一、怎样进行市场预测(论文文献综述)
周庆哲[1](2021)在《船舶液化天然气加注站建设方式研究及方案探讨》文中提出液化天然气(LNG)是目前常用的一种动力燃料,因其具有清洁、经济的特点,逐渐被广泛应用于多种行业作为动力燃料,诸如汽车行业、发电行业以及水运行业等。如今,使用LNG燃料作为动力的船舶数量不断在提升,而水上船舶LNG加注站作为提供LNG动力船舶燃料补给的平台,益发凸显重要。因此,加大对水上船舶LNG燃料加注站的研究十分有必要。对此,本文将重点对水上船舶LNG加注站建设过程中的一些重要问题进行探讨研究。(1)归纳总结国内外研究现状,阐述分析了船舶航道、使用LNG燃料的船舶以及船舶LNG加注站的研究现状。同时,分析研究了船舶LNG加注站建站可行性研究中的几个问题,包括市场预测、加注模式以及站址选择,总结分析LNG加注站的关键问题。(2)水上船舶LNG加注站的市场预测问题研究。对船舶LNG两种不同市场预测类型进行分析研究,包括国家层面的宏观市场需求预测和针对项目的LNG加注需求预测。同时,对LNG加注站市场预测方法进行分析探讨,指出市场预测应着重研究的问题,最后例举LNG加注站市场预测实例展开分析研究,并提出了相关的建议措施。(3)水上船舶LNG加注站的加注模式问题研究。首先以加注站的功能为切入点进行分析,依次分析LNG加注站服务对象特点、待解决的关键问题、以及明确LNG加注站的功能定位。基于此基础,深入分析几种不同类型的LNG加注站的加注模式。结合加注模式类型的选择原则和相关法规政策,明确船舶LNG加注站加注模式的选择方法。(4)水上船舶LNG加注站的站址选择问题研究。对船舶LNG加注站的加注能力测算、等级划分等逐点分析。并在此基础上,对船舶LNG加注站的站址选择展开研究,分别对选址基本原则、约束因素、基本要求以及规范要求进行研究。最后提出了船舶LNG加注站站址选择的改进方法,并例举相关实例进行应用研究。
欧阳玉龙[2](2021)在《基于金融时间序列与深度神经网络的股票市场预测性研究》文中研究说明在经济全球化、金融一体化的今天,股票市场不断复杂化,呈现出诸多经典金融分析无力解释的背离现象,但与此同时,一些经典金融统计特征却有着惊人的相似性。这表明股票市场虽然错综复杂,但却存在普适规律,可以通过数据挖掘找寻到它背后的运行规律。本文旨在通过整理现有文献资料和股市信息,明晰我国A股市场发展动态,找出其潜在影响因子,在传统金融分析的基础上构建了投资者预期指标,度量投资者情绪。紧接着选取综合类指数、分类指数、样本类指数等股票数据,进行实证分析,对我国股票市场的波动率、牛熊趋势、收盘价格进行预测性研究。首先是股票市场波动性预测。构建ARIMA、ARCH和GARCH等金融时间序列模型,对我国A股市场股价波动及走势进行预测性研究。其中,利用ARIMA模型对线性金融时间序列进行拟合,使用GARCH模型对非线性时序残差进行拟合。结果表明,ARIMA模型对于线性金融时序拟合效果优异,但是在面对复杂程度高、噪声多的非线性序列时预测效果下降,偏差增大;而GARCH模型对于非线性序列具有显着拟合效果,对股市波动集聚现象刻画鲜明。紧随其次是股市牛熊趋势预测。利用机器学习算法对股市牛熊趋势运动进行预测性分析,研究表明,基于权重投票思想的集成树模型对股市牛熊预测有着高度精确性,其中Xgboost预测准确率高达96%,此外神经网络模型效果也很不错,准确率在90%以上。最后是股票市场价格预测,本文基于Lstm深度神经网络模型对股票收盘价进行预测,结果显示Lstm模型对于股票收盘价的预测与实际走势趋同,模型loss函数值下降明显并收敛,拟合效果较好。本文在实证分析的基础上,联系贸易战和新冠疫情提出展望,从市场管制、信息对称、投资结构、金融创新等角度提出一些建议。
张磊[3](2020)在《基于支持向量机的股票市场趋势分析及预测研究》文中研究说明随着经济水平的提高,股票市场大有愈演愈烈之势,越来越多的人投入到了股票预测的研究之中。然而影响股票的因素众多,包括金融政策,市场环境,经济周期,甚至是人为操纵的因素,如何抓住众多的影响因素找到一个对股票预测行之有效的方法,是众多专家学者研究的热点。在众多的股票预测方法中,支持向量机是一个不错的机器学习方法。本文就支持向量机在股票预测上的应用展开研究。首先在上证和深证系列股票中随机选取了各行各业总共24支个股,并辅以上证指数和深证指数,通过在选取股票上取得的较好的预测效果从而推广到整个股票市场中。技术方面,本文以模型的预测正确率和平均拟合偏差作为衡量模型预测性能的标准,通过特征工程构建合适的特征变量并借助主成分分析的方法对输入变量进行降维处理来消除变量间的多重共线性,同时能够提高模型的速度,构建支持向量分类机和支持向量回归机结合回归拟合与股票涨跌分类共同对股票进行预测以及在支持向量回归的基础上构建股票投顾策略模型在构建模型的同时不断探索合适的时间滑窗,尝试包括遗传算法和粒子群算法等不同的参数优化方法,以求尽可能优化模型的预测性能。在模型优化的同时,挖掘搜索热度以及新闻情感,通过自然语言处理技术尝试找到与股票历史走势的关联从而构建更好的情感特征,进一步提升支持向量机模型的预测性能。本文还势图构建多核支持向量机进一步提升模型效果,最后通过对“牛市”和“熊市”的划分尝试在不同阶段构建对应的支持向量机,找到适应不同场景的支持向量机模型,从而达到对股票更好的预测效果。