基于机器学习LSTM&US模型的消费者信心指数预测研究

消费者信心指数等宏观经济指标具有时间上的滞后效应和动态变化的多维性,不易精确预测。本文基于机器学习长短时间记忆(Long Short-Term Memory,LSTM)神经网络模型,结合大数据技术挖掘消费者信心指数相关网络搜索数据(User Search,US),进而构建一种LSTM&US预测模型,并将其应用于对我国消费者信心指数的长期、中期与短期的预测研究,同时引入多个基准预测模型进行了对比分析。结果发现:引入网络搜索数据能够提高LSTM神经网络模型的预测性能与预测精度;LSTM&US预测模型具有较好的泛化能力,对不同期限的预测效果均较稳定,其预测性能与预测精度均优于其他六种基准预测模型(LSTM、SVR&US、RFR&US、BP&US、XGB&US和LGB&US);预测结果显示本文提出的LSTM&US预测模型具有一定的实用价值,该预测方法为消费者信心指数的预测与预判提供了一种新的研究思路,丰富了机器学习方法在宏观经济指标预测领域中的理论研究。     

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.     

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。     

浙江省城市科技竞争力研究——基于神经网络和决策树的对比分析

目前对城市科技竞争力的研究还大多采用加权综合、因子分析、主成份分析、线性回归等方法,上述研究模型缺乏客观性且在处理海量数据时,表现出极大的局限性.本文以2009年、2010年浙江省11个地级市为研究对象,运用BP神经网络模型和CHAID决策树模型分别构建城市科技竞争力预测模型进行研究探索.研究结果表明,两模型对城市科技竞争力的预测评价研究非常有效,但在预测精度上,BP神经网络模型要优于CHAID决策树模型,在此基础上给出了指标变量对城市科技竞争力的重要性程度.     

基于改进型小波神经网络的油价预测

为了提高油价预测的精度,文章运用主成分分析(PCA)的方法对初始数据进行预处理,同时将小波分析与BP神经网络结合构建小波神经网络(WNN),由此得到PCA-WNN预测模型.数值实验的结果表明,相比于传统BP模型和PCA-BP模型,PCA-WNN模型的预测精度更高,稳定性更好,泛化能力更强,是一种更出众的油价预测方法.     

基于分形插值模型的股价时间序列分析及预测

文章运用分形插值的理论与方法建立了能够分析及预测股票价格波动的分形插值数学模型;以上市公司青岛海尔为例,使用该模型分析了股价的变化规律,预测了股价的未来走势,并使用时间序列曲线的分形维数与Hurst指数,描述了股价的波动性及长期相关性等特征.     

基于人工神经网络方法的上市公司股价预测

本文从影响公司股价的核心上市公司质量出发,利用公司在各个层面的财务指标来预测股价,实现了在思想上的创新.在传统的线性模型预测的基础上,探索应用BP神经网络模型对上市公司的股价表现做出预测.     

基于灰色神经网络的第三产业发展趋势的预测模型

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确的进行第三产业的预测,从多角度选取指标利用信息墒理论合成综合指标,建立灰色神经网络对其进行预测,实证分析表明灰色神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。     

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.     

一种基于RS-LSSVM的经济景气指数预测模型

为了消除经济景气指数系统中指标冗余及非线性预测困难等问题,文章利用粗糙集约简原理及支持向量机非线性预测特性,提出一种粗糙集与最小二乘支持向量机混合预测模型RS-LSSVM.模型运用粗糙集约简样本数据空间的维数,加快LSSVM的训练速度和模型的精度,又能弥补粗糙集方法在实际应用过程中噪声敏感问题.最后通过我国工业企业景气指数实证分析及与BP神经网络预测相比较,验证了该预测模型的有效性.     

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。     

基于主成分分析和支持向量机的企业盈利能力预测

文章针对中国建筑业上市公司样本规模较小,常规预测方法难以奏效的特点,尝试将支持向量机应用于其盈利能力预测.首先从不同的角度选择盈利能力单项指标,以此为基础构建反映公司盈利能力的集成指标,结合2001-2014年中国A股建筑业上市公司的数据,构建基于支持向量的盈利能力预测模型,对样本公司的盈利能力进行预测.研究结果显示,经过训练的支持向量机模型能较为成功地预测样本公司的盈利能力,2003-2014年的预测准确率均超过80％;通过与BP神经网络的对比试验可以发现,在预测中国建筑业上市公司盈利能力方面,支持向量机表现出了较明显的优势.     

