共查询到19条相似文献，搜索用时 578 毫秒
1.
许毓坤 《宁波职业技术学院学报》2007,11(5):91-94
股市波动与宏观经济变量之间有着复杂的非线性关系。分析了影响股指的宏观经济因素,利用2000年至2006年度的相关数据建立BP神经网络模型仿真、建模和预测,取得预定效果,并对2006年度股指的快速上涨现象做出分析,得出我国股市已进入复苏上涨期。 相似文献
2.
股指期货合约是为了适应投资者规避市场波动风险需要而产生的.我国从2010年4月开始正式交易股指期货,无论是利用它进行市场投资,还是进行对冲和套期保值,一个不得不面对的问题就是怎样科学对它的波动性进行预测.运用EGARCH模型对沪深300股指期货的杠杆效应进行了实证分析,结果发现,股指期货的日收益率存在着明显的杠杆效应,收益率对波动强度的影响具有非对称性. 相似文献
3.
基于发展较成熟的恒生指数日收益率波动情况,引入股指期货推出前后的虚拟变量,建立ARCH和GARCH模型,检验股指期货推出对股指波动的影响,有利于揭示股指期货的波动性规律,降低市场系统性风险。实证研究结果表明,GARCH（2,1）模型拟合效果最佳;股指期货的推出,不但没有增加股指的波动性,反而对其波动性有所降低,但这种影响从数值来看非常小。 相似文献
4.
黄百清 《泉州师范学院学报》2001,19(6):10-15
回顾了中国股市十年发展变化的特点，运用概率统计等方法建立数学模型，分析股指波动规律及主要影响因素，并试预测今后10年的股市的变化趋势。 相似文献
5.
为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性。研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大。因此,LSTM模型在金融经济预测领域有较高的应用价值。 相似文献
6.
中美股市波动的联动性的实证分析 总被引：1，自引：0，他引：1
用二元GARCH模型的方法建立了中美股票市场的波动模型,考察了中美两个股票市场从2002—2007年间的股指波动的联动性问题。结果显示:随着中国经济的不断开放,中国的股票市场的波动和美国股票市场的波动存在递增的联动性,且中国股票市场的波动对美国股票市场的波动的单方面影响尤其显著。分析了产生这种结果的原因,并提出相关的建议 相似文献
7.
受宏观政策和突发事件的影响,股票价格通常会发生剧烈波动。运用近似熵和滑动技术相结合的方法,计算样本数据序列的近似熵,对上证综指和深圳成指时间序列进行了异常波动分析。分析结果表明,股票市场的波动特征与股指时间序列的近似熵值密切相关,伴随宏观政策调整或突发事件的发生,股指近似熵值通常会偏大,股市波动性也越强。 相似文献
8.
采用带三类不同噪音的ARMA-ARCH模型拟合沪深股指收益率分布,并通过随机模拟的方式进行拟合优度检验,结果显示,基于分形高斯噪音的ARMA-ARCH模型能够较好刻画沪深股指收益率波动的长相依性、厚尾性及波动性聚类特征.进一步通过两类不同Copula-ARMA-ARCH模型处理沪深股指相依性,并通过随机模拟进行拟合优度检验,模拟结果显示,基于分形高斯噪音的Student's t Copula- ARMA-ARCH模型能够较好刻画沪深股指收益率波动的VaR风险. 相似文献
9.
《东南大学学报》2016,(4)
为解决跨数据库语音情感识别领域中实验数据集特征不匹配的问题,提出一种基于时频原子的听觉注意特征提取模型.首先,为了提取频谱特征,引入听觉注意模型对多类情感特征进行有效的探测.然后,利用选择注意机制改进了提取的语谱图特征,其中包含的显著性信息与跨库识别性能有紧密联系.再引入Chirplet时频原子,通过形成的过完备原子库提高语谱图特征的信息量.来自多个数据库的样本具有多成分分布的特征,据此所提模型中的Chirplet扩大了特征向量在时频域上的尺度.实验结果显示,相比传统特征模型,所提方法性能有显著提升.此外,该方法在训练集和测试集来源不一致情况下具有更好的鲁棒性. 相似文献
10.