实证分析发现,通过主成分分析降维,能让支持向量机模型在略微的预测正确率损失情况下其运行速度得到巨大的提升,同时发现支持向量机对于预测股票的最佳时间滑窗为3,支持向量分类和回归的结合能提升模型3%-4%的预测准确率;在参数优化方面,遗传算法和粒子群算法在模型迭代次数,运行时间和预测准确率三个方向上都全面领先普通的网格搜索法,同时通过构建合适的新闻情感特征也使得模型的预测准确率进一步提升;另一方面股票投顾策略能帮助投资者进行股票组合的选取,给投资者带来更多的收益,多核支持向量机能够在可以接受的速度牺牲下提升模型的性能;研究最后还发现分别在“牛市”和“熊市”构建的支持向量机模型要明显优于“盘整期”,特别是在搜索热度指数的加持下。通过本文的研究,希望不断优化的支持向量机模型能够给众多投资者和政府部门带来一定的指导和参考。
刘广[4](2020)在《基于深度学习的股票市场预测模型和评估方法研究与应用》文中提出伴随着全球经济一体化进程飞速发展,股票市场在全球经济中扮演着越来越重要的角色,准确的对股票市场进行预测具有重要的社会经济价值;股票市场拥有来源广泛而异质的海量数据,这样的数据特性为捕捉股票市场中的隐含规律和关联进行准确预测提出了新的挑战,其研究具有重要的学术价值。近年来,深度学习在计算机视觉、语音和自然语言处理等多个领域取得了令人瞩目的进展,展示出其具有处理各种数据类型,特别是多尺度(秒分时天周等不同时间尺度)、多源(股票市场、社交网络和门户网站等不同来源)和异质(数值、文本和图像等不同形式)数据的强大能力,为预测具有多尺度、多来源且异质特性的股票市场提供了强有力的工具。本文在深入研究股票市场预测问题的特点、广泛分析已有相关研究工作的基础上,针对股票市场预测技术的三个关键问题提出了一系列的解决方法,并在多个公开真实数据集上进行了有效性验证。具体而言,本文的主要研究工作和成果包括:针对股票数据的多尺度特性,提出了一个多尺度循环卷积网络(Multi-Scale Recurrent Convolutional Neural Network,MS-RCNN)模型进行股票市场预测。股票数据的多尺度特性是指股票市场中存在多个不同时间间隔下的数据,且其所包含的既有相关性也有相异性。综合多尺度数据能更精确的描述股票市场状态,从而更准确的预测股票市场未来动向。本文提出模型由四个层次构成:重构层,特征层、融合层和输出层。首先,重构层的作用主要是将输入的股票数值数据按不同尺度进行重构来得到多尺度股票数值数据;其次,特征层利用不同的卷积网络从各尺度股票数值数据提取特征来表示每个尺度下股票市场的状态,从而形成基于多尺度数据的股票市场状态表示;然后,融合层通过循环神经网络来捕获多尺度特征表示中的时间相关性以及不同尺度之间的互补性来得到特征的融合表示;最后,将融合表示输入到输出层得到预测结果。在三个中国股票市场的指数数据集上的实验结果表明,与已有的多个先进的基线方法相比,MS-RCNN模型在趋势分类和模拟交易中分别取得了最优的分类性能和最高累计盈利。具体来说,本文提出模型的准确率和F1值分别达到54%和55%以上,比最优基线模型在准确率和F1值提升了 2%以上。另外,在模拟交易中该模型的模拟盈利也相对不同数据集上最优基线模型提高了 2%以上(最多提升达10%)。针对股票数据的多源异质特性,提出了一种基于数值注意力(Numerical-Based Attention,NBA)的多源异质股票市场预测模型。股票市场中包含多源异质数据,其中主要有结构化的数值型数据以及非结构化的文本型数据。而这些不同来源的异质数据能够反映股票市场中不同方面的信息,并可能会对股票市场造成不同程度的影响。通常数值数据主要包含股票价格波动范围的信息,而文本数据主要包含股票价格波动趋势的信息。本文提出的NBA模型可以有效地利用数值数据和文本数据之间的关联性以及互补性来预测股票价格。该方法先将数值数据和文本数据通过多源编码模块分别编码为固定长度向量,然后利用文本向量来引导计算针对数值向量的注意力权重,从而得到混合内容向量。通过该模型处理,隐藏在文本数据中的股票趋势信息被转换为数值数据的重要性分布,也就是通过对文本数据编码来指导数值数据的选择。NBA模型可以有效地过滤噪声,充分利用文本数据中的趋势信息。为了评估本文提出的模型,分别从中证300(CSI300)和标准普尔500(Standard and Poor’s 500)两个股票市场上收集新闻语料库和数值数据建立了三个数据集。广泛的实验结果表明,相对于多个先进的基线模型,NBA在多源股票价格预测中达到了最优的分类准确率和最低的平均均方误差。具体而言,NBA模型准确率在三个数据集上分别比最优基线模型提升了 1.75%、2.60%和6.04%,在分钟级数据集上达到64.47%。针对股票预测评估中的盈利偏置问题,提出了一种平均盈利比率(Mean Profit Ratio,MPR)指标作为模型预测性能评估的指标。现有股票市场预测模型评估常用的指标包括准确率和F1值等,但这些指标在被用来评价模型从而选择最优模型时存在与模型盈利能力缺乏一致性的问题,这一问题被称为盈利偏置。例如,准确率最高的模型可能其盈利能力并不是最高。针对该问题,本文提出一种与各种不同模拟交易算法下模型盈利都能保证高度一致性的无盈利偏置的评价指标。