由于该模型能够反映经济系统中各变量的长期均衡关系,同时非线性的协整变量能够反映出经济系统其他变量的短期波动对预测变量的影响,因此该模型适合于经济变量的预测。     

基于BP神经网络的个体定税预测模型

本文研究了个体定税预测模型问题。简要介绍了BP神经网络的结构,通过分析影响个体定额定税的主要因素,提出了基于BP神经网络的个体定税预测模型。运用MATLAB7.0对样本数据进行了仿真,结果证明了模型的正确性与适用性,并对该模型进行了分析评价。     

基于BP神经网络的信息商品价格预测模型

从信息商品价格的特点和BP神经网络的功能出发,借助样本训练集和改进的BP算法提出了基于BP神经网络的信息商品价格预测模型,并对模型的泛化精度进行了讨论,最后进行了仿真实验.     

基于首末位质量因子的BP神经网络财务风险预警模型

上市公司往往存在粉饰财务数据来美化企业经营状况的动机,这会降低财务风险预警模型预测的准确性。文章利用Benford律和Myer指数两种数据质量评估方法,构建Benford和Myer质量因子,引入BP神经网络模型,构造BM-BP神经网络财务风险预警模型;并进一步利用2000—2019年中国A股上市公司数据,评价数据质量因子对财务风险预警模型预测准确性的影响,分析新模型预测准确性的稳定性。实证分析结果显示:Benford和Myer质量因子提高了BP神经网络财务风险预警模型预测的准确性;在不同质量因子的比较结果中,包含评选指标Benford和Myer质量因子的BP神经网络财务风险预警模型具有较高的预测准确率和较低的二类误判率,稳定性良好;利用决策树算法筛选指标有效提高了新模型的预测准确性。     

改进BP神经网络在经济预测中的应用

针对传统BP学习算法收敛速度慢、对步长依赖明显等缺点，提出一种利用搜索较优步长的BP算法。其在网络训练中，能够在每次迭代中搜索出一个相对合理的步长，从而使步长的选择对学习速度的影响大大降低。对经济预测仿真结果表明，新算法对步长选择的依赖性小于传统BP算法。     

Bayesian neural tree models for nonparametric regression

Frequentist and Bayesian methods differ in many aspects but share some basic optimal properties. In real-life prediction problems, situations exist in which a model based on one of the above paradigms is preferable depending on some subjective criteria. Nonparametric classification and regression techniques, such as decision trees and neural networks, have both frequentist (classification and regression trees (CARTs) and artificial neural networks) as well as Bayesian counterparts (Bayesian CART and Bayesian neural networks) to learning from data. In this paper, we present two hybrid models combining the Bayesian and frequentist versions of CART and neural networks, which we call the Bayesian neural tree (BNT) models. BNT models can simultaneously perform feature selection and prediction, are highly flexible, and generalise well in settings with limited training observations. We study the statistical consistency of the proposed approaches and derive the optimal value of a vital model parameter. The excellent performance of the newly proposed BNT models is shown using simulation studies. We also provide some illustrative examples using a wide variety of standard regression datasets from a public available machine learning repository to show the superiority of the proposed models in comparison to popularly used Bayesian CART and Bayesian neural network models.     

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。     

神经网络方法在股票投资中的应用

日益膨胀的股票市场信息远超出人们的处理能力，股票价格变得越来越难以预测。神经网络方法可以模拟人工智能处理海量信息。提高对股票市场的预测水平。运用中国1998-2005年股票市场数据，利用梯度下降法拟合了一个BP神经网络模型，在实证过程中重点讨论预测过程中出现的分类标准、过抽样、过度训练等问题。认为正确运用神经网络方法可以提高预测分析效果，神经网络模型可以谨慎地作为一种股票投资分析方法加以运用。     

Multi-factor prediction of water flooding efficiency based on a time-varying system

ABSTRACT

The neural network prediction method gets good historical matching between prediction indices and influence factor indices, while the differential simulation prediction method can reflect the changing trend of prediction indices; considering these new traits, a new multi-factor prediction method is proposed to organically combine these two prediction methods. At first, the input–output relation between water flooding efficiency in ultra-high water cut stage and their influence factors is viewed as a time varying system, then the BP neural network is introduced in parameter identification of differential simulation to obtain a new multi-factor prediction method of functional simulation based on the time varying system. This new prediction model has got good self-adaptability since its parameters change by time. Moreover, it has better results in the mid-long-term water flooding efficiency prediction because the non convergence problem appeared in the coupling process can be overcome in the training process of the neural network by variable learning rates. In the end, practical output prediction cases in two different oilfield blocks in China are given. The computational results show that the prediction results obtained using the new multi-factor prediction method are in good agreement with the reality, even much better than the results obtained by other prediction methods.     

基于椭圆概率神经网络的企业财务危机预警

在国际经济一体化的大环境下,随着企业竞争的日趋激烈,企业进行财务危机的预警显得尤为重要。基于椭圆概率神经网络的财务危机预警方法是概率神经网络的改进,考虑代表输入变量重要性的变量权值、代表样本有效范围的核宽倒数及代表样本可靠程度的数据权值,利用该方法对企业财务危机进行预测。实证分析结果证明：此方法的优越性有较高的预测准确性,能够为中国资本市场的发展提供很大的帮助。     

信用评分模型应用比较研究——基于个体工商户数据的检验

信用评分是各类机构进行信用管理的有效工具,有着广泛的应用前景。随着计量技术的发展,信用评分方法也不断革新,为实际应用提供了多种选择。选取Logistic回归、分类树两种统计方法及代表信用评分发展趋势的人工智能神经网络中的多层感知器、径向基网络、自组织特征映射网络、支持向量机等共六种模型,运用较大样本量的个体工商户数据在一致的框架下进行检验。结果表明：Logistic回归模型与支持向量机两种方法在错分率、稳定性及适用性方面较为优越,其中支持向量机作为人工智能评分方法的最新应用之一,其综合性能更为突出。