基于深度学习LSTM神经网络的全球股票指数预测研究

作为深度学习技术的经典模型之一，长短期记忆（LSTM）神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术，本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究，结果发现：①LSTM神经网络具有很强的泛化能力，对全部指数不同期限的预测效果均很稳定；②LSTM神经网络具有优秀的预测精度，相比三种对照模型（SVR，MLP和ARIMA），其对全部指数的平均预测精度在不同期限上均有提升；③LSTM神经网络能够有效控制误差波动，其对全部指数的平均预测稳定度相比三种对照模型在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势，其未来在金融预测中将有广阔的应用前景。     

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.     

基于层次结构模型的小样本组合预测建模

由于待预测变量所属系统的整个层次结构都携带了变量的有关信息，文章用变量的层次鲒构信息构建了组合预测模型。在建模的过程中，文章针对待预测变量过度分解（向下结构）受噪声影响较大而过度综合（向上结构）信息损失较大的特点，仅对待预测变量向上一层综合结构和向下一层分解结构进行建模，并对综合和分解后的相关各子项分别建立预测模型；再将每种综合或分解子项预测结果还原为待预测变量的预测结果；最后将不同层次结构得到的待预测变量预测结果和直接进行预测得到的预测结果进行组合预测建模。     

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。     

教学质量评价与预测的人工神经网络方法

BP算法是一个用于预测与评价的很有效的算法.文章综合考虑了影响教学质量的各方面的复杂因素,采用改进的BP神经网络算法用于教学质量评价与预测,给出了神经网络的教学质量评价与预测的模型结构,并在MATLAB中仿真实现.结果表明,该评价与预测方法克服了专家评价的主观因素,得到了合理的结果,具有很好的适用性.     

基于优化LSTM模型的股价预测方法

为了提高金融时序预测的准确性及泛化性，文章提出了基于主成分分析法和注意力机制来优化长短时记忆模型（PCA-Attention-LSTM）的消费行业板块指数预测方法。首先对指数日常数据生成技术指标，然后通过主成分分析法提取重要特征，根据长短时记忆神经网络（LSTM）学习输入特征的内部变化规律，并利用注意力机制计算LSTM隐层状态的不同权重，最后结合注意力权重和LSTM神经网络进行指数预测。结果表明，优化后的LSTM模型对消费行业板块指数走势具有较强的预测能力。此外，在预测方法的基础上引入了股票的异同移动平均线和均线指标，提供了一种每日轮动自动捕捉交易点的短频量化交易策略。     

电信企业客户流失预测模型

本文将支持向量机(Support Vector Machine,SVM)应用于客户流失预测研究中,通过实证研究,证实了该方法用于电信企业客户流失预测比BP神经网络更具有效性和优越性.     

基于改进型神经网络的经济预测算法

文章在分析宏观经济系统特点之后,针对现有的采用人工神经网络对经济系统进行建模和预测的方法的存在的问题,提出了一种改进型神经网络算法。首先对训练样本集采用链式数据重组的方法进行扩充;然后在构造的人工神经网络输入层单元引入经济指标的增长率数据和时间窗口序列数据。仿真结果表明,文章提出的算法能够增强神经网络的泛化能力,提高系统模型的预测精度。     

基于支持向量机的住宅消费预测研究——以杭州为例

针对目前用于住宅消费预测中的神经网络模型存在模型结构较难确定以及过学习等问题，提出了一种基于支持向量机的住宅消费预测新方法。用1998—2008年杭州城镇居民的住宅消费数据组成样本集，前8个样本作为训练集，后3个样本作为检验集，分别建立SVM模型和神经网络模型，比较两种模型的预测效果，结果表明：基于支持向量机的城镇居民住宅消费预测模型具有更高的预测精度。     

具有核化函数的部分线性模型及其应用

本文基于再生核希尔伯特空间中的再生核，将核技巧与高斯-赛责尔迭代算法相结合，提出了具有核化函数的部分线性模型（PLMKF）及其算法收敛性条件等相关内容，具体包括：（1）基于OLS的PLMKF；（2）基于岭估计的PLMKF；（3）基于GLS的PLMKF；（4）基于多核学习的PLMKF。它们构成了PLMKF家族，具有一定的相互转化关系。在数值模拟中，本文验证了各个算法的有效性，比较了基于OLS与GLS、单核与多核的PLMKF模拟结果。实际应用中，在大幅外推情景下，PLMKF仍保持了良好的泛化能力，预测精度高于PLM、GAM和SVR。     

基于连接函数的 整合风险度量研究

 本文利用连接函数（Copula）解决整合风险管理中不同类型风险的联合分布建模问题，提出了基于连接函数的整合风险度量Copula-VaR及其蒙特卡洛模拟算法；以深圳发展银行和上海浦东发展银行为研究对象，将Copula-VaR与N-VaR和Add-VaR这两种业界常用的近似整合风险度量方法进行了实证比较分析，发现:与Copula-VaR相比，N-VaR和Add-VaR存在高估风险的倾向，而其主要原因则是由于N-VaR和Add-VaR对信用收益率与市场收益率之间的相关结构进行了不符合实际的假设。     