该指标将结合每次预测的预期盈利以及每次预测的准确率来综合评价模型每次预测的平均预期盈利率。也就是说,该指标将模拟交易算法的主要考量因素纳入到评测指标中,从而达到无偏衡量模型盈利能力的效果。在四个国家的五个股票指数日级数据集上针对多个股票市场预测模型的实验表明,MPR与模型盈利能力的一致性明显优于经典分类指标,同时基于MPR选择最优模型时出现盈利偏置的概率低于经典分类指标。最后,应用上述面向多尺度、多源异质数据的股票市场预测技术,实现了一个面向中国股票市场的股票分析演示系统--天演股市分析系统。该系统具备三个功能:一是输入股票代码进行单源-多尺度的股票市场预测,二是输入股票代码进行多源-异质数据的股票市场预测,三是对上述分析结果进行评估。
梅学聃[5](2020)在《基于机器学习的零售药店药品销量影响因素和预测研究》文中研究指明随着我国医药分离改革的进行,零售药店逐渐发挥了更大的作用。本文主要研究零售药店药品销量影响因素和销量预测方法。文中将药品销量的影响因素分为三类:内部因素、外部因素和宏观背景,并在对影响因素分析的基础上进行药品销量的预测。本文主体分为三个部分:内部因素和月份对药品销量的影响、零售药店选址即外部因素对药品销量的影响以及有限时间数据下零售药店药品销量的预测。在第一部分,文章以AB公司101家零售药店两年的单品销售数据为基础,采用多元线性回归分析和季节指数的方法分析了内部因素和月份对零售药店药品销量的影响,研究表明,药店药品种类正向影响药品销量,药店应在考虑成本与药品陈列造成的舒适度的基础上适当丰富货架上的药品种类数;价格和价格变动负向影响药品销量,药店应在考虑价格弹性的基础上谨慎提价;药店工作人员数正向影响药品销量,药店应在合理安排服务人员数量的同时提高服务质量;医保可用性负向影响药品销量,药店应从提高顾客体验着手,消除医保的负向影响;药店面积正向影响药品销量,药店应在考虑成本的基础上合理确定药店面积,并且,通过优化装潢、药店陈设使顾客得到更好的体验。季节影响药品销量,药店应利用季节指数了解药品在不同月份的销量情况。在第二部分,文章吸取控制变量法的思想,以AB公司101家零售药店两年的单品销售数据为基础,利用加权PAM聚类和配对样本T检验研究了零售药店选址即外部因素对药品销量的影响。研究发现,在内部因素与宏观背景基本一致的情况下,总体上药品销量大小顺序为:医院旁药店<医院内药店<社区药店,医院旁药店<乡镇药店(或商业区药店)。研究结果表明,由于医疗体制改革,医院内零售药店有较好的前景,社区内零售药店业绩良好,但毗邻医院的零售药店业绩较差。这部分提出了一种在复杂环境中研究单个自变量对因变量影响的方法,在选址决策中,药企可参考这部分的研究结论。在第三部分,在对零售药店销量影响因素研究的基础上,针对开业不久的零售药店及刚上市的新药缺乏长时间销售数据,难以进行AMIMA等时间序列分析,以及难以穷尽所有影响因素以进行因果预测的困难,文中提出了一种药品销量复合预测模型。该模型由三个部分组成:(1)指数平滑,用于获取销量趋势;(2)分类主成分分析,用于减少冗余信息;(3)后向传播前馈神经网络,用于回归预测。文章利用AB药房连锁有限公司24个药店的三九感冒灵、51个药店的江中健胃消食片和49个药店的苯磺酸左旋氨氯地平片两年半的销量数据对半年的销量以月为单位分别进行了预测验证,结果显示,三种药品的预测值与真实值相关系数分别达到0.77、0.84、0.85,标准化均方误差分别为0.48、0.37、0.30,说明了文中模型的有效性。文中模型的提出,一方面有助于医药零售企业制定合适的库存量,另一方面也有助于医药供应链上每个节点企业相应优化自身的决策。该论文有图9幅,表8个,参考文献66篇。
胡维涛[6](2020)在《平台信息共享与控制结构选择研究》文中进行了进一步梳理随着产品市场竞争进一步加剧,产品平台化模式在移动互联网的迅猛发展中彻底颠覆了传统通讯产业格局,成为产业崭新的竞争制高点。手机、电子阅读器、视频游戏机等智能设备和操作系统相互结合发挥作用,操作系统成为硬件产品不可分割的一部分,从而使得硬件产品平台化。这类硬件平台不仅连接消费者和软件开发商,还向消费者销售硬件产品来实现软件的功能和价值。此外,需求多样化和产品生命周期缩短等因素促使产品的需求具有更大的不确定性,而在移动互联网的技术背景下,用户的信息得到了广泛的了解,市场信息的开发和利用是当前企业的机遇和挑战。如何实现高效的市场信息利用和选择高质量的运营策略成为平台亟待解决的难题。因此,本文采用博弈论的方法,分别研究了垄断和竞争情形下,平台信息共享和控制结构的有效匹配和策略选择问题。上述研究为信息共享和平台理论研究展现了新的视角,也为平台企业管理提供了指导和启示。首先,本文针对一个硬件平台和一个软件供应商组成的垄断平台情形,构建了信息共享、无信息共享和专有平台、开放平台、一体化平台共六种组合模型,通过比较分析不同信息共享和控制结构下的平台、软件供应商和系统绩效差异,识别影响各主体绩效的关键要素,研究了不同控制结构下的信息价值,进而探索了信息共享与控制结构的有效匹配结构和信息共享成立的条件。其次,本文探讨了竞争平台的信息共享策略问题,研究了两个双边平台均无信息共享、两个双边平台分别信息共享和无信息共享的混合模式以及两个双边平台都信息共享三种情况下的硬件、软件产品价格决策和接入费用决策,然后通过比较不同情形下硬件平台和软件供应商的绩效,识别平台竞争环境中软件供应商信息共享选择的均衡结构,并进一步探索基于硬件平台和软件供应商同时实现帕累托改进的信息共享选择。最后,本文讨论了竞争平台的控制结构选择问题,研究了两个平台均采用专有结构、两个平台分别采用专有结构和开放结构以及两个平台都采用开放结构三种竞争模式。分析了控制结构选择对硬件价格、软件价格和接入费用的影响,然后,对比分析了三种竞争模式下硬件平台和软件供应商的绩效,识别了平台竞争环境中硬件平台控制结构选择的均衡结构。