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。     

基于NARX神经网络与ARMA的汇率混合预测模型

汇率时间序列是一个动态复杂系统,单独的线性回归模型或者非线性神经网络都不能很好地反映系统的特征.文章将汇率时间序列分解成线性序列和非线性序列两部分,并分别用ARMA和NARX神经网络进行建模;最后组合成NARX-ARMA汇率混合预测模型.结果证明,相比其他汇率预测模型,NARX-ARMA混合模型有更好的预测效果.     

考虑高维宏观信息的波动率与股票价格预测

为刻画股票价格的非线性动态特征,并充分利用高维宏观经济变量对股价的预测能力,文章基于LSTM模型、LASSO降维和混频模型,研究了高维情形下利用低频宏观经济变量预测高频股价的问题。首先,使用LASSO方法对高维宏观经济变量进行筛选,并进行因子分析提取宏观因子;然后,使用该宏观因子构建混频GARCH-MIDAS模型以预测波动率;最后,以包含宏观经济信息的波动率和通过因子分析降维后的技术指标因子作为特征,输入LSTM神经网络模型来预测上证综指价格。结果表明,LSTM-GARCH-MIDAS模型具有较高的预测精度和良好的适用性。     

基于模型遴选规则的汇率自适应组合预测

文章阐述了组合预测模型遴选规则的产生机理,对此遴选规则的具体形式以及组建方式进行了研究分析.为了使构建于模型遴选规则基础之上的组合预测模型更具鲁棒性及更广的适用领域,通过基于NARX神经网络的自适应调节机制来提升遴选规则的学习能力,提高了组合预测的精度和稳定性.最后以一个汇率预测的实证分析证明了该模型的有效性.     

基于ARMA-ARCH的GDP组合预测

本文分析了四川省GDP发展趋势,建立了四川省GDP的ARMA预测模型。然后分析了企业景气调查数据和传统统计数据的差异,指出了企业景气调查数据在经济预测中的优点,并在此基础上建立了基于企业景气调查数据的ARCH预测模型。最后利用前面两个模型的预测结果构建了基于BP神经网络的ARMA-ARCH组合预测模型。     

证券分析软件面面观之三:证券统计分析软件中技术分析和基本分析的统一

在传统的证券统计分析软件中,人们只是根据股价和成交量的市场变化值,编制各种技术分析指标进行技术分析,无法通过计算机和软件进行基本面的分析。随着网络技术及信息技术的发展,人们不仅可以通过各种渠道来获得人们需要的基本面资料,还可以将这些信息与证券统计分析软件紧密的结合在一起,通过计算机对这些资料和数据进行统计分析、比较排序,得到更为直观的图形和图表,将传统的技术分析和基本分析统一在一起,从而帮助投资者进行投资。在基本面分析中,上市公司的财务分析比较和排行、板块划分和板块轮动的发现、上市公司公告及新闻、重要市场…     

基于LS-SVM的经济发展水平预测

统计学里的预测问题主要是通过对已知数据的分析,找到输入输出数据内在的相互依赖关系,从而获得对未知数据的预测能力.文章采用遗传算法对模型参数进行优化,构建了基于LS-SVM的经济发展水平预测模型:并对湖北省经济发展水平进行了预测.预测结果表明:相对于BP神经网络预测模型,LS-SVM预测模型有更好的学习能力和预测能力.     

基于马尔可夫链改进股市的预测精度

为了提高股市预测精度,文章采用马尔可夫链转移概率的分析方法,分别针对宏观三状态和混合状态建立了股市预测模型.利用该模型去分析和预测股指,并对预测精度进行回逆检验.以上证指数为研究对象进行实证分析,结果表明宏观三状态预测模型能够较好地判别上证综指上涨和下跌趋势,混合状态预测模型能够较好地滚动预测上证指数收盘价.