股票预测
股票预测的相关文献在1995年到2022年内共计242篇,主要集中在自动化技术、计算机技术、财政、金融、经济计划与管理
等领域,其中期刊论文194篇、会议论文6篇、专利文献94789篇;相关期刊142种,包括科技和产业、计算机仿真、计算机工程与应用等;
相关会议5种,包括第九届中国Rough集与软计算、第三届中国Web智能、第三届中国粒计算联合会议(CRSSC-CWI-CGrC’2009)、全国第18届计算机技术与应用学术会议(CACIS)、第十四届中国神经网络学术会议等;股票预测的相关文献由510位作者贡献,包括洪志令、叶德谦、白艳萍等。
股票预测—发文量
专利文献>
论文:94789篇
占比:99.79%
总计:94989篇
股票预测
-研究学者
- 洪志令
- 叶德谦
- 白艳萍
- 甘宇健
- 闫宏飞
- 陈翀
- 黄丽明
- 齐晓娜
- 万青玲
- 严冬梅
- 余健
- 刘钰萱
- 史忠科
- 吴微
- 吴梅红
- 孟志青
- 宋东峰
- 席舒月
- 康建伟
- 张晶华
- 张泽亚
- 张潇
- 张燕平
- 徐晓钟
- 曹显兵
- 杨樱
- 林培光
- 梁宇佳
- 牛丹辰
- 王波
- 田源
- 程维刚
- 罗扬
- 胡照跃
- 苏静钰
- 蒋强荣
- 薄地阔
- 赵姝
- 郭嘉仪
- 郭平
- 金大兵
- 阎虎勤
- 陈洁
- 韦增欣
- 韩晓琳
- 高兴华
- 高忠科
- 黄敏健
- 黄静
- DENG Xuankun
-
-
李辉;
化金金;
邹波蓉
-
-
摘要:
股票数据具有非线性和复杂性等特点,单一模型预测效果不佳,针对此问题,提出一种RF-LSTM组合模型,用于预测股票的收盘价.首先,利用Tushare财经数据包获取股票数据,构建特征集,并对数据进行归一化处理;其次,考虑到多特征之间存在高度的非线性和信息冗余问题,利用随机森林(RF)选择最优特征集,降低数据维度和训练复杂度;最后,利用深度学习中适合处理时间序列的长短期记忆网络(LSTM)对股票价格进行预测,并对预测模型进行参数调优.结果表明,与单一结构的LSTM神经网络模型预测相比,本文提出的RF-LSTM组合模型预测的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别减小了13.11%,6.70%和12.54%.该组合模型可提高股票价格预测的准确性.
-
-
刘月娟;
王武
-
-
摘要:
为了更好地对股票走势进行预测,提出了一种在原有BiLSTM基础上引入注意力机制的股票预测模型,该模型不仅将股票交易数据作为模型输入,同时考虑到金融新闻对股价的影响.针对Reddit中苹果公司2010年到2018年间每日的新闻标题进行了研究,模型的输入特征来自于3部分:一是从文本数据中提取出的语义特征,二是股票的历史交易数据,三是从文本数据中提取出的情感特征,最后将上述输入特征融合到一起放入BiLSTM+Attention模型中进行训练,达到对股票的次日收盘价预测的效果.最终对5个模型进行对比实验,评价指标结果表明,提出的模型较其他模型相比预测效果更好.