运动想象脑电信号的特征提取对脑-机接口研究者是一大难题。针对该问题,介绍了一种相位同步和AR模型系数相结合的特征提取方法。该方法对采集的脑电信号进行Hilbert变换计算脑电信号的相位同步特征,选用Burg算法对滤波后的脑电信号进行AR模型谱估计,比较6阶和8阶功率谱密度,求出AR模型的系数为6。采用支持向量机对两种特征组合的14维特征向量进行分类。分类结果显示在Trail的3s~7s期间,相位同步与AR模型系数相结合的特征提取平均分类正确率为82.58%,最高分类正确率达到了88.96%,优于传统的小波变换和共空域模式特征提取方法。实验结果也表明相位同步特征提取的最佳时间为Trail的3s~7s期间,该方法为BCI研究运动想象脑电信号的分类识别提供了有效手段。 相似文献
11.
为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。 相似文献
12.
为了避免股票市场中因子之间复杂非线性关系引起的多因子选股模型过拟合现象,基于因子偏离度对股票因子数据进行分析,筛选影响股票收益率的有效因子,通过梯度提升树对股票影响因子的权值进行不断调整和分析,建立一个DEV-GBDT量化选股模型,再根据基于因子偏离度的GBDT多因子选股模型的预测结果进行模拟交易,以沪深300指数成分股2010年1月1日—2019年7月31日数据为例进行实证分析。实验结果表明,DEV-GBDT选股模型的年化收益率达26.14%,比传统GBDT选股模型提高8.61%。基于因子偏离度的GBDT多因子选股模型能有效识别股市影响因子,提高股票预测准确度,帮助投资者获得超额收益。 相似文献
13.
为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。 相似文献
14.
许伟河 《福建工程学院学报》2014,(4):386-391
文章运用基于滚动窗口的马尔科夫链预测模型,对上证综指的变动进行研究,创新的给出概率转移矩阵、极限概率以及预测准确率的时变特征,并给出马尔科夫链预测模型的最优窗口长度和状态定义阀值。研究揭示,大盘波动幅度与大盘的极限概率有着密切的关系;股指期货推出后大盘平盘概率占据主导地位,平稳性显著提高,马尔科夫链预测模型的预测准确率也有了较大提高。 相似文献
15.
提出一种基于长短期神经网络的深度学习预测模型,依托现场数据对土仓压力进行预测。结果表明,在5个可控因素的基础上,增加与土仓压力具有相关关系的不可控因素作为输入,评价指标平均绝对误差、均方误差分别降低了0.901%、0.021%,校正后的决定系数提高了16%,为土仓压力的精准预测和设定提供了借鉴。 相似文献
16.
多变量混沌时间序列局部多项式预测方法及应用 总被引：1，自引：0，他引：1
为了改善混沌时间序列的预测精度,提出了一种新的多变量混沌时间序列的局部多项式预测方法.它首先利用多变量时间序列的相空间重构理论重构相空间,并据此利用多项式函数构造预测模型,该模型根据嵌入维数构造数据矩阵,进行模型的参数估计和计算一步预测值,最后根据平均根统计量推断预测效果.Lorenz系统的模拟仿真和上海综合股价指数的局部预测结果表明:用多变量混沌时间序列局部多项式预测法进行预测的误差小,且比单变量混沌时间序列局部多项式预测法的预测精度高. 相似文献
17.
为提高销售预测准确率,提出一种基于改进 XGBoost 的销售预测方法。首先对销售量影响因素进行特征分析,通过改进灰色关联分析方法对训练数据进行降维处理|然后采用基于 XGBoost 算法的销售预测方法对降维后的特征数据进行监督训练|最后使用训练后的模型对销售情况进行预测评估。实验结果表明,基于灰色关联分析和 XGBoost 模型的销售预测方法正确率达到 95%以上,比传统的经典预测方法提高 35%以上,比 XG?Boost 预测方法提高 19.6%。基于灰色关联分析与 XGBoost 模型的销售预测方法不仅能有效处理海量数据,提高销售预测准确率,还能为制造企业实现产品精准投放提供决策依据。 相似文献
18.
19.
针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。 相似文献