股价预测

摘要： 针对创业板短期股票价格涨跌趋势的预测问题,提出了利用财务指标进行分析的股价涨跌预测模型。通过分析股票市场的影响因素,确定了由6类财务指标构建的特征变量体系;为消除特征变量之间的共线性,对特征变量应用递归特征消除法、主成分分析法等进行降维;改进测试集选取方法,选用与训练集具有相同季节特征的数据作为测试集,以消除季节性影响;选取随机森林、支持向量机、岭回归3种机器学习算法建立数学模型进行对比分析。结果显示,主成分分析与支持向量机的组合模型表现最好,其评价指标中测试集精确度为0.771 812,表现较好;其KS指标在训练集和测试集上的差值为0.002 45,低于其他模型,表明该模型对创业板股票数据的适配性最高。

摘要： 为了提高股票价格预测的精度,针对中国石油股票价格预测问题,提出了粒子群算法(Particle Swarm Optimization,PSO)优化极限学习机(Extreme Learning Machine,ELM)的股票价格预测模型。通过粒子群算法对极限学习机的权值以及阈值参数进行优化,构建PSO-ELM预测模型,并将其用于中国石油股票价格预测。仿真实验表明,与ELM、PSO-BP、DE-ELM相比,其预测均方误差分别下降了1.84%、1.07%、0.97%,拟合优度决定系数R^(2)为0.9743,即PSO-ELM有着较高的预测精度。为了给股票投资者更好的投资建议,对PSO-ELM模型分别进行股价短期、中期、长期的预测,结果表明PSO-ELM模型短期预测精度较高,随着时间的推移预测的精度有所下降。

摘要： 支持向量机(SVM)方法作为数据挖掘中的一种人工智能方法,能够解决数据维数过大、非线性、小样本等问题,在股价预测方面比其他方法具有更大的优势.本文利用支持向量机的分类原理,用上证180股价指数中的90个成分股作为训练样本对支持向量机模型进行训练,选取上市公司基本面中的行业特征和公司相关财务指标以及股票市场中的技术指标,然后用训练好的模型对剩余的90个成分股样本的股票价格的涨跌进行分类预测,结果显示支持向量机方法对股价涨跌的预测具有较高的准确性.

摘要： 为了降低股票市场中噪声信息和投资者情绪对股票价格的影响,以便给投资者带来较高的投资回报并降低交易风险,特提出一种基于金融双向编码器表征和瓦瑟斯坦距离的生成式对抗网络(financial bidirectional encoder representation from transformers and Wasserstein generative adversarial networks,FWGAN)股价预测模型。本模型首先采集东方财富网股评数据,并利用自然语言处理预训练模型将股评数据量化为情绪值,然后将情绪值连同历史股票交易数据、技术指标数据输入由长短期记忆网络(long-short-term memory,LSTM)为生成器和卷积神经网络(convolutional neural network,CNN)为判别器组成的FWGAN模型中进行训练。对比LSTM模型、门控神经网络(gated recurrent units,GRU)模型和生成式对抗网络(generative adversarial networks,GAN)模型对山西汾酒股价的预测性能,结果表明,FWGAN模型的均方根误差为2.572,达到最低,预测效果最好。试验结果验证了本模型对股票时间序列预测的有效性和优越性,可以为投资者进行股价预测提供参考。

摘要： 提出XGBoost-ESN组合模型股价预测方法.使用网格搜索法对XGBoost模型和ESN模型进行参数优化并改进模型结构,利用最小二乘法联合XGBoost和ESN进行数据预测.测试结果表明,改进的XGBoost-ESN组合模型能有效减少预测误差,对股票价格预测的精度更高.

摘要： 针对时间序列分析方法和神经网络对于股价预测具有一定局限性的问题,将基于Attention机制的LSTM模型应用于股价预测;以2014-01-02—2020-09-22日的上证工业指数、上证环保指数等相关数据为样本,在LSTM模型中引入Attention机制,使模型聚焦于重要的股价特征信息,预测股票第二日的最高价;实证研究发现,相较于MLP,RNN和LSTM模型,基于Attention机制的LSTM模型的RMSE值比基准模型平均降低了3%-45%左右,4种模型对环保企业的预测精度均高于污染企业;随后将空气质量指数,温度和湿度纳入特征,提升反映污染企业和环保企业股价规律相关特征的数据质量,实证结果发现在加入新的特征以后,4种模型在预测上证工业指数和上证环保指数波动趋势时,RMSE值均下降了1%左右。

摘要： 股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出"涨跌"概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子-经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络U的参数θ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。