王聪,郎坤,朱雷,沈立新[7](2020)在《“公司+农户”订单农业供应链信息共享决策研究》文中指出将公司作为信息拥有者,并将信息分为市场预测信息和生产种植建议两种。按照公司向农户提供信息的类别,将"公司+农户"型订单农业供应链分为四种信息共享模式。构建了不同信息共享模式下农业供应链Stackelberg博弈模型,并得出了不同模式下的订单农业契约参数。采用对比分析的方法分析了公司向农户分享不同类别信息对公司和农户生产经营决策和利润的影响。研究结果表明,公司向农户共享信息总是能提高农户的利润,增进公司和农户之间的合作关系。公司也总是乐于向农户分享市场预测信息,而公司是否为农户提供生产种植建议还取决于公司获得生产建议的投资成本。
朱小能,袁经发[8](2019)在《去伪存真:油价趋势与股票市场——来自“一带一路”35国的经验证据》文中提出油价波动深刻影响全球经济,严重时会造成全球股市动荡,甚至引发系统性金融风险。然而油价中的信息噪音严重阻碍国际油价对股票市场的预测效果。本文提出的移动平均法可有效减弱信息噪音,研究表明,本文基于移动平均法构建的油价趋势因子对"一带一路"沿线国家股票市场具有良好的样本内和样本外可预测性。进一步研究发现,国际油价波动对产油国和非产油国股票市场的影响存在非对称性。本文为国际油价冲击股票市场提供了新的有力证据,同时本文研究成果提示了油价风险,对维持我国股票市场稳定,保持金融稳定具有一定意义。
秦榛[9](2019)在《库存报告对原油期货市场信息不对称的影响》文中指出美国能源信息署(EIA)公布的周度库存报告反映了当前原油市场供需状况,是原油期货市场最重要的新闻之一。Tetlock(2010)提出了非对称信息理论,从量价关系的角度,发现公共新闻可以削弱知情交易者的信息优势,增加不知情交易者适应流动性冲击的意愿,减少信息不对称。鉴于此,本文检验了以库存报告为代表的定期公布的新闻对原油期货市场信息不对称的影响。实证检验中,通过分析EIA库存报告公布对原油期货市场量价关系的影响,探讨了库存报告对原油期货市场信息不对称的影响。根据市场预测值,本文又将EIA库存报告分为正库存报告(实际库存变化大于市场预测值)和负库存报告(实际库存变化小于市场预测值)。通过分析正、负库存报告公布前原油期货收益率变动情况,发现正(负)库存报告公布前,投资者之间信息不对称程度较低(高)。于是,分别探讨了正、负库存报告公布对原油期货市场量价关系的影响。实证结果发现,EIA库存报告的公布能显着减少原油期货收益率反转,却对成交量引导的收益率反转影响不显着,造成这种结果的原因可能是不同库存信息公布前投资者之间信息不对称程度不同。于是,根据市场预测值将库存报告进一步分为正库存报告和负库存报告,发现正库存报告公布显着减少原油期货收益率反转,但是库存公布当日如果伴随着高成交量,收益率日后容易反转,说明投资者之间信息不对称程度较低的新闻公布时,新闻本身足以让投资者吸收流动性冲击,成交量不再作为信息冲击的信号。相反,负库存报告公布当天,高成交量的收益率动量比低成交量的收益率动量更显着,说明投资者之间信息不对称程度较高的新闻公布时,投资者需要借助成交量进一步确认信息冲击。结合交易者头寸,发现正(负)库存报告公布前,信息泄露程度更大(小),投资者之间信息不对称程度较低(高)。
王长樟[10](2019)在《中国股票市场收益率对国际股票市场的预测能力研究》文中研究指明随着中国经济的不断发展,中国在世界经济中的地位不断提高。中国是世界上重要的经济体之一,同时也是世界上最大的进出口贸易国之一,与世界各国之间有着紧密的贸易联系。股票市场是一国经济的晴雨表,同时受到很多投资者的关注。股票市场收益率预测研究不仅对于学术研究有重要意义,而且具有很大的实际应用价值。本文的意义在于发现了中国股票市场收益率对世界各国股票市场收益率具有显着的预测作用,通过实证研究的结果展示了中国股票市场对世界各国股票市场的影响力,契合当前的时代背景。本文主要研究了中国股票市场收益率与国际股票市场收益率之间的关系。中国股票市场收益率对文中的26个国家的股票市场收益率有着显着的预测能力。不管是在样本内检验,还是在样本外检验中,这种预测能力都十分显着和稳健。首先,在样本内检验中,中国股票市场收益率对其它国家的股票市场收益率表现出初步的预测效果。同时,文中也控制了多个相关变量进行了稳健性检验,中国股票市场收益率仍然展现出显着的预测能力。其次,鉴于样本内检验结果的说服力不足,本文按照相关研究文献的思路进行了样本外检验。在样本外检验中,加入中国股票市场收益率的目标预测模型的样本外预测误差比不加入中国股票市场收益率的预测模型的误差小。即中国股票市场收益率展现出显着的样本外预测能力。最后在经济解释部分,本文从国际贸易和信息扩散模型两个角度探究中国股票市场收益率预测能力的来源。在贸易角度,文中分别按照中国向各个国家或地区的出口额和进口额将26个国家分为三组进行对比验证。中国对该组合的出口贸易额越大,中国股票市场收益率对该组合的股票市场收益率的预测效果越好。相对而言,利用进口额分组并未得出类似的结果。因此,中国与各个国家或地区的出口贸易,使中国股票市场收益率对不同国家股票市场收益率的预测能力产生差异。从信息扩散模型角度,实证结果表明不同市场之间的信息分割是中国股票市场收益率预测能力的重要来源。
