股票预测

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.

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.

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。

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。

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.

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。

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。

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。

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。

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。

摘要： 回声状态网络(ESN)是一种新型的递归神经网络,可有效处理非线性时间序列预测问题。平滑异同移动平均线(MACD)是所有技术指标里最经典的一个,正确运用这个指标可以达到较好的买卖效果。将二者结合起来,构建了基于ESN和MACD的多变量时间序列预测模型。该方法将时间序列数据进行相空间重构,然后作为ESN网络的输入进行建模,并用来进行股票预测,将预测的结果进行MACD处理,给出具体的交易建议。针对微软公司的股票开盘价及收盘价做了实验,并与BP网络模型预测结果做了对比。

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。

摘要： 本文针对股票预测的特点,选择对上市公司股票走势有重要影响的相关数据对其进行了测试。为避免传统的神经网络分类方法的一些弊端，使用可以避免这些弊端的交叉覆盖算法对该上市公司股票走势进行了预测。测试表明，测试的精度明显高于采用BP算法等传统神经网络分类方法的测试结果。

摘要： 本文介绍了聚类分析方法在股票研究中的应用,并且给出了聚类分析的算法。使用这种方法,可以通过分析历史数据,对股票的发展趋势进行预测。

摘要： 本文介绍了聚类分析方法在股票研究中的应用,并且给出了聚类分析的算法。使用这种方法,可以通过分析历史数据,对股票的发展趋势进行预测。

摘要： 本文介绍了聚类分析方法在股票研究中的应用,并且给出了聚类分析的算法。使用这种方法,可以通过分析历史数据,对股票的发展趋势进行预测。

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.

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.

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.

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.

摘要： 本发明适用于信息处理技术领域，提供了一种股票或股票投资组合波动率的预测方法、装置，所述方法包括：接收输入的投资组合中的股票代码、投资组合中的股票代码对应的权重、起止时间；从风险控制模型数据库读取预先根据前一日基础数据计算得到的风险控制参数的值，风险控制参数包括股票风险因子、股票风险因子的因子回报、因子回报的协方差矩阵以及残差波动率，所述残差波动率是不能由股票风险因子所解释部分回报的波动率；根据所述股票代码、股票代码对应的权重、起止时间以及所述股票风险因子、因子回报的协方差矩阵、残差波动率的值，计算得到所述投资组合在所述起止时间内的波动率。本发明，大大减少了计算波动率的时间且计算精确度比较高。

摘要： 本发明提出了一种股票价格的预测方法、股票价格的预测装置和存储介质，股票价格的预测方法包括：获取与目标股票相关的新闻信息；对新闻信息进行结构化处理，得到结构化新闻信息；将结构化新闻信息输入编码模型，生成信息编码；将信息编码输入预测模型，生成预测结果。本发明提供的股票价格的预测方法，通过将与目标股票相关的新闻信息进行结构化处理，得到结构化新闻信息，从而可以去除新闻信息中的无价值信息，保留有价值信息，通过预测模型，根据结构化新闻信息的信息编码实现股票价格的预测。实现了根据新闻信息对目标股票的价格进行预测的完整过程，并且通过对新闻信息的结构化处理，提高了预测结果的准确性。

摘要： 本发明公开了一种利用股票历史K线数据的相似性进行股票价格预测的方法，涉及有价证券投资信息处理领域，其包括以下步骤：步骤S1.预处理股票历史K线数据；步骤S2.计算所有股票之间的相似度，针对目标股票选出与其相似度最高的若干个股票作为相似股票；步骤S3.利用相似股票的历史K线数据进行训练得到模型；步骤S4.利用模型预测目标股票未来若干天的价格。

摘要： 本发明公开了一种基于多相似股票投票统计的股票近期预测方法。其主要思想是以待预测股票的近期时间段内的涨跌幅走势对所有股票的历史数据进行逐段的匹配，搜索获得相似度最高的前几只股票对应的匹配段和匹配日期，对各匹配日期之后的各股票涨跌幅数值进行平均，计算后期可能的涨跌幅；进行正负投票统计，计算可能的涨跌概率。该方法可用于对股票近期几天的涨跌幅和涨跌概率进行预测，从而为股票短线操作提供决策支持。