摘要： 文章从深度学习技术角度出发,将技术分析指标、基本面分析指标与混合循环神经网络模型相结合构建新型股价预测模型,并提出滚动样本预测评价法检验股价预测模型的长期有效性。研究发现,相较于以往研究模型,基于LSTM模型和GRU模型构建的混合循环神经网站模型能更有效地提取技术分析指标和基本面分析指标的数据特征,从而给出预测个股股价的最优网络结构;该混合循环神经网络模型在长期预测上具有更高的预测精度。

摘要： 利用关系数据进行股价预测的方法最近已经被提出,但目前还没有找到一种有效的方法可以有选择地聚合不同类型的关系数据去预测股价。提出一种改进的多层节点图注意力网络(FHAN)模型,该方法融合Fraudar算法,提供了一种对多个对象关系之间看问题的视角。模型把公司看做节点,把交互看成边,选择性地聚合不同关系类型的信息,并将这些信息添加到每个公司的节点表示中,添加了信息的节点表示被输入到特定任务层自动选择信息,实验结果表明,该方法比目前流行的神经网络算法在股价预测的效果上更准确,实验选取不同神经网络算法做对比,在最优参数条件下,采用该方法比现有方法准确率平均提高约4%,最高提高约24%。

摘要： 本文引入了误差校正的思想,先利用ARIMA-GARCH模型对日收盘价进行初步预测,但是预测精度不高,通过对误差序列进行的白噪声检验,发现误差序列存在还有未被ARIMA-GARCH模型提取的信息。再利用变量间的相关关系,寻找与误差序列相关的变量。随后通过主成分分析对变量进行降维,以筛选出合适的解释变量。将解释变量与误差序列进行回归建模,对误差进行预测。最后将预测的误差值与ARIMA-GARCH模型的预测值相加,得到最终的预测值。通过将最终的预测值与ARIMA-GARCH模型的预测值相比较,观察到预测精度有了很大的提高,进而验证了引入误差校正的方法是合理的。

摘要： 基于ELman神经网络原理，建立了对股票长期价格变化、中期价格变化、短期价格变化进行分析预测的动态模型，并阐述了在Matlab开发环境中的实现方法.最后以浦发银行2005年12月及2006年1月收盘价为分析原始数据，进行了的仿真计算，证明本模型是切实可行的.

摘要： 本系统在深入分析股票投资理论和股价预测方法的基础上，从实用的角度出发，提出了人工神经元网络在经济领域的应用，即利用神经BP网络对股票市场股价走势进行预测的方法，重点对利用各种不同网络结构和网络参数所得预测结果进行分析。大量的仿真结果表明，神经预测在证券系统中有一定的实用性，进一步深入的研究必将为投资者提供准确的决策和丰厚的回报。

摘要： 运用随机过程及可拓学的原理，建立了股价波动描述模型，并提出了一套运用该模型对未来股价进行预测的方法。

摘要： 本文以机构投资者持股对股价与会计盈余信息关系的影响为切入点，深入分析了2004-2009年我国证券市场上机构投资者持股因素在促进股价反映未来盈余信息中的作用。实证结果发现：机构投资者持股比例与股价反映未来盈余信息的程度正相关，即机构投资者持股比例越高，股价中反映的未来盈余信息越多，当期盈余信息越少，机构投资者的持股加速了未来盈余信息在股价中的反映程度。而QFII对股价中未来盈余信息反映程度的影响略高于证券投资基金，但是该种差异不具有统计上的显著性。

摘要： 本文以机构投资者持股对股价与会计盈余信息关系的影响为切入点，深入分析了2004-2009年我国证券市场上机构投资者持股因素在促进股价反映未来盈余信息中的作用。实证结果发现：机构投资者持股比例与股价反映未来盈余信息的程度正相关，即机构投资者持股比例越高，股价中反映的未来盈余信息越多，当期盈余信息越少，机构投资者的持股加速了未来盈余信息在股价中的反映程度。而QFII对股价中未来盈余信息反映程度的影响略高于证券投资基金，但是该种差异不具有统计上的显著性。

摘要： 本文以机构投资者持股对股价与会计盈余信息关系的影响为切入点，深入分析了2004-2009年我国证券市场上机构投资者持股因素在促进股价反映未来盈余信息中的作用。实证结果发现：机构投资者持股比例与股价反映未来盈余信息的程度正相关，即机构投资者持股比例越高，股价中反映的未来盈余信息越多，当期盈余信息越少，机构投资者的持股加速了未来盈余信息在股价中的反映程度。而QFII对股价中未来盈余信息反映程度的影响略高于证券投资基金，但是该种差异不具有统计上的显著性。

