摘要：提出了一种用于股票价格预测的人工神经网络(ANN),隐马尔可夫模型(HMM)和粒子群优化算法(PSO)的组合模型-APHMM模型。在APHMM模型中,ANN算法将股票的每日开盘价、最高价、最低价与收盘价转换为相互独立的量并作为HMM的输入。然后,利用PSO算法对HMM的参数初始值进行优化,并用Baum-Welch算法进行参数训练。经过训练后的HMM在历史数据中找出一组与今天股票的上述4个指标模式最相似数据,加权平均计算每个数据与它后一天的收盘价格差,则今天的股票收盘价加上这个加权平均价格差便为预测的股票收盘价。实验结果表明,APHMM模型具有良好的预测性能。

摘要：针对现有的股票价格预测模型难以兼顾精度与可解释性的问题,提出一种基于分层神经模糊网络的股票价格预测模型。提出一种结合注意力机制的自适应神经模糊网络单元(ANFIS-A),以此单元构建分层自适应神经模糊网络;结合二进制灰狼优化算法(BGWO),提出一种特征子集选择算法;提出一种规则消除的递归算法,进一步减少规则数量,提高规则的可解释性。实验结果表明,该模型在预测股票价格方面具有较高的准确性和可解释性。

摘要：为解决传统隐马尔可夫股价行为预测模型对输入特征序列和隐含状态数目敏感,导致预测结果存在局部最优、误差较大的问题,设计了新的股票因子特征选择方法,包括对因子特征的筛选和特征数据预处理。结合贝叶斯信息规则确定模型最佳隐含状态数目,提出了一种优化股价行为预测性能的PRHMM模型。通过对比支持向量机、ARIMA模型,实验结果证明,所提出的预测算法相对传统预测模型,在股价行为预测中有更好的预测表现。

摘要：股票价格预测是金融研究和量化投资共同关注的重点话题,近年来利用深度学习技术揭示股票市场的行情规律成为研究热点。现有股票价格预测深度学习模型多数仅研究时间点数据,这种结构上的缺陷导致其不能反映出特征因子的累积作用对股价的影响。针对此,通过重新设计模型处理时间序列数据,提出一种基于Transformer的股票价格预测模型Stockformer。它通过因果自注意力机制挖掘股票价格与特征因子之间的时序依赖关系,采用趋势增强模块为模型提供序列的趋势特征,同时利用编码器的特定输入为预测提供输入特征的直接先验信息。实验结果表明,Stockformer的预测精度显著优于已有深度学习模型,且相较经典Transformer预测模型的平均绝对误差和均方根误差分别降低了23.2%和25.7%,预测值与真实值更为拟合;通过消融实验分别评估了Stockformer的因果注意力机制、时序特征提取手段以及特定的模型输入的效果及必要性,验证了所提模型的优越性及普适性。

摘要：股票价格预测总是投资者和技术分析者感兴趣的一个主题。然而,决定买卖股票的最好时间仍然是困难的,因为有很多因素可能影响股票价格。通过改进模糊决策树建立了一个新型金融时间序列数据预测模型。该预测模型融合数据聚类技术,模糊决策树及遗传算法来构建基于历史数据和技术指标的一个决策系统。提出的GAFDT模型在与各种股票的其它方法相比较时有平均预测准确率为0.82的最好绩效。