-
-
方义秋;
卢壮;
葛君伟
-
-
摘要:
由于金融市场的复杂性和多变性,当前模型尚不能完全覆盖股票走势影响因素的方方面面,在预测精度方面还存在改进空间。基于此,提出了一种联合RMSE损失LSTM-CNN(long short-term memory-convolutional neural networks)的方法。该方法创新性地通过联合两个模型的RMSE损失函数,融合了LSTM学习长期时间序列依存关系的优点和CNN提取数据中深层特征的优点。在训练数据端通过将同一数据分为两种不同的表现形式,即股票时序数据和股票图像数据,使联合模型中的每个分支发挥最大的作用。为了证明该模型的可行性,建立BP(back propagation)、LSTM、CNN和LSTM-CNN融合模型作为对比。通过浦发银行、沪深300指数和上证综指三个数据集上的实验结果,得出所提联合RMSE损失LSTM-CNN模型,在预测效果上具有良好的可行性和普适性的结论。
-
-
陈登建;
杜飞霞;
夏换
-
-
摘要:
为提高金融市场股票的预测精确度,提出自回归差分移动平均与支持向量机滚动残差模型组合的预测股票方法。以贵州茅台的股票数据为研究对象,借助ARIMA模型实现对股票数据的线性趋势预测,通过滚动残差的SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA_SVR滚动残差模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与滚动残差SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。
-
-
李庆涛;
林培光;
王基厚;
周佳倩;
张燕;
蹇木伟
-
-
摘要:
股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损.经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应.因此,同板块下多只股票的价格走势对于股票预测具有参考作用.针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法.首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势;其次,构建了一个基于卷积神经网络(convolutional neural networks, CNN)与长短期记忆(long short-term memory, LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测.该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集.为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数.最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.
-
-
程孟菲;
高淑萍
-
-
摘要:
股票市场不仅是上市公司的重要融资渠道,也是重要的投资市场,股票预测一直受到人们的关注。为了充分利用来自不同股票价格的信息,提高股票的预测效果,提出一种多尺度股票价格预测模型TL-EMD-LSTM-MA(TELM)。TELM模型通过经验模态分解将收盘价分解为多个时间尺度分量,不同时间尺度分量震荡频率不同,反映了不同的周期性信息;根据分量的震荡频率选择不同方法进行预测,高频分量利用深度迁移学习的方法训练堆叠LSTM,低频分量利用移动平均法进行预测;将所有分量的预测值相加作为收盘价的最终预测输出。通过深度迁移学习训练的堆叠LSTM,包含来自不同股票的信息,具备更多行业或市场的知识,能有效降低预测误差。利用移动平均法预测低频分量,更有效捕获股票的总体趋势。对中国A股市场内500支股票以及上证指数、深证成指等指数进行预测,结果表明,与其他模型相比,TELM预测误差最低,拟合优度最高。根据TELM预测的股票收盘价模拟股票交易过程,结果表明TELM投资风险低、收益高。
-
-
熊政;
车文刚
-
-
摘要:
金融时间序列模型既是股票预测中最常用的方法,也是预测股市变化最好的工具之一。根据已有研究,将波动率代入模型公式中,根据各项准则构建ARIMA-GARCH-M模型对股票的收盘价进行预测,利用递归思想对拟合曲线进行校正,进一步提高预测的准确率,并进行MAPE(平均绝对误差)、RMSE(均方根误差)、EC(等系数)检验。最后将ARIMA模型、ARIMA-GARCH模型和ARIMA-GARCH-M模型的检验结果比较。结果表明,通过递归校正的ARIMA-GARCH-M模型在股票短期预测中有着良好的效果,具有一定的可行性。
