聚类分析和因子分析在股票投资中的应用

随着我国股票市场的不断发展,股票投资已经成为我国投资者的主要投资途径,而且也将成为我国投资者的重要投资渠道.因此.他们必须重视上市公司的经营业绩,重视股票自身的品质,即重视投资对象的选择.     

基于神经网络的股票分类指数预测模型

证券市场中的主流预测方法有技术分析、基础分析、人工智能等。近年来,人工智能方法进展很快,尤其是神经网络技术具有快速简便、学习能力强的特点,受到不少预测专家的追捧。经典技术分析以均线系统为依托,主要以统计学等为基础。技术分析主要是通过图表或技术指标的记录,研究市     

权证定价中的神经网络方法

传统的参数模型定价方法,常常存在假设条件与现实不符的问题.神经网络方法针对该问题提供了一种全新的思路.文章利用径向基神经网络和BP神经网络对权证进行定价模拟,并用定量的指标衡量模型的优劣,研究发现神经网络方法优于传统方法,并且RBF模型优于BP模型.     

基于BP神经网络的综合职能部门绩效评价方法

文章针对当前综合职能部门绩效考核方法的不足,提出了基于BP神经网络的考核方法,构建了综合职能部门评价模型和KRIF模式下的指标体系,并描述了方法的应用过程。在此基础上,通过MATLAB中Neural Network工具箱对其进行模拟计算,并以某市烟草专卖局综合职能部门为例进行了实证研究。     

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。     

BP神经网络在杭州房地产市场预警中的应用

在现阶段房地产业快速发展的同时,有关"房地产市场是否过热"的问题越来越被大家所关注.但是对房地产市场是否存在"泡沫"的问题一直没有一致看法.文章主要尝试通过BP神经网络对杭州市历年的指标数据进行拟合,分析预测2004-2005年的数据.并通过黄色预警方法中比较成熟的统计预警法,来判断杭州市房地产市场现在和未来两年的综合情况.     

房地产价格时间序列预测的B P神经网络方法

文章阐述了BP神经网络的原理及其改进方式,提出了一种基于BP神经网络的时间序列预测方法。研究实例表明,无论是从拟合情况,还是检测、预测情况来看,该方法都有着很高的精度,可以作为房地产价格预测的一种行之有效的方法。     

证券投资中的统计方法

证券投资中用到的统计方法很多。本文从股票市场的实际操作入手,分析股票投资的每一个环节所用到的统计方法。通过浅显的分析说明运用这些方法进行股票投资的全部过程。重点说明证券投资的原理和步骤以及其中融合的统计方法,使得投资者能够使用这些方法进行证券分析,并且为股市理财提供参考。最后指出从将来的发展来看,统计方法将会越来越多地应用于对股市投资进行综合评价。     

随机指标在证券投资中的应用

证券投资中可供参考的技术指标多种多样,各具优缺点。由于随机指标在设计中充分考虑了价格波动的随机振幅与中短期波动的测算,同时又能够提供明确的买卖点,因此,随机指标在证券投资中,尤其是在短线操作上具有较高的参考价值。     

基于BP神经网络模型的企业绿色经营绩效评价方法

文章首先根据循环经济的有关理论,构建完成了包含经济绩效、环境绩效和社会绩效三个维度的企业绿色经营绩效评价指标体系;然后探讨了基于模糊数学评价的指标权重确定方法以及基于BP神经网络模型的企业绿色经营绩效;最后结合实施循环经济的样本企业进行了实证分析,对循环经济视角下企业绿色经营绩效的整合性评价模式进行了探讨。     

房地产估价研究：BP神经网络区间估算法

房地产行业中房产的准确估价是一个关键的问题。文章提出了一种新的估价方法-BP神经网络区间估算法,讨论了网络结构和学习算法。计算实例表明,该方法提高了房地产价格评估的客观性与可靠性。     

