股票市场波动预测的ARCH族模型选择

文章基于单步向前预测法,寻找对不同ARCH族波动预测模型进行选择的方法和评判标准,并以上证指数为例,根据有关评判标准,寻找适合我国股市的ARCH波动预测模型。     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

宏观经济景气指数与上证指数的互动性研究

文章选取2004年3月至2015年5月的月度数据,分析股市与宏观经济之间的动态关系.在对股票指数与相应影响因素的描述性分析基础上,选择上证指数、宏观景气指数和CPI指标,进行了计量分析并建立向量误差修正模型.结果显示,CPI对上证指数影响较大,且不断增加,宏观景气指数对上证指数产生正的冲击,但作用较小.     

上证指数预测摸型——基于二次规划最优组合的神经网络方法

文章利用主成份分析构造神经网络输入矩阵:利用Bagging技术和不同神经网络算法生成一组神经网络个体:最后用二次规划最优组合方法,计算各集成个体的最优非负权系数进行组合集成,生成输出结论,以此建立股市预测模型.通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好,易于操作.     

灰色系统理论模型在耕地需求量预测中的应用

文章将灰色关联度模型应用于耕地利用变化的驱动力定量分析,并采用灰色系统预测法对耕地需求量进行预测.通过实证分析表明:灰色关联度模型能够较好地选出耕地利用变化的主要驱动力因子,灰色系统预测模型耕地需求量定量预测可行,且精度较高.     

上证指数预测模型——基于二次规划最优组合的神经网络方法

文章利用主成份分析构造神经网络输入矩阵;利用Bagging技术和不同神经网络算法生成一组神经网络个体;最后用二次规划最优组合方法,计算各集成个体的最优非负权系数进行组合集成,生成输出结论,以此建立股市预测模型。通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好,易于操作。     

中国股市波动率的TSK非线性组合预测模型

Grey-GARCH模型是一类新的波动率模型.针对单一Grev-GARCH类模型只能有限地提高波动率的预测精度,利用TSK模糊推理系统,结合组合预测的思想,建立波动率的TSK非线性组合预测模型.通过对上证综指和深证综指的实证分析,发现与单一Grey-GARCH类模型、RBF非线性组合预测模型和线性组合预测模型相比,TSK非线性组合预测模型总体上能够获得更高的预测精度,说明TSK非线性组合预测模型是一种有效的波动率预测分析方法.     

一种改进的基于DE-SVR的上证指数预测模型

文章在现有研究的基础上,选取引起上证综合指数波动的八个主要因素,建立一种改进的基于微分进化算法的支持向量机的上证指数预测模型,并与多元回归、多维灰色模型、基于微分进化算法的多维灰色模型、DE-SVR预测模型的预测效果与精度进行对比分析,证实该模型具有较高的预测精度,是一进行有效预测的新方法。     

非等距灰色预测模型的应用

本文首先对非等间距灰色预测模型的预测精度进行了分析,说明模型初值的选择对模型的预测精度也有着重要的影响;进而提出了可以提高预测精度的修正初值的方法,最后,给出了一个应用实例。结果表明,通过初值的修正能够提高预测模型的预测精度。一、非等间距灰色预测模型精度分析假     

最优加权组合法在中国粮食产量预测中的应用研究

组合预测模型可以较大限度地利用各种预测样本信息,比单一预测模型考虑问题更系统更全面.能够有效地减少单个预测模型中一些随机因素的影响,从而提高预测精度.文章利用最优加权组合法,对柯布一道格拉斯生产函数模型,指数平滑模型和ARMA模型进行组合,通过计算确定其权重,得出未来十年的粮食预测产量;而根据MSE准则得出组合预测模型的精度比其余单一的预测模型的预测精度高.与我国在2008年提出的<国家粮食安全中长期规划纲要>中的目标进行比较发现,如果在现有条件下要达到目标,政府必须在政策和农业技术等层面制定更加切实可行的措施.     

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.     

组合预测模型预测精度的贴近度评价法

一组单项预测模型在不同的准则下,建立的组合预测模型一般是不同的.为了比较这些组合预测模型的预测精度,文章引入了组合预测模型点预测精度的数量指标,从而得到了组合预测模型的点预测精度向量.根据这些点预测精度利用算术平均最小贴近度,给出了组合预测模型预测精度的评价.实例分析结果表明:该评价方法客观准确,可操作性强.     

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。     

基于一种优化开次方GM(1,1)模型的中长期负荷预测

长期负荷预测在电网发展规划编制中占有重要地位,而其关键是数学模型的建立,灰色模型是一种较好的预测方法,但传统的灰色预测精度不够好.文章分析了一种改进方法,开次方优化无偏GM(1,1)模型,其首先对原始数据进行开次方处理降低预测模型的模型系数,再对模型系数进行优化修正后进行无偏预测.实例分析表明,本改进方法比较大地提高了预测精度,其中开三次方时预测精度最高,未来教年的用电量预测结果可为编写电网发展规划提供重要的参考价值.     

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。     

中国股市波动性研究

文章运用GARCH模型族对上证指数和深证成指收益率的波动性进行研究,分析了我国股市波动性的特点。通过比较发现,对于沪、深两市股指收益率的波动性,EGARCH(1,1)模型和EGARCH(1,1)-M模型都能很好地拟合,同时还对两市股指收益率的波动性进行了预测分析。     

一种新的神经网络集成方法在证券分析预测中的应用

文章利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型。通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好。     

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。     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.