二、怎样进行市场预测(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、怎样进行市场预测(论文提纲范文)
(1)船舶液化天然气加注站建设方式研究及方案探讨(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究综述 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 研究述评 |
1.3 主要研究内容 |
1.4 研究方法和技术路线 |
1.4.1 研究方法 |
1.4.2 研究的技术路线 |
第二章 船舶LNG加注站建站可行性研究问题分析 |
2.1 水上船舶LNG加注站可行性研究问题 |
2.1.1 市场预测 |
2.1.2 加注模式 |
2.1.3 站址选择 |
2.2 水上船舶LNG加注站可行性研究的关键问题 |
2.3 本章小结 |
第三章 船舶LNG加注站建设方案中市场预测的研究 |
3.1 船舶LNG加注站市场预测的类型及影响因素 |
3.1.1 市场预测不同类型 |
3.1.2 船舶LNG加注站市场预测方法 |
3.1.3 影响船舶LNG加注站市场规模的因素 |
3.2 船舶LNG加注站市场预测实例分析 |
3.2.1 市场预测实例 |
3.2.2 水上LNG加注站市场预测存在的问题 |
3.2.3 完善水上LNG加注站市场预测的措施 |
3.3 本章小结 |
第四章 船舶LNG加注站建设方案中加注模式的研究 |
4.1 船舶LNG加注站功能 |
4.1.1 船舶LNG加注站服务对象特征 |
4.1.2 船舶LNG加注站模式待解决问题 |
4.1.3 船舶LNG加注站功能明确 |
4.2 船舶LNG加注模式类型选择分析 |
4.2.1 加注模式类型 |
4.2.2 船舶LNG加注模式类型选择的原则 |
4.2.3 船舶LNG加注模式法规政策 |
4.2.4 船舶LNG加注模式的选择确定 |
4.3 两种水上LNG加注模式的应用分析 |
4.3.1 趸船式加注模式的应用与分析 |
4.3.2 岸基式加注模式的应用分析 |
4.4 本章小结 |
第五章 船舶LNG加注站建设方案中站址选择的研究 |
5.1 船舶LNG加注站站址选择分析 |
5.1.1 加注能力测算中的问题分析 |
5.1.2 船舶LNG加注站的等级划分 |
5.1.3 水上LNG加注站规划距离测算中的问题分析 |
5.1.4 物料危险性分析 |
5.1.5 主要设备、装置的危险、有害因素 |
5.1.6 危险与可操作性(HAZOP)安全风险分析及主要分析结果 |
5.2 船舶LNG加注站选址原则及要求 |
5.2.1 加注站选址的基本原则 |
5.2.2 加注站选址的约束因素 |
5.2.3 加注站选址的基本要求 |
5.2.4 加注站选址选择的规范要求 |
5.3 船舶LNG加注站站址选择方法的改进应用 |
5.3.1 加注站站址选择方法的改进 |
5.3.2 改进后的船舶LNG加注站站址选择方法应用实例 |
5.4 本章小结 |
第六章 总结及展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
攻读学位期间参加科研情况及获得的学术成果 |
(2)基于金融时间序列与深度神经网络的股票市场预测性研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究综述 |
1.2.1 国内外研究现状 |
1.2.2 文献综述的简析 |
1.3 论文基本结构与设想 |
1.3.1 写作思路 |
1.3.2 写作框架 |
1.4 创新与不足 |
1.4.1 可能创新点 |
1.4.2 不足 |
2 相关理论与方法 |
2.1 金融时间序列统计分析 |
2.1.1 ARIMA模型 |
2.1.2 ARCH模型 |
2.1.3 GARCH模型 |
2.1.4 ARCH效应 |
2.2 机器学习在股市预测中的应用 |
2.2.1 logistic回归 |
2.2.2 SVM算法 |
2.2.3 集成树思想 |
2.2.4 KNN算法 |
2.2.5 多层感知机 |
2.3 LSTM深度神经网络 |
3 股票市场影响因素与预期指标构建 |
3.1 股市影响因素筛选 |
3.2 投资者情绪的度量 |
4 基于金融时间序列分析的股市波动性预测 |
4.1 沪深300 统计性描述 |
4.2 时间序列检验 |
4.2.1 平稳性检验 |
4.2.2 白噪声检验 |
4.2.3 ARCH检验 |
4.3 ARIMA模型 |
4.4 ARCH和 GARCH模型 |