基于BP神经网络的S＆P500指数期权定价

期权定价理论源于影响期权价格的变量和期权价格之间的非线性关系,传统的Black-Scholes期权定价公式过于严格的假设削弱了该公式在现实中的适用性,使其在理论与应用上均存在缺陷。因此,能够以任意精度近似复杂非线性系统的神经网络运用于期权定价。分别利用BP神经网络和Black-Scholes期权定价公式对S＆P 500指数看跌期权进行定价,实证结果表明BP神经网络的定价结果要优于Black-Scholes定价公式。     

基于神经网络的微型企业信用评估特征选择及其效果评价

征信机构采集到的所有微型企业信用信息变量并未都适合进行微型企业资信评估,文章设计了一种BP神经网络对此进行特征选择。该BP神经网络的训练基于前向序贯的特征选择算法,以输出层输出对输入值的灵敏度作为特征选择的依据,网络输出最小灵敏度对应的特征变量。通过设计概率神经网络对得到的结果进行仿真分析,信贷机构因此获得的利润比基于列联表分析的特征选择法高2／3。     

基于EMD和神经网络的非线性时间序列预测方法

现实生活中的时间序列,通常伴随着大量的噪声和高度的波动性。对于这些非线性时间序列,运用传统的统计和计量经济模型进行分析预测,预测结果往往不够理想。文章基于经验模态分解(EMD)和人工神经网络提出改进方法。主体思想是"先分再合":先用EMD方法分解非线性时间序列,得到一系列易于分析的独立的子系列,然后利用神经网络(FNN)对每一个子系列进行分析和预测,最后再用自适应线性神经网络(ALNN)整合并得出最终结果。结合具体房价时间序列实例,证实了这种方法的优势。     

BP神经网络在基本养老保险基金支付风险预警中的应用

尝试将BP神经网络引入基本养老保险基金的风险预警中,以期为其提供一种新的预警工具和方法。首先,建立了一套基本养老保险基金风险预警指标体系,构建了基于BP网络的基本养老保险基金风险预警模型;其次,采集1996年至2008年间的上海市各年度基本养老保险基金的历史数据对该模型进行了反复训练和学习,取得了误差率仅为3.86%的预测结果,说明该模型有很好的拟合度;最后,依据国际国内经验对基本养老保险基金的警情指标设置了五个警度输出区间。     

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。     

Temporal Disaggregation of Economic Time Series using Artificial Neural Networks

Several methods based on smoothing or statistical criteria have been used for deriving disaggregated values compatible with observed annual totals. The present method is based on the artificial neural networks. This article evaluates the use of artificial neural networks (ANNs) for the disaggregation of annual US GDP data to quarterly time increments. A feed-forward neural network with back-propagation algorithm for learning was used. An ANN model is introduced and evaluated in this paper. The proposed method is considered as a temporal disaggregation method without related series. A comparison with previous temporal disaggregation methods without related series has been done. The disaggregated quarterly GDP data compared well with observed quarterly data. In addition, they preserved all the basic statistics such as summing to the annual data value, cross correlation structure among quarterly flows, etc.     

Standardization of Process Norms in Baker's Yeast Fermentation through Statistical Models in Comparison with Neural Networks

Achieving consistency of growth pattern for commercial yeast fermentation over batches through addition of water, molasses and other chemicals is often very complex in nature due to its bio-chemical reactions in operation. Regression models in statistical methods play a very important role in modeling the underlying mechanism, provided it is known. On the contrary, artificial neural networks provide a wide class of general-purpose, flexible non-linear architectures to explain any complex industrial processes. In this paper, an attempt has been made to find a robust control system for a time varying yeast fermentation process through statistical means, and in comparison to non-parametric neural network techniques. The data used in this context are obtained from an industry producing baker's yeast through a fed-batch fermentation process. The model accuracy for predicting the growth pattern of commercial yeast, when compared among the various techniques used, reveals the best performance capability with the backpropagation neural network. The statistical model used through projection pursuit regression also shows higher prediction accuracy. The models, thus developed, would also help to find an optimum combination of parameters for minimizing the variability of yeast production.