基于误差校正的灰色神经网络股票收益率预测

在股票市场中,准确的股票收益率预测是市场交易各方共同关心的重要问题。由于影响股票市场的因素十分复杂,仅靠建立单一的股票收益率预测模型来提高预测精度是非常困难的。本文对当前股票收益率预测方法存在的不足进行了阐述,并提出了以误差校正来提高股票收益率预测精度的新思路。首先,利用训练样本构建灰色神经网络模型,然后对股票收益率进行初步预测;其次,引入EGRACH模型来挖掘和分析预测误差序列的内部信息,并对该序列后续点进行预测;最后,利用误差预测结果对股票收益率的初始预测值进行校正。文章以上证综合指数数据为例进行分析,结果显示,与校正前的预测精度相比,校正后的预测精度提高了9.3%,表明EGRACH的误差校正过程是有效的,也验证了该方法的可行性。     

基于神经网络的备件库存风险级别预测

本文提出了一种基于神经网络的备件库存风险级别分类方法,在对备件的供货来源、重要性、易损程度、标准化程度、供货周期等指标进行模糊评价的基础上,建立了多层前向神经网络模型,利用BP训练算法,确定神经网络模型的连接权系数。将某测井服务公司100种备件的历史数据作为样本,进行了BP训练仿真,并利用模型预测了该公司60种备件的库存风险级别,预测结果与实际结果的符合率为84%。     

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi-stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.     

基于CW-RNNs网络的手势识别算法

该文在分析表征手势特征和神经网络理论基础上,根据手运动轨迹的连续性规律来研究适用于手势识别的关键技术——基于手势轨迹模型的新型神经网络算法。针对手势识别的模糊性和准确性问题,基于手势局部区域跟踪结果,采用一种新型神经网络算法,实现用于人机交互的动态手势识别。手势识别部分的研究是采用一种新型的循环神经网络(CW-RNNs)对手势运动的轨迹进行识别。根据跟踪部分提取的手指运动轨迹坐标,定义手势模版,采用该方法对手势模版进行学习。首先定义连续动态手势模版,采用时间频率循环神经网络对手势模版进行学习,对每组孤立的动态手势模版进行学习,形成手势识别模型。对影响CW-RNNs模型的因素进行了实验验证和深度分析,通过与多层RNNs、三层RNNs的识别效果进行比较,论证了本文模型对手势轨迹模版识别的优越性。     

投资者付费评级机构跟踪能改善股票市场信息质量吗——来自分析师预测的证据

“投资者付费”模式能够提高债券市场信息效率,本文研究了其对股票市场信息质量的影响。本文利用2010年投资者付费评级机构中债资信成立这一外生冲击,以分析师预测度量股票市场信息效率,发现投资者付费评级机构的跟踪降低了分析师预测偏误、分歧度与乐观偏差。上述结论对一系列替换设定稳健。机制上,投资者付费评级机构跟踪提高了企业的信息披露质量,进而影响分析师预测表现。在控制了信用评级质量改善与投资者付费评级机构自有信息等潜在机制后,信息披露质量改善的机制仍然存在。进一步看,分析师跟踪人数并没有减少,分析师预测的公共信息增多,而投资者付费评级提高分析师预测表现的作用在拥有公共信息少的分析师组中更加显著;这意味着信用评级机构向分析师提供了可以利用的公共信息。本文为债券和股票市场的信息传递提供了直接的证据,同时也为政府监管部门加强债券市场基础设施建设、引入双评级制度及提高投资者付费评级跟踪比例来促进股票资本市场与多层次资本市场发展提供了理论支持。     

中国债券评级变动峭壁的投资信息价值研究

基于“债股联动”的视角,实证分析了中国债券市场信用评级变动峭壁（即评级变动超过１级）的股票投资信息价值．事件研究法的结果表明,中国债券信用评级上调峭壁具有明确的投资信息价值,上调峭壁出现之后的２０个交易日内累计异常收益上涨3.62％．这一发现挑战了国际文献中关于信用评级上调不具有信息价值的结论．下调峭壁的信息价值不仅表现在下调之后股票异常收益跌幅深,还表现在下调峭壁的信息价值一直持续到下调之后的９０个交易日,该结果丰富了信用评级下调信息价值的文献．此外,利用２００８年～２０１８年全部Ａ股股价周收益率进行实证分析,给出了中国股票定价存在信用评级上调峭壁因子和下调峭壁因子的证据．     