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。     

用因果关系理论来分析金融商品的行情变化──即价量指标(金融商品量价因果关系数字化结果)的提出、计算和应用

金融商品的收盘价在作为技术分析的基本数据时，有以下4大缺陷：（1）庄家可以合法地、随意地操纵；（2）仅是交易时间段最后时刻的成交价，反映整段交易情况误差大；（3）只能孤立地分析个股；（4）田于量为价先，量价是因果关系，所以用结果预测结果必然滞后。而本文就是为了克服收盘价用于技术分析中的以上缺陷，提出了量价辩证因里关系的数字化结果，即价量指标（它也就是带量K线图或价量分时走势图的数字化结果），专门用来反映金融商品行情变化的基本特征。因此，用价量指标代替收盘价做为现有技术分析中采用的基础数据，必定能更科学、要准确、更超前地预测金融商品行情的变化趋势，这无疑是金融商品技术分析理论的一场大变革。     

递归预测器神经网络在中国金融市场的实证研究

金融时间序列预测是金融理论领域的研究热点之一。以金融市场中普遍存在的弱混沌为基础,对递归预测器神经网络在中国金融市场的预测应用进行实证研究。在网络训练上,提出用遗传算法优化网络的阈值、权值以及激发函数的幅值和斜率。对国内股票、期货和黄金市场中几个有代表性的品种进行实证检验,计算了预测均方根误差（RMSE）和预测精度（PA）,并和两种典型的神经网络预测模型——BP神经网络、径向基函数神经网络做了比较,结果表明该模型有较好的预测效果。     

基于Twin-SVM的多分形金融市场风险的智能预警研究

本文以沪深300指数（CSI300）长达11年时间的5分钟高频交易数据为研究样本,首先提出一种基于多分形特征的金融市场正常与关注状态的界定方法,并引入新型的支持向量机（SVM）人工智能模型,即孪生SVM（Twin-SVM）模型对多分形特征下的金融市场风险展开预警研究。实证结果表明：（1）中国新兴金融市场的价格波动具有显著的多分形特征;（2）基于多分形特征参数界定的正常与关注状态不仅准确,而且也具有明显的统计检验意义和明确的现实意义;（3）与传统SVM和BP神经网络（NN）相比,Twin-SVM在预测精度上不仅显著更高,而且在预测稳定性上也明显更优,即Twin-SVM能够有效地解决其它预警模型存在的非对称样本问题。     

灰色模型在医学中应用的有关条件

灰色系统ＧＭ（１，１）模型是灰色控制系统中灰色预测模型之一。它是一种微分方程的时间连续模型，同时它也不受一般统计模型是原始数据建模并且要求有足够的样本和典型的概率分布等种种条件的约束，因而它具有适用性较强、预测性能好的优点。灰色模型在医学上特别是在卫生管理方面，对时间序列作近期预测的应用日趋广泛，并在应用中得到了发展。许多人在尝试使用ＧＭ（１，１）模型对医院的住院人数、疾病、经济收入等的未来进行预测。本文谈谈ＧＭ（１，１）模型在医学应用过程中应注意的问题和模型的适用条件。一　灰色系统ＧＭ（１，１…     

基于BP神经网络的股指收益率预测研究——以高频数据为样本

高频金融数据和金融资产收益率是金融计量学的一个全新的研究领域。目前，国内学者利用年、月、日等低频数据对股票市场的收益率进行了很多的研究，但是以日内高频数据为基础的研究还不多见。如何较准确地预测基于高频数据的股票收益率是进一步深入研究金融市场的基础，论文采用数据挖掘中的BP神经网络对沪深300指数高频数据中的日内收益率进行建模与预测。结果表明：神经网络模型对股票高频数据的日内收益率具有很强的预测能力。     

世界宏观经济模型(连载1)

世界宏观经济模型（连载１）世界模型小组①王国明译编者按：世界宏观经济模型是由法国经济预测研究所和国际信息与预测中心于８０年代共同研制和开发的，进入９０年代后又根据全球经济形势的变化对原模型进行了重估计。该模型的建模方法是，首先对全球经济进行区域划分，...     

神经网络方法在股票投资中的应用

日益膨胀的股票市场信息远超出人们的处理能力，股票价格变得越来越难以预测。神经网络方法可以模拟人工智能处理海量信息。提高对股票市场的预测水平。运用中国1998-2005年股票市场数据，利用梯度下降法拟合了一个BP神经网络模型，在实证过程中重点讨论预测过程中出现的分类标准、过抽样、过度训练等问题。认为正确运用神经网络方法可以提高预测分析效果，神经网络模型可以谨慎地作为一种股票投资分析方法加以运用。     

基于回归神经网络的长期电力负荷组合预测模型研究

本文研究了用逐步回归、岭回归和偏最小二乘回归方法消除变量间的多重共线性,最后得到三个回归模型。单一预测方法的结果时好时坏,需要通过组合预测来提高预测精度。本文将神经网络技术与回归模型相结合,将预测值作为输入,实际用电量值作为输出,确定神经网络的拓扑结构,最后用训练好的BP神经网络预测江苏省全社会用电量。结果显示,组合预测的精度明显高于单个模型。