摘要：为实现对股票价格的短期预测,本文在Laguerre正交基神经网络(LOBNN)模型的基础上,提出了一种新的组合预测模型来预测短期股价的变化。该模型先通过改进LOBNN模型的权值求解算法,用以增强模型的通用性。接着在其基础上设计新的迭代算法,进一步提高模型的预测精度,进而得到新的LOBNN模型。之后将股价数据分别代入AR-GARCH模型和改进后的LOBNN模型,得到输入数据的两组预测值。最后通过不同的权重来组合两种预测结果,生成最终股价的预测结果。文末的仿真结果表明该组合模型在预测精度与通用性上较原始模型有较大的提升,是一种高效的预测模型。

摘要：股票价格形成的时序数据具有非线性和非平稳性,传统的模型难以处理这些特征,为此提出一种处理非平稳数据的变结构时态神经网络预测模型。采用基于多分辨率分析的Mallat算法对股票数据进行预处理,将时序数据分为高频和低频序列。针对不同序列下的数据特征,将其转化为时态型数据集,采用粒子群算法寻找不同序列下的神经网络结构,建立变结构预测模型。实验结果表明,与未改进的神经网络和SVM方法相比,该预测模型具有更低的预测误差。

摘要：股票市场是金融分析领域中重要而困难的问题。股票数据的分析和预测具有重大的理论意义和诱人的应用价值。BP神经网络在目前的股票预测系统中应用广泛,但是作为有导师的学习系统,BP神经网络必须要求提供相关的经验数据才能正常运行。对此本文提出了一种基于强化学习BP算法应用于股票预测系统,通过强化学习体系来实现体统的自学习,通过网络集成来达到初始数据的预处理,提高系统的泛化能力,在实际应用中取的较好的效果。

摘要：本文设计了一个基于C/S的股票预测系统,在每个开盘日中为炒股用户提供一组炒股操作信息,炒股用户依据这组信息买卖股票,从而获得期望的收益。同时,设计了简洁的系统架构和实用的工作流程,制定了系统测试策略。

摘要：传统的股票预测基于统计学的方法,虽然在股票的趋势预测中有效,但是价格预测的准确度不够令人满意。因此,文中利用神经网络研究股票价格的预测问题。神经网络具有很强的非线性拟合能力,适用于股票等非线性系统建模。文中采集了股票交易的历史数据作为数据集,对数据使用了归一化和主成分分析方法进行预处理,降低了数据维度,有利于简化模型和降低计算复杂度。针对模型的构建,设计了一种深度稀疏修正神经网络模型(deep sparse rectifier neural netw orks,DSRNN)。DSRNN具有多层网络结构,基于带动量项的BP学习算法训练参数,利用了激活函数ReLU (rectified linear units)和提出的权值初始化方法。并将其与其他三种基于传统方法建立的模型进行了比较,结果表明DSRNN在健壮性、精确度方面都有更好的表现。

摘要：股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.

摘要：行为金融学理论指出,财经新闻等文本信息可以通过影响投资者情绪进而指导投资者行为和决策,最终对股票市场波动产生影响。本文提出基于情感词汇权重改进新闻情感倾向值的股票价格预测模型。首先,设计财经新闻情感倾向强度指标量化的方法,并将量化后的指标与股票关键指标进行特征融合;然后,采用改进粒子群算法(Particle Swarm Optimization,PSO)对支持向量回归(Support Vector Regressing,SVR)模型进行参数优化(改进PSO-SVR模型);最终构建了一个全新的股票价格预测模型。实证研究表明,基于改进PSO-SVR模型的股票价格预测精度要高于其他对比模型,且具有较好的泛化能力。

摘要：本文介绍模糊神经网络对股票价格的预测。本文首先分析了神经网络和模糊逻辑相结合的可能性,然后介绍了模糊神经网络的预测模型设计以及网络参数的设定。最后用实证分析证实了模型预测是可行的。

摘要：针对股票量化交易中有限数据预测未来价格趋势和智能资产组合配置等难题,采用DeepAR模型来预测股票价格的未来涨跌趋势,根据这些趋势计算涨跌幅精选了16支有潜力的股票,并运用SAC模型进行智能资产配置。结果表明,DeepAR模型的股票选择有助于SAC模型实现智能资产组合配置,而SAC模型的量化决策也取得了理想的效果。在4个月的时间内,实现了10.79%的收益率和32.37%的年化收益率。相较于上证指数和沪深300指数有显著的超额收益率,分别为12.47%和21.48%。此外,2016—2022年回测中达到了1.3%的夏普比率和29%的最大回撤率。

摘要：针对股票市场中的股票价格的相关性,为了更好地分析预测股市走势情况,在关联规则算法的基础上,设计并实现了一种股票分析软件,成功应用于股市预测仿真实验中,仿真实验结果表明该方法能够对股票上升、下跌的进行预测.