一、用BP神经网络预测股票市场涨跌(论文文献综述)
许雪晨,田侃[1](2021)在《一种基于金融文本情感分析的股票指数预测新方法》文中指出研究目标:探讨如何对媒体报道、公司新闻等非结构化数据进行文本分析,并应用于股票价格波动预测。研究方法:提出一种基于金融文本情感分析的指数预测模型SA-BERT-LSTM,对沪深300指数的涨跌进行预测。研究发现:情感分析特征能够有效提高模型预测的准确率;相比三种对照模型(BP神经网络、支持向量机、XGBoost),SA-BERT-LSTM模型预测精度更高;该模型同样适用于个股价格预测。研究创新:将BERT模型应用到财经新闻情感分析中,将情感特征与股市行情交易数据结合,有效提高了股指趋势预测的准确率。研究价值:本文将文本情感引入金融市场预测领域的尝试,有助于促进人工智能、机器学习在经济学中的研究与应用,为推进国家人工智能战略落地实施提供参考。
刘致谦[2](2021)在《基于马尔可夫链的股票价格波动预测》文中研究说明本文首先对股票价格历史数据进行预处理和分析;其次对预处理后的数据进行马氏性检验,结果显示数据符合马氏性,然后建立马尔可夫链模型;最后通过计算概率转移矩阵得出概率转移向量,进而达到对股票价格波动率区间的预测。预测结果显示:在正常情况下,用此模型预测的股票价格波动率区间与实际数据在短期内预测结果保持一致,但随着时间的推移预测结果稍有偏差。此外,马尔可夫链模型适用于短期的股票价格波动率预测,并且对以往数据依赖性极大。
刘昌荣,黄珍,袁贝贝,李岚[3](2021)在《基于深度学习的股价趋势预测研究》文中指出金融市场迅速发展,民众投资意识不断增强,股票成为一个极为广泛的投资手段,股票价格的分析预测对社会发展和民众投资具有重要意义.针对股票价格易受其他因素影响的问题,本文基于ARIMA与GRU建立了一种股票价格预测模型.根据股票价格涨跌变化规律,使用ARIMA模型抓取数据的线性特征,使用GRU模型抓取数据的非线性特征,选取合适的参数以及网络优化算法调整网络以获得更好结果,其后与其他模型的预测结果进行了对比.实验结果表明:文中所采用的预测算法效果好于单一模型预测效果,具有较好的实用性.
王颖颖,晁绪耀[4](2021)在《数据挖掘技术在股票数据分析中的应用研究》文中进行了进一步梳理本文分析了股票数据分析预测的特点,阐述了数据挖掘的基本流程,指出在股票数据分析过程中应用数据挖掘技术是可行的、必要的,并提出了股票数据分析应用数据挖掘的关键技术,即先利用关联规则算法挖掘出影响股票涨跌值的指标,再利用决策树算法找出最具有投资价值的股票池,最后应用神经网络算法预测股票价格的变化,后续还需要进一步改进,以提高预测精度。
于春蕾,李梦悦,尹伟石[5](2021)在《基于PCA-BP组合模型的股价预测分析》文中研究指明随着金融业数据环境的日益复杂,投资者稳定或超额投资收益难以保障。传统模型因其非线性映射能力弱而不能作为选股指导,因而面对日益突出的股票分析技术需求,新型算法的研究十分必要。运用了主成分分析法与BP神经网络模型的算法对五只个股进行预测,实现了数据的降维,良好地处理了股票市场复杂的非线性问题,并基于回测的历史数据不断更正模型得到精确度较高的PCA-BP组合模型。实际运用时还选取了数据拟合的方法,较好模拟了指标趋势,使得模型预测后的平均误差保持在极小的状态,且在短期预测上有一定的优势。
张世杰[6](2021)在《大数据下的机器学习在股市预测中的应用》文中研究表明对于股市是否能预测以及股市怎样预测的问题,学术界与金融业界一直有着极大的兴趣。近些年,大数据与人工智能技术开始兴起,机器学习作为人工智能领域的重要技术,在模拟对象的具体特征、处理复杂且大量的数据时有着优秀的表现,这一优点十分适合金融大数据领域的研究,因而受到了学者们的普遍关注。立足于机器学习技术在股市预测这一领域的应用,对已有的研究按照其使用的机器学习算法进行梳理分类,可以分析不同机器学习算法的贡献与局限性,也可以对其后续的发展方向提出展望。
吴彬,张勇,唐颖军[7](2021)在《融合SDE算法和双路加权门控循环神经网络的股价走势预测模型》文中进行了进一步梳理关于股票价格走势的预测,传统的操作方法多是通过统计分析工具或者是单一的机器学习算法进行预测,很难准确把握股价这种时间序列数据的非线性和非平稳性等特征,从而使预测精度受限.融合SDE算法与加权BiGRU网络的优化预测模型,先使用SDE全局寻优网络的结构参数,求得最优初始权值、阈值以及权重系数,再将优化的参数应用到改良的加权BiGRU网络模型中进行预测.优化的预测模型能够有选择的考虑过去和未来时间点对当前时刻数据的影响,而且能有效避免局部最优值以及网络的长程依赖问题.实验结果表明,优化的预测模型与其他传统神经网络预测模型相比较,预测误差得到显着降低,预测准确度得到明显增强.