股东联结网络影响股价联动关系吗?北大核心CSSCI

本文从信息扩散和关联交易的角度,实证研究股东联结网络对股价联动关系的影响。本文发现:股东联结网络对股价联动关系有显著正向影响,股票间的股东联结越强,则股票间的相关系数越大,股东联结网络反映了股票间关联交易联结和信息扩散路径而影响股价联动关系,同时行业、公司规模和市盈率特征也是股价联动关系的影响因素,同行业、公司规模和市盈率特征越相似的公司,其股价联动越紧密。进一步研究表明:越处于股东联结网络中心位置、价格越低和每股收益越高的股票,其股价走势对其他股票股价走势的影响更大。实证结果意味着投资者组合配置内生性的影响股票市场的联动关系结构。     

投资者异质信念与上市公司盈余信息的甄别——基于A-H股分割市场的实证分析

本文采用2002-2006年A-H股市场季度盈余信息披露前后股票超额收益的面板数据分析,研究了投资者异质信念对股票定价的影响。研究认为:中国大陆会计准则执行的结果与国际会计准则执行的结果没有明显差异;A股、H股投资者能够正确识别各自交易所披露的盈余信息;A股市场存在明显的盈余公告前私人信息,并且这种信息对股票定价的作用一直持续到盈余公告后,国外投资者的信息获得劣势仍然比较明显;以机构投资者为主体的H股市场在信息处理能力上高于以个人投资者为主体的A股市场;投资者的异质信念显著影响股票定价;交易机制是导致分割市场间股票定价差异化的原因之一。     

股吧个体信息交互对股价联动关系的影响研究

以往股价联动的影响因素研究主要基于社会嵌入理论，认为机构持股等上市公司社会关系的信息扩散功能是重要因素之一． 但中国沪深股票市场中小投资者居多，个体投资者在社交媒体上的信息交互行为对股市联动性的影响日益凸显． 采用东方财富网股吧用户数据，基于有效信息理论和社会嵌入理论，深入探讨微观个体行为对股价联动的影响． 研究结果表明: 在基于信息交互行为构造的信息扩散网络中，连边的权重越大，对应股票间的价格相关系数越大; 社交媒体中个体大量、频繁的发帖或回帖等信息交互行为，可以促进股票信息扩散，从而影响股价联动关系; 此外，个体的信息流量对股价联动具有预测作用． 上述结论表明基于个体信息交互行为的股票信息扩散，是影响股价联动的另一重要因素． 该结论有助于深化对股票市场风险传导根本原因的认识，为我国沪深股票市场的风险管理提供理论指导．     

基于自组织算法的改进型GAANN预测模型

在传统的基于GA算法人工神经网络的基础上作了改进,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构。针对复杂系统建模输入节点难以确定的问题,提出将其与自组织理论相结合,首先使用GMDH方法获得神经网络的初始化节点,然后使用训练好的神经网络模型进行预测。最后,将由此建立的预测模型应用于国家粮食产量预测,取得了令人满意的效果。     

中国股票市场技术分析非线性预测能力的实证检验

运用前向人工神经网络方法对我国股票市场技术分析非线性预测能力进行了实证检验.发现基于移动平均规则的人工神经网络模型具有明显高于AR模型和各种移动平均规则线性模型的样本外预测能力.为解释技术分析方法具有非线性预测能力的原因,本文构建了一个基于异质市场假说的移动平均规则非线性模型,发现该模型的预测能力远高于其它非线性模型.表明我国股票市场存在异质性特征,技术分析方法能捕捉到不同类型投资者之间非线性的相互作用关系可能正是其具有非线性预测能力的原因.     