摘要： 本发明适用于信息处理技术领域，提供了一种股票或股票投资组合波动率的预测方法、装置，所述方法包括：接收输入的投资组合中的股票代码、投资组合中的股票代码对应的权重、起止时间；从风险控制模型数据库读取预先根据前一日基础数据计算得到的风险控制参数的值，风险控制参数包括股票风险因子、股票风险因子的因子回报、因子回报的协方差矩阵以及残差波动率，所述残差波动率是不能由股票风险因子所解释部分回报的波动率；根据所述股票代码、股票代码对应的权重、起止时间以及所述股票风险因子、因子回报的协方差矩阵、残差波动率的值，计算得到所述投资组合在所述起止时间内的波动率。本发明大大减少了计算波动率的时间且计算精确度比较高。

摘要： 本发明涉及一种基于2‑维流预测的股票趋势预测方法，其特征在于，抽取历史数据，分别在横向和纵向时间点上进行预测，然后将预测的结果进行合并得到最终的预测数据。本发明的优点是：可以有效地解决1‑维预测中存在的一步滞后问题。

摘要： 本发明公开了基于蒙特卡洛-灰色预测混合算法的股票价格预测方法，其特征在于，包括以下步骤：步骤1：获取原始数据时间序列，无风险利率值；步骤2：利用蒙特卡洛的汇编语言模拟出短期的证券价格；步骤3：建立灰色预测模型，利用灰色预测的汇编语言预测出短期的证券价格；步骤4：将两种方法预测出来的结果乘以各自的权重混合预测得出最终的证券价格；所述权重的比例通过多次股市预测实验来确定；步骤5：误差检验：通过检验预测值与真实值的误差可得到预测精度。本发明利用蒙特卡罗-灰色预测混合算法预测股票价格，可对大盘指数或个股股价作出短期预测，能够为广大投资者提供有效的投资操作建议。

摘要： 本发明提供一种基于高送转股票预测的集成模型的股票预测方法，包括步骤：S1：建立高送转股票预测的集成模型；S2：确定个体分类器；S3：利用差分进化算法对个体分类器的参数进行优化；S4：对数据进行预处理，对数据进行因子筛选和因子合成；S5：利用数据集对个体分类器进行训练；S6：利用训练后的个体分类器对数据集进行预测；S7：采用线性模型作为元学习器，利用新的训练集对线性模型进行训练；S8：利用训练后的个体分类器进行预测获得初步预测结果；再将初步预测结果输入训练后的线性模型获得最终预测结果。本发明是一种基于高送转股票预测的集成模型的股票预测方法，集成模型得到更好的训练，进一步确保投资的安全性。

摘要： 本发明公开了一种基于改进黑猩猩算法优化深度信念网络的股票预测方法，其特征在于：包括以下步骤：S1:将股票数据输入到DBN网络中，初始化网络的结构，包含网络的隐含层数、每层的神经元数、学习率、批处理样本数，并对样本数据进行训练；S2:选用DBN模型输出预测值的平均百分比误差MAPE作为优化目标函数；使用黑猩猩优化算法，对DBN的学习率和批处理样本数参数进行优化，避免人为经验设置参数造成的网络性能不稳定性，从而获得最佳的参数组合，提高了DBN模型对于不同股票数据的预测性能。

摘要： 本发明公开了股票预测与投资组合优化方法、系统、计算机及存储介质，采用基于禁忌搜索和微分进化的融合算法DETS，将历史数据与预测数据融合成为新的数据以改善历史数据集的缺陷，再通过融合算法DETS和Pareto排序理论相结合进行投资组合配置，从而解决预测难、组合优化难两大难点，规避现有的投资组合优化算法专注于历史数据且存在解的全局搜索能力低、时间复杂度高和解集收敛性低等缺点，在求解速度、解集的优化质量上都有较高提升，达到提高收益、降低风险的目的。