改进型RBF神经网络在股票市场预测中的应用

在研究神经网络算法和主成分分析理论的基础上,针对股票市场的高度非线性特征,结合主成分分析预处理方法,对原始交易数据进行降维,减少数据规模,提出一种改进的RBF神经网络模型对股票市场进行预测.通过实验对比表明,文章提出的模型具有收敛速度快、预测准确度高等特点,应用前景较好.     

基于神经网络的景气预测模型

为提高神经网络自回归预测模型的精度,文章构建了基于神经网络的景气预测模型.主要运用景气预测判断先行指标,以及其相对基准指标的先行期数,结合神经网络非线性适应能力、自适应能力强等特点,构建了基于RBF神经网络、广义回归神经网络、BP神经网络、Elman神经网络的四种景气预测模型.对比分析这四种基于神经网络的景气预测模型和神经网络自回归预测模型,发现基于神经网络的景气预测模型均取得良好的预测效果,其中,基于RBF神经网络的景气预测模型最佳.     

基于FARBF神经网络算法的资产评估统计模型

针对RBF神经网络算法因原始变量间强相关性带来的处理难度,与因子分析得分评估模型不能充分结合先验知识等缺陷,文章综合因子分析与RBF神经网络算法的各自优点,构建一种基于FARBF神经网络算法的企业资产质量评估模型,并给出了原始数据的同向化处理方法.实证案例分析与仿真试验结果表明该模型精度高于单纯的RBF网络算法,且该算法简化了神经网络结构,提高了网络训练速度与算法精度.     

基于差值灰色RBF网络模型股票指数预测

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,文章提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。将该预测模型运用于股票指数预测,实证结果表明:该模型预测精度高,平均预测误差为0.52%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的使用价值。     

灰色系统与BP神经网络组合模型及其应用

影响财政收入的因素有很多,各因素之间信息重叠的现象较严重,文章通过逐步回归选择了影响财政收入的几个显著因素.又鉴于灰色系统对小样本数据预测的优良特性,对每个选定的影响因素建立灰色预测GM(1,1)模型,得到各因素2015年、2016年的预测值.运用BP神经网络模型对1995-2014年数据进行训练,将灰色预测得到的预测值代入训练好的网络中,预测出2015年、2016年的安徽省的财政收入.     

综合模糊认知图与BP神经网络的建模方法新探

文章介绍了模糊认知图的基本原理、推理机制及非线性赫布学习算法,然后综合考虑BP神经网络与基于非线性赫布学习算法的模糊认知图,提出了一个新的建模方案,并以股市股价预测问题为例对其进行了检验。研究结果表明:模糊认知图与BP神经网络方法的结合,不仅弥补了传统神经网络模型不具有解释性的缺陷,而且提高了模型的学习效率。     

基于LSTM网络的非线性误差修正学习模型的构建

针对部分时间序列具有非线性特征、误差修正模型仍然采用线性回归的局限,文章提出一种融合长短期记忆递归神经网络的误差修正学习模型,该模型利用神经网络的非线性特征和长记忆性,提升了对时间序列的非线性表达能力,同时也改善了神经网络中变量的可解释性。运用该非线性误差修正学习模型对2017—2021年美元指数与黄金价格的非线性联动性进行分析,发现其拟合优度比传统的误差修正模型有显著提高。     

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.     

分数维非线性协整及误差校正模型

本文在分数维和非线性的框架下讨论了经济系统中的长期均衡关系,提出了分数维非线性协整的概念及对应的误差校正模型,基于小波神经网络给出了分数维非线性协整的检验及其误差校正模型的建模方法。实证研究发现中国股市存在分数维非线性协整关系,据此建立了相应的分数维非线性误差校正模型.该模型的预测效果优于带有外生变量的非线性自回归移动平均模型。     

指标筛选技术在神经网络数据挖掘模型中的应用

文章以分类神经网络中的RBF网络为例,讨论了神经网络数据挖掘模型中指标筛选的重要性,并以信用卡欺诈检测神经网络数据挖掘模型为实证案例,演示了指标筛选方法能有效地提高神经网络模型的分类效率与收敛速度,同时,讨论如何针对数据挖掘主题与数据特点选择合适的指标筛选技术.     

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.     