基于BP神经网络的电子政务绩效评价研究

在构建电子政务绩效评价指标体系的基础上,提出了一种基于BP神经网络的电子政务绩效综合评价方法。神经网络方法有效克服了现有专家评价方法的不足,为评价电子政务系统的建设质量、成本耗费及绩效水平提供了一种新的模型。     

An analysis of a hybrid neural network and pattern recognition technique for predicting short-term increases in the NYSE composite index

We introduce a method for combining template matching, from pattern recognition, and the feed-forward neural network, from artificial intelligence, to forecast stock market activity. We evaluate the effectiveness of the method for forecasting increases in the New York Stock Exchange Composite Index at a 5 trading day horizon. Results indicate that the technique is capable of returning results that are superior to those attained by random choice.     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

基于遗传技术辅助设计的神经网络期货市场预测

本文在对期货市场的历史数据进行预分析的基础上,建立了神经网络期货市场预测模型．文中不仅对神经网络进行了改进研究,还利用遗传技术优化网络的结构和参数．运运实例对模型进行学习与测试的实验结果表明,利用遗传技术辅助设计的神经网络预测模型能较准确地预报期货价格的波动趋势.     

基于元模型的异质交易行为主体下股票市场微观结构仿真研究

股票市场由大量具有不同的理性程度、行为偏好以及操作策略的异质类型交易者所构成的,这些交易者汇聚在一起相互作用,以自组织的方式涌现出诸多复杂的宏观金融市场现象。基于主体建模思想,从交易媒介、交易活动以及交易者行为三个层面进行设定,构建模拟真实市场交易的人工股票市场元模型。其中交易者(Agent)按其行为偏好分为风险厌恶型、损失厌恶型、过度乐观型、保守型、过度乐观的损失厌恶型以及保守的损失厌恶型6类;交易策略则分为基础交易者、趋势交易者、零信息交易者和自适应型交易者4类。不同的行为偏好和交易策略自由组合形成代表性异质交易者,并在交易环境的约束下相互作用推动市场的演化。以我国沪深300指数实际数据为参照,采用AnyLogic系统环境下优化算法对模型参数赋值并进行敏感性分析,发现股票市值和波动率之间不存在直接的联系,且所有交易者的总财富值在无风险利率改变的条件下差别不大,这意味着我国金融市场很大程度上是一个零和游戏过程,有效市场假说在市场运行的宏观层面成立。而在微观层面,不同类型交易者的财富分布均值明显不同,说明交易者的操作策略和行为偏好直接决定了其财富状况。     

基于动态无标度网络的信息策略与羊群行为演化研究

传统的人工股票市场效率不高,对投资者的异质性假设缺乏经济学含义,更没有考虑市场中广泛存在的羊群行为的影响。本文以国外期权市场异质信息交易者模型为基础,结合互联网金融特点在传统人工股票市场中引入异质信息策略与动态无标度人际关系网络刻画的羊群行为构建出新的人工股市模型,进行投资者的信息策略与羊群行为演化研究,对比分析不同机制的引入所带来的影响,揭示动态关系网络环境下信息策略演化结果。研究发现：一方面,信息策略演化机制的引入加快了市场均衡速率并提高了市场效率,同时也大大降低了投资者财富水平并拉大了财富差距;信息策略与羊群行为的演化并不会导致投资者完全向内幕信息交易者聚集,高、低信息档次投资者明显居多且其他信息档次投资者仍然存在。另一方面,动态关系网络下羊群行为的引入增强了投资者的被传染程度,并进一步缩小了财富差距且显著提高了内幕信息的扩散质量与效率。所以,互联网关系网络环境下高、低信息档次投资者占据相对优势,但其他信息档次投资者并不会被挤出市场;监管部门在努力寻求高市场效率的同时,也应在投资者财富与社会总财富等方面进行适当权衡。     

非线性协整建模研究及沪深股市实证分析

讨论了线性协整和非线性协整的涵义,指出在非线性系统中,非线性协整可以更好地刻画多个时间序列之间的均衡关系.提出了利用小波神经网络逼近非线性协整函数的方法,并给出了训练小波神经网络的变尺度算法.最后利用上海和深圳股指数据进行了实证研究,通过与BP神经网络的比较,证实了小波神经网络在非线性协整建模中的有效性,并说明沪深股市之间存在着非线性协整关系.     

基于人工神经网络的建筑物成新度评估

本文针对建筑物成新度评估存在的问题,利用人工神经网络理论,首次建立了建筑物成新度评估的人工神经网络模型,测试表明系统性能良好。