4.4.1 GARCH(1.1)模型建立 |
4.4.2 ARCH-LM检验 |
4.4.3 残差序列检验 |
4.4.4 提取GARCH类信息 |
4.4.5 模型检验 |
4.4.6 模型预测和选择 |
4.5 对比分析 |
5 基于机器学习的股市牛熊趋势预测 |
5.1 数据集选取 |
5.2 模型的构建 |
5.3 模型评价指标 |
5.4 实证分析 |
5.4.1 Logistic模型 |
5.4.2 SVM模型 |
5.4.3 KNN算法 |
5.4.4 多层感知机模型 |
5.4.5 基于随机森林、xgboost、logistic的特征选择与排序 |
5.4.6 稳健性检验与对比分析 |
6 基于深度神经网络的股票价格预测性研究 |
6.1 建模过程 |
6.1.1 问题描述 |
6.1.2 数据导入与预处理 |
6.1.3 构建基准模型 |
6.1.4 模型验证与评估 |
6.1.5 数据格式化 |
6.1.6 调参网络拓扑结构 |
6.2 lstm模型自回归 |
6.3 综合类指数回归预测 |
6.4 分类指数回归预测 |
6.5 泛化性检验 |
6.6 总结 |
7 展望与结语 |
7.1 展望 |
7.2 结语 |
参考文献 |
致谢 |
(3)基于支持向量机的股票市场趋势分析及预测研究(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容 |
1.2.1 数据来源 |
1.2.2 具体研究内容 |
1.3 研究方法 |
1.4 本文可能的创新点 |
1.5 论文结构框架 |
第二章 文献综述 |
2.1 股票预测研究现状 |
2.1.1 国外研究现状 |
2.1.2 国内研究现状 |
2.1.2.1 传统时间序列方法在股票预测中的应用 |
2.1.2.2 支持向量机在股票预测中的应用 |
2.1.2.3 支持向量机的参数调优及性能改进 |
2.2 本章小结 |
第三章 股票市场及支持向量机等相关算法概述 |
3.1 股票市场相关知识概述 |
3.1.1 影响股票涨跌的因素 |
3.1.2 股票预测常用指标 |
3.1.3 股票趋势预测常用方法 |
3.2 支持向量机算法及相关理论 |
3.2.1 统计学习理论 |
3.2.2 支持向量机 |
3.2.3 非线性可分理论 |
3.2.4 支持向量机的改进算法 |
3.3 情感分析技术 |
3.3.1 情感分析应用 |
3.3.2 情感分析基本方法 |
3.4 主成分分析法(Principal Component Analysis,PCA) |
3.4.1 PCA简介 |
3.4.2 主成分分析法步骤 |
3.5 参数优化方法 |
3.5.1 遗传算法 |
3.5.2 粒子群算法 |
3.6 本章小结 |
第四章 股票市场预测指标体系构建及处理 |
4.1 数据获取 |
4.2 股票市场预测指标体系构建 |
4.2.1 股票市场预测常用指标与股价表现探究 |
4.2.2 新闻情感指标构建 |
4.2.2.1 基于新闻情感分析的指标构建 |
4.2.2.2 搜索热度及新闻情感与股价表现的关系探究 |
4.3 数据预处理 |
4.3.1 股票市场预测指标体系预处理 |
4.3.2 基于主成分分析的股票市场预测指标降维 |
4.4 本章小结 |
第五章 基于支持向量机的股票市场预测 |
5.1 股票市场预测模型构建 |
5.1.1 基于支持向量机分类的股票走势预测 |
5.1.2 基于支持向量机回归的股指预测 |
5.1.3 基于支持向量机回归的股票投顾 |
5.1.4 不同时间滑窗下支持向量机模型表现 |
5.2 股票市场预测模型的参数优化及改进 |
5.2.1 支持向量机参数调优 |
5.2.1.1 遗传算法参数调优 |
5.2.1.2 粒子群算法参数调优 |
5.2.2 股票市场预测模型的改进 |
5.2.2.1 基于改进支持向量机的股票市场预测 |
5.2.2.2 基于时期划分的股票市场预测 |
5.3 股票市场预测模型结果评估及对比分析 |
5.3.1 股票市场预测模型结果评估 |
5.3.2 基于主成分分析的支持向量机与普通支持向量机的性能对比分析 |
5.3.3 不同参数优化算法的性能对比分析 |
5.3.4 改进支持向量机的模型效果评估 |
5.3.5 基于时期划分的股票市场预测效果评估 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 主要研究结论 |
6.2 研究的不足与局限 |
6.3 支持向量机在股票预测上的应用前景与展望 |
参考文献 |
附录 攻读硕士学位期间撰写的论文 |
致谢 |
(4)基于深度学习的股票市场预测模型和评估方法研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状及问题分析 |
1.2.1 基于数值数据的股票市场预测研究 |
1.2.2 基于文本数据的股票市场预测研究 |
1.2.3 基于多源数据的股票市场预测研究 |
1.2.4 问题分析 |
1.3 本文的研究内容及成果 |
1.3.1 研究内容及成果 |
1.3.2 组织结构 |
第二章 基本相关信息 |
2.1 股票市场预测简介 |
2.1.1 传统股票市场预测研究 |