非线性经济预测中的神经网络模型与应用

文章讨论了神经网络用于非线性经济系统建模与预测的问题和方法.主要探讨了如下几个问题:(1)相关变量的选择;(2)运用改进遗传算法学习神经网络连接权值;(3)模型阶数确定准则;(4)观测数据的可预测性与模型的有效性检验;(5)缺损值的处理.     

时间序列神经网络预测模型

本文讨论神经网络用于非线性动态系统建模与预测的问题和方法，主要考虑了如下几个问题：（１）相关变量的选择；（２）观测数据的可预测性与模型的有效性检验；（３）运用改进遗传算法学习神经网络连接权值。本文预测建模方法已用于一个决策支持系统中，并取得了较好的效果     

基于RBF神经网络的商业银行客户信用评级

文章旨在为商业银行提出一种较科学的企业信用等级评定方法——基于RBF神经网络的企业信用的评级方法。提出了客户信用的评价指标;并利用RBF神经网络模拟各评价指标和客户企业实际信用之间的复杂非线性关系。本文使用matlab编程建立RBF神经网络,并通过试算法确定隐含层神经元的个数和径向基函数的分布密度(spread)取值,使所得网络仿真效果达到最佳。     

基于RBF模型和可公度法的股指时间窗口期研究

股指时间窗口期对投资者选择投资时点极为重要。本文以我国上证综合指数渡浪曲线底部和顶住时间窗口期为研究对象,利用可公度法和RBF神经网络模型分析自1991年以来的上证综合指数的特性并对其底部和顶住的时间窗口期进行预测。     

预测移动支付采纳倾向的关键因素研究——基于神经网络模型的分析

移动支付的采纳对移动商务的发展至关重要。以技术准备理论为基础,对TAM模型进行拓展,结合297份有效样本数据,运用神经网络模型检验预测用户移动支付采纳倾向的关键因素,并与多元回归分析的结果进行比较。研究表明,神经网络模型优于多元回归模型,感知有用性和感知易用性是预测移动支付采纳倾向的最重要因素,之后依次为不适感、乐趣、创新性和不安全感。结合研究结果,对移动支付未来发展提出建议。     

基于遗传神经网络的企业人力资源结构预测

以企业人力资源结构为研究对象,将企业人员分为管理人员、科技人员和普通员工,根据这三类人员的影响因素,利用遗传算法的全局寻优能力,构造了预测人力资源结构的遗传神经网络模型(GANN),并以ZC集团公司为实例,对其人力资源结构进行了预测。结果表明,该文建立的遗传神经网络模型对描述管理人员、科技人员分别占总职工比重与其影响因素的非线性关系方面具有较高的精度和应用价值。     

基于BP神经网络的江苏用电量预测模型研究

本文应用贝叶斯正则化算法优化BP神经网络,通过多维经济数据(国内生产总值、固定资产投资总额、人均收入)与用电量的相关分析,来确定网络的拓扑结构,建立用电量的人工神经网络模型.用从江苏统计年鉴和江苏省电力局取得的17年数据为输入、用电量为输出来训练建立好的BP神经网络,经仿真表明该神经网络能很好地解决用电量多影响因素之间的不确定性和非线性,模型的预测精度较高,对合理的制定用电计划不仅有一定的理论意义,更具有巨大的实用价值.     

平滑转换自回归模型的单位根检验问题研究

 内容提要：针对非线性模型的单位根检验中存在的问题,本文认为非线性模型的单位根检验不应该在AR模型中进行,而应该在非线性模型中进行。以LSTAR(1)模型为例,本文给出了在其中进行单位根检验的统计量及其临界值。用蒙特卡洛试验证实,本文提出的单位根检验统计量的功效明显高于DF单位根检验,只有当非平稳特征十分明显时,DF检验才能检测出其中的单位根,因此,在非线性模型中进行单位根检验是必要的。     

基于LS-MWSVM的股票价格预测

文章基于小波分解理论和支持向量机核函数的条件,提出了最小二乘M0det小波核的支持向量机(LS-MWSVM)算法.用该算法建模并对沪深300日收盘价进行预测,且与常用的RBF核的LSSVM模型及RBF神经网络模型的预测能力进行了比较.结果表明.LS-MWSVM的预测能力要好于其它两种模型.进一步得出,采用最小二乘支持向量机与小渡理论结合的组合模型对股市进行预测效果较好.