-
-
严冬梅;
李斌
-
-
摘要:
针对股票价格具有非线性、非平稳的特点,提出一种结合自注意力机制和残差网络的生成式对抗神经网络模型(SAR-GAN)。该模型的生成器(generator)由长短期记忆网络(LSTM)层、自注意力机制层、残差层等构建而成,用于生成所预测股票的价格;判别器(discriminator)用于鉴别生成的股票价格与真实的股票价格。为验证模型良好的泛化性,选取上证指数及不同股票市场的热点行业龙头股票进行预测实验。实验结果表明,与LSTM、GRU、CNN-LSTM、CNN-GRU等模型相比,SAR-GAN模型能不同程度地减少预测误差。
-
-
李文琦;
高乐
-
-
摘要:
随着经济全球化所带来的股票交易市场扩大,股票交易数据日渐激增,如何使用更有效的方法在众多股票数据中选取优质股成为股民愈发关注的问题。而采用人工智能技术来分析和处理交易数据可以有效地辅助股民进行合理的股票选择。近些年,不同学者尝试使用人工智能技术的深度学习方法来解决股票预测问题,虽然取得了不错的效果,但是缺少对不同预测周期的股票价格预测能力的稳定性。本文为解决以上存在的问题,采用深度学习技术中的变换神经网络(transformer)作为网络基本架构对股票价格的开盘价进行预测,将不同时间尺度的股票价格输入到网络模型中,能够处理更全局的时间序列特征信息,然后通过CNN技术将不同尺度的特征进行融合,使得模型能够满足不同周期数据的预测变化。本研究选取乐普医疗(300003)、亿纬锂能(300014)、浦发银行(600000)和东风汽车(600006)四组股票作为实验数据。实验结果表明,在5个基本交易指标(开盘价、最高价、最低价、收盘价、成交量)的影响因素下,本研究的多尺度股票价格预测模型具有更好的性能及泛化能力。
-
-
田冬梅;
刘家鹏;
张芹;
越瀚
-
-
摘要:
股票价格的趋势预测一直是金融领域的重要问题,也是一个难题。但即使是对预测性能的微小改进,也可以为金融工程的技术手段带来非常可观的收益。现有研究大多为单一预测算法,旨在通过对比寻求预测效果更优的算法。文中结合指数移动平均值、相对强弱指数等10个有效技术指标,构建基于Stacking集成学习的股票趋势涨跌预测方法,以预测性能较好且存在差异的异质机器学习算法作为Stacking集成的初级学习器,以逻辑回归方法作为元学习器,进行集成预测。选取上证指数和深圳成指作为研究对象,以ROC曲线下方面积AUC值作为性能评估指标。研究结果表明,Stacking集成学习方法的预测性能优于单一预测模型,并通过Friedman检验证明,Stacking集成算法和单一算法之间存在显著差别。
-
-
-
叶德谦;
李帼;
马志强
- 《全国第18届计算机技术与应用学术会议(CACIS)》
| 2007年
-
摘要:
为了提高股票预测的准确度,提出基于实数遗传算法支持向量机的股票预测模型。采用实数编码的遗传算法对支持向量机的参数进行优化,提高了优化的精度和速度,解决了凭经验确定参数导致预测偏差的问题。选择沪市的股票数据作为数据集,对模型进行评测,实验结果表明该模型在股票预测中取得了良好的效果。
-
-
-
-
-
-
吴微;
陈维强;
刘波
- 《2001年风险管理和经济物理研讨会》
| 2001年
-
摘要:
本文利用多层前馈BP网络较好的分类能力,结合国内股票市场的特性,对于沪市综合指数涨跌的预测,进行了初步的探索和讨论.大量数值实验的结果表明,人工神经网络应用于股票市场的预测是可行和有效的,有着良好的前景.
-
-
吴微;
陈维强;
刘波
- 《2001年风险管理和经济物理研讨会》
| 2001年
-
摘要:
本文利用多层前馈BP网络较好的分类能力,结合国内股票市场的特性,对于沪市综合指数涨跌的预测,进行了初步的探索和讨论.大量数值实验的结果表明,人工神经网络应用于股票市场的预测是可行和有效的,有着良好的前景.
-
-
吴微;
陈维强;
刘波
- 《2001年风险管理和经济物理研讨会》
| 2001年
-
摘要:
本文利用多层前馈BP网络较好的分类能力,结合国内股票市场的特性,对于沪市综合指数涨跌的预测,进行了初步的探索和讨论.大量数值实验的结果表明,人工神经网络应用于股票市场的预测是可行和有效的,有着良好的前景.
-
-
吴微;
陈维强;
刘波
- 《2001年风险管理和经济物理研讨会》
| 2001年
-
摘要:
本文利用多层前馈BP网络较好的分类能力,结合国内股票市场的特性,对于沪市综合指数涨跌的预测,进行了初步的探索和讨论.大量数值实验的结果表明,人工神经网络应用于股票市场的预测是可行和有效的,有着良好的前景.