2.1.2 基于人工智能的股票市场预测研究 |
2.1.3 模拟交易简介 |
2.2 基础深度学习模型 |
2.2.1 循环神经网络 |
2.2.2 序列到序列模型 |
2.2.3 带注意力机制的序列到序列模型 |
2.2.4 卷积神经网络模型 |
2.3 本章小结 |
第三章 多尺度循环卷积神经网络股票市场预测模型 |
3.1 简介 |
3.2 模型详细介绍 |
3.2.1 问题定义 |
3.2.2 模型结构 |
3.3 实验设计 |
3.3.1 数据集 |
3.3.2 模型设置 |
3.3.3 评价指标 |
3.4 实验结果及分析 |
3.4.1 综合评估 |
3.4.2 多尺度特征对趋势预测的影响 |
3.4.3 建模时间依赖性的效果 |
3.4.4 模拟交易分析 |
3.4.5 混淆矩阵分析 |
3.5 本章小结 |
第四章 基于数值注意力机制的股票价格预测模型 |
4.1 简介 |
4.2 模型介绍 |
4.2.1 符号和问题陈述 |
4.2.2 模型架构 |
4.3 实验设计 |
4.3.1 数据的收集 |
4.3.2 评价指标 |
4.3.3 训练设置 |
4.4 结果和分析 |
4.4.1 与基线模型的比较 |
4.4.2 降低新闻中噪音的有效性 |
4.4.3 利用趋势信息的有效性 |
4.5 本章小结 |
第五章 股票市场预测的新评价指标-平均盈利比率 |
5.1 简介 |
5.2 评价指标 |
5.2.1 研究框架 |
5.2.2 盈利偏置 |
5.2.3 平均盈利比率 |
5.3 实验设置 |
5.3.1 数据和特征 |
5.3.2 分类模型 |
5.3.3 评价方法 |
5.4 实验结果与分析 |
5.4.1 最优模型的盈利能力比较 |
5.4.2 一致性分析 |
5.4.3 模型选择中的效果 |
5.4.4 策略无关性 |
5.4.5 用法演示 |
5.5 本章小结 |
第六章 天演股票市场分析系统 |
6.1 系统设计概要 |
6.2 模块设计与实现 |
6.2.1 网络爬虫 |
6.2.2 特征提取 |
6.2.3 数据库 |
6.2.4 模型评价 |
6.2.5 系统演示 |
6.3 本章小结 |
第七章 总结与展望 |
7.1 本文工作总结 |
7.2 下一步研究展望 |
7.2.1 关于文本表示学习模块 |
7.2.2 关于异质数据结合的方式 |
7.2.3 关于直接以优化模型盈利能力的学习模式 |
参考文献 |
附录 缩略词表 |
致谢 |
攻读学位期间完成的论文 |
(5)基于机器学习的零售药店药品销量影响因素和预测研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 选题背景与研究意义 |
1.2 文献综述 |
1.3 研究内容与研究方法 |
1.4 研究创新点 |
1.5 技术路线 |
2 理论基础和机器学习方法 |
2.1 营销组合理论 |
2.2 消费者购买理论 |
2.3 市场预测理论 |
2.4 机器学习 |
3 内部因素和月份对药品销量的影响 |
3.1 变量分析与模型构建 |
3.2 季节指数实证分析 |
3.3 多元线性回归实证分析 |
3.4 本章小结 |
4 零售药店选址对药品销量的影响 |
4.1 模型构建 |
4.2 实证分析 |
4.3 本章小结 |
5 有限时间数据下的零售药店药品销量预测研究 |
5.1 模型构建 |
5.2 实证分析 |
5.3 本章小结 |
6 结论及展望 |
6.1 主要结论 |
6.2 政策建议 |
6.3 研究展望 |
参考文献 |
附录1 |
附录2 |
附录3 |
作者简历 |
学位论文数据集 |
(6)平台信息共享与控制结构选择研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景与问题提出 |
1.2 研究内容 |
1.3 主要贡献与创新 |
1.4 论文结构安排 |
第二章 文献综述 |
2.1 平台运营策略研究 |
2.1.1 平台定价策略研究 |
2.1.2 平台开放研究 |
2.1.3 平台纵向整合研究 |
2.2 信息共享研究 |
2.2.1 信息共享对供应链绩效的影响研究 |
2.2.2 信息共享激励机制研究 |
第三章 垄断平台的信息共享与控制结构绩效研究 |
3.1 基本模型 |
3.2 均衡求解 |
3.2.1 无信息共享专有平台 |
3.2.2 有信息共享专有平台 |
3.2.3 无信息共享开放平台 |
3.2.4 有信息共享开放平台 |
3.2.5 无信息一体化平台 |
3.2.6 有信息一体化平台 |
3.3 比较分析 |
3.4 本章小结 |
第四章 竞争性双边平台的信息共享选择研究 |
4.1 基本模型 |
4.2 均衡求解 |
4.2.1 无信息共享平台竞争模式(NN模式) |
4.2.2 部分信息共享平台竞争模式(SN/NS模式) |
4.2.3 完全信息共享平台竞争模式(SS模式) |
4.3 信息共享选择研究 |
4.4 本章小结 |
第五章 竞争性双边平台的控制结构选择研究 |
5.1 基本模型 |
5.2 均衡求解 |
5.2.1 专有平台竞争模式(PP模式) |
5.2.2 专有平台和开放平台竞争模式(PO/OP模式) |
5.2.3 开放平台竞争模式(OO模式) |