李晨阳[8](2021)在《基于CNN-LSTM的股票价格预测及量化选股研究》文中进行了进一步梳理
陈毅[9](2021)在《基于多种神经网络的股价预测研究》文中研究表明
乔泽东[10](2021)在《基于WA-LSTM的股指期货价格预测与择时策略研究》文中认为
二、用BP神经网络预测股票市场涨跌(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用BP神经网络预测股票市场涨跌(论文提纲范文)
(1)一种基于金融文本情感分析的股票指数预测新方法(论文提纲范文)
一、问题的提出 |
二、文献综述与研究方法评述(2) |
1.基于机器学习的金融市场预测 |
2.文本分析在股票预测中的应用 |
三、基于金融文本情感分析新方法的设计 |
1.数据预处理 |
(1)股票交易数据的预处理。 |
(2)财经新闻文本数据的预处理。 |
2.基于BERT-BiLSTM的金融文本情感分析模型 |
(1)BERT获得向量表示。 |
(2)Bi-LSTM提取特征。 |
(3)情感计算。 |
3.融合情感分析特征的指数预测模型 |
(1)模型结构。 |
(2)模型的参数学习。为了获得模型中的参数,我们定义模型的损失函数为: |
四、新方法的应用实证 |
1.数据来源 |
2.基准模型 |
3.评价指标 |
4.实验结果与分析 |
(1)实验结果。 |
(2)时间窗口长度对预测结果的影响。 |
(3)沪深300指数前五大权重股预测分析。 |
五、结语 |
(2)基于马尔可夫链的股票价格波动预测(论文提纲范文)
一、前言 |
二、马尔可夫链模型的理论基础 |
(一)马尔可夫链的定义。 |
(二)n步转移概率 |
(三)马氏性检验。 |
三、股票价格预测 |
(一)基于马尔可夫链的股票每日收盘价格波动状态预测 |
1、对价格时间序列数据分类。 |
2、建立股票每日收盘价格波动状态转移矩阵。 |
3、马氏性检验。 |
4、预测股票价格区间。 |
(二)股票价格波动预测结果分析。 |
四、结论 |
(3)基于深度学习的股价趋势预测研究(论文提纲范文)
1 问题描述与数据处理 |
1.1 问题描述 |
1.2 数据处理 |
2 预测模型构建 |
2.1 构建模型 |
2.2 模型优化算法 |
3 实验分析 |
3.1 模型优化器的选择 |
3.2 实验结果及分析 |
4 结论 |
(4)数据挖掘技术在股票数据分析中的应用研究(论文提纲范文)
1 股票数据分析预测的特点 |
2 数据挖掘的基本流程 |
3 股票数据分析中应用数据挖掘的关键技术 |
3.1 应用关联规则确定关键指标 |
3.2 利用决策树确定最佳投资股票 |
3.3 应用BP神经网络预测股票价格变化 |
4 结束语 |
(5)基于PCA-BP组合模型的股价预测分析(论文提纲范文)
1 模型原理 |
1.1 主成分分析 |
1.2 BP神经网络 |
1.3 数据拟合 |
2 模型建立 |
2.1 PCA-BP组合模型 |
2.2 数据拟合 |
3 预测结果及分析 |
3.1 仿真回测 |
3.2 实证分析 |
4 结论 |
(6)大数据下的机器学习在股市预测中的应用(论文提纲范文)
一、金融大数据的特点及内涵 |
二、决策树与随机森林 |
1.决策树 |
2.随机森林 |
三、支持向量机 |
四、神经网络 |
1.传统神经网络 |
2.深度学习 |
五、总结与展望 |
(7)融合SDE算法和双路加权门控循环神经网络的股价走势预测模型(论文提纲范文)
1 引言 |
2 相关工作 |
3 本文的预测模型 |
3.1 SDE优化网络参数 |
3.2 网络预测求解 |
3.2.1 网络模型结构 |
3.2.2 双路加权GRU神经网络 |
3.3 预测模型的工作流程 |
4 仿真实验与结果分析 |
4.1 实验环境说明与数据预处理 |
4.2 超参数和评价指标的确立 |
4.3 实验结果分析与对比 |
5 结语 |
四、用BP神经网络预测股票市场涨跌(论文参考文献)
- [1]一种基于金融文本情感分析的股票指数预测新方法[J]. 许雪晨,田侃. 数量经济技术经济研究, 2021(12)
- [2]基于马尔可夫链的股票价格波动预测[J]. 刘致谦. 合作经济与科技, 2021(24)
- [3]基于深度学习的股价趋势预测研究[J]. 刘昌荣,黄珍,袁贝贝,李岚. 兰州文理学院学报(自然科学版), 2021(06)
- [4]数据挖掘技术在股票数据分析中的应用研究[J]. 王颖颖,晁绪耀. 科技创新与生产力, 2021(10)
- [5]基于PCA-BP组合模型的股价预测分析[J]. 于春蕾,李梦悦,尹伟石. 长春理工大学学报(自然科学版), 2021(04)
- [6]大数据下的机器学习在股市预测中的应用[J]. 张世杰. 贵阳学院学报(社会科学版), 2021(04)
- [7]融合SDE算法和双路加权门控循环神经网络的股价走势预测模型[J]. 吴彬,张勇,唐颖军. 小型微型计算机系统, 2021(07)
- [8]基于CNN-LSTM的股票价格预测及量化选股研究[D]. 李晨阳. 西北大学, 2021
- [9]基于多种神经网络的股价预测研究[D]. 陈毅. 贵州财经大学, 2021
- [10]基于WA-LSTM的股指期货价格预测与择时策略研究[D]. 乔泽东. 西北大学, 2021