5.3 控制结构选择研究 |
5.4 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
致谢 |
参考文献 |
(7)“公司+农户”订单农业供应链信息共享决策研究(论文提纲范文)
1 引言 |
2 模型描述 |
3 模型求解 |
3.1 两种信息均共享(YY模式) |
3.2 信息不共享(NN模式) |
3.3 只共享预测信息(YN模式) |
3.4 只提供生产建议(NY模式) |
4 公司信息共享分析 |
5 数值算例 |
5.1 市场预测信息影响分析 |
5.2 生产种植建议影响分析 |
6 结论 |
(8)去伪存真:油价趋势与股票市场——来自“一带一路”35国的经验证据(论文提纲范文)
一、 引 言 |
二、文献回顾和理论分析 |
三、数据和研究设计 |
(一)股指收益率数据 |
(二)国际原油价格和油价趋势因子的构建 |
(三)回归模型设计 |
1.样本内回归模型 |
2.样本外回归模型 |
四、实证结果分析 |
(一)原油价格敏感度分析 |
(二)油价因子预测效果分析 |
(三)油价趋势因子预测能力时变性分析 |
(四)考虑石油市场金融化的影响 |
(五)加入控制变量 |
1.控制简单油价因子 |
2. 控制宏观控制变量 |
(六)L取不同值对回归结果的影响 |
五、研究结论 |
(9)库存报告对原油期货市场信息不对称的影响(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景和意义 |
1.2 文献综述 |
1.2.1 信息不对称对资产价格和交易活动的影响 |
1.2.2 新闻对资产价格和交易活动的影响 |
1.2.3 库存报告对能源期货市场的影响 |
1.3 本文特色与框架 |
1.3.1 本文特色 |
1.3.2 论文框架 |
第二章 非对称信息理论介绍和假设提出 |
2.1 “非对称信息理论”介绍 |
2.2 假设提出 |
第三章 数据与描述性统计分析 |
3.1 样本数据初步分析 |
3.2 影响因素的设定和度量 |
3.2.1 成交量指标构建 |
3.2.2 库存报告 |
3.2.3 其他因素 |
第四章 实证研究 |
4.1 回归模型设定 |
4.2 实证结果与分析 |
4.3 正(负)库存报告 |
4.4 实证结果与分析 |
第五章 库存变化对交易者交易决策的影响 |
5.1 交易决策的影响因素 |
5.2 实证模型设定 |
5.3 未预期到的库存变化对交易决策的影响 |
第六章 结论 |
参考文献 |
致谢 |
(10)中国股票市场收益率对国际股票市场的预测能力研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究内容和方法 |
1.3 本文的贡献与不足 |
1.4 本文结构 |
第二章 文献综述 |
2.1 股票市场收益率的可预测性 |
2.2 股票市场收益率预测变量 |
2.3 股票市场收益率预测方法 |
2.3.1 基本方法 |
2.3.2 辅助方法 |
2.4 国际股票市场收益率预测 |
2.5 中国股票市场与国际股票市场 |
第三章 理论基础 |
3.1 信息扩散模型 |
3.2 样本内检验 |
3.3 样本外检验 |
3.4 相互格兰杰因果检验 |
3.5 系数一致性回归 |
3.6主成分分析法(PCA) |
第四章 数据概述 |
4.1 基本概述 |
4.2 数据的描述性统计 |
4.3 相互格兰杰因果检验 |
第五章 样本内检验 |
5.1 基准检验 |
5.2 稳健性检验 |
第六章 样本外检验 |
6.1 基准检验 |
6.2 一致性回归检验 |
6.3 控制相关变量检验 |
第七章 经济解释 |
7.1 国际贸易角度 |
7.2 信息扩散模型 |
第八章 结论与建议 |
8.1 结论 |
8.2 展望 |
8.3 政策与建议 |
参考文献 |
致谢 |
四、怎样进行市场预测(论文参考文献)
- [1]船舶液化天然气加注站建设方式研究及方案探讨[D]. 周庆哲. 西安石油大学, 2021(10)
- [2]基于金融时间序列与深度神经网络的股票市场预测性研究[D]. 欧阳玉龙. 江西财经大学, 2021(10)
- [3]基于支持向量机的股票市场趋势分析及预测研究[D]. 张磊. 南京邮电大学, 2020(02)
- [4]基于深度学习的股票市场预测模型和评估方法研究与应用[D]. 刘广. 北京邮电大学, 2020(01)
- [5]基于机器学习的零售药店药品销量影响因素和预测研究[D]. 梅学聃. 中国矿业大学, 2020(01)
- [6]平台信息共享与控制结构选择研究[D]. 胡维涛. 电子科技大学, 2020(07)
- [7]“公司+农户”订单农业供应链信息共享决策研究[J]. 王聪,郎坤,朱雷,沈立新. 工业工程与管理, 2020(06)
- [8]去伪存真:油价趋势与股票市场——来自“一带一路”35国的经验证据[J]. 朱小能,袁经发. 金融研究, 2019(09)
- [9]库存报告对原油期货市场信息不对称的影响[D]. 秦榛. 厦门大学, 2019(08)
- [10]中国股票市场收益率对国际股票市场的预测能力研究[D]. 王长樟. 厦门大学, 2019(12)