摘要： 本文以机构投资者持股对股价与会计盈余信息关系的影响为切入点，深入分析了2004-2009年我国证券市场上机构投资者持股因素在促进股价反映未来盈余信息中的作用。实证结果发现：机构投资者持股比例与股价反映未来盈余信息的程度正相关，即机构投资者持股比例越高，股价中反映的未来盈余信息越多，当期盈余信息越少，机构投资者的持股加速了未来盈余信息在股价中的反映程度。而QFII对股价中未来盈余信息反映程度的影响略高于证券投资基金，但是该种差异不具有统计上的显著性。

摘要： 互联网股市信息强度的显著增加常常和股价的显著变化相关联.当某公司的这个强度增加较小时,相应股价也较平静.当该公司的这个强度增长较剧烈时,相应股价常常也波动较大.通过引进一个自适应的标准差,提出了一种基于统计的确定互联网股市信息强度显著增长的方法,并且定义了相应股价显著变化的标准,从而完成了对互联网股市信息强度增长和股价波动的"显著"和"非显著"的分类.实证分析表明,这种分类方法有助于建立互联网股市信息强度增长和股价波动之间的映射关系,提高了互联网股市信息强度对股价的预测能力,从而提供了从互联网信息角度来了解股市的微观结构的新线索。

摘要： 互联网股市信息强度的显著增加常常和股价的显著变化相关联.当某公司的这个强度增加较小时,相应股价也较平静.当该公司的这个强度增长较剧烈时,相应股价常常也波动较大.通过引进一个自适应的标准差,提出了一种基于统计的确定互联网股市信息强度显著增长的方法,并且定义了相应股价显著变化的标准,从而完成了对互联网股市信息强度增长和股价波动的"显著"和"非显著"的分类.实证分析表明,这种分类方法有助于建立互联网股市信息强度增长和股价波动之间的映射关系,提高了互联网股市信息强度对股价的预测能力,从而提供了从互联网信息角度来了解股市的微观结构的新线索。

摘要： 互联网股市信息强度的显著增加常常和股价的显著变化相关联.当某公司的这个强度增加较小时,相应股价也较平静.当该公司的这个强度增长较剧烈时,相应股价常常也波动较大.通过引进一个自适应的标准差,提出了一种基于统计的确定互联网股市信息强度显著增长的方法,并且定义了相应股价显著变化的标准,从而完成了对互联网股市信息强度增长和股价波动的"显著"和"非显著"的分类.实证分析表明,这种分类方法有助于建立互联网股市信息强度增长和股价波动之间的映射关系,提高了互联网股市信息强度对股价的预测能力,从而提供了从互联网信息角度来了解股市的微观结构的新线索。

摘要： 本发明涉及金融信息数据处理技术领域，尤其涉及一种基于变分模态分解和单循环单元的股价序列预测方法，包括以下步骤：切割，使用滑动窗口把整个股价序列切割为多个子段；去噪，使用VMD对所有子段序列进行分解，去除噪声分量后重构时间序列；聚类，使用DMPSM计算任意两个子段序列之间的个性化相似性，根据其大小将去噪后的序列分为多类；预测，针对每一类中的子段序列训练一个最优的SRU模型，判断待测序列所属类别后使用所述SRU模型进行预测。本发明的有益效果：提高了预测结果的准确度和预测速度，参数自适应确定方法提高了分解准确性和减少了计算负担，个性化相似性测度解决了时间漂移和错位现象，反映了时间序列的个性化特征。

摘要： 本发明涉及股价长期趋势预测方法、装置、电子设备及存储介质，属于深度学习技术领域。本发明利用K线数据获取能够表征股票的走势变化的第一技术指标因子，将K线数据和第一技术指标因子进行结合以更完善地体现股票市场的波动特征，从而提高股价预测的准确性，且利用多个K线数据和多个第一技术指标因子，以合理预测得到多个时间点对应的股票收盘价，使得预测结果能够反映股价的长期趋势，从而提高股价预测结果的实用性。

摘要： 本发明提供一种基于LSTM模型的股价预测方法及系统，涉及股票预测技术领域。本发明首先针对不同股价预测类型分别获取股价预测的标的数据以及获取输入特征数据，其中，输入特征数据包括基础指标数据、宏观环境指标数据，以及公司特征指标数据；然后基于不同组合方式的输入特征数据以及标的数据训练不同参数配置的股价预测模型，以确定最优输入特征数据组合方式以及股价预测模型的最佳参数配置；最后将股价预测实时输入特征数据以最优输入特征数据组合方式输入最优参数配置的股价预测模型，获取实时股价预测结果。本发明相比于现有技术提高了股价预测的精准度。

摘要： 本申请实施例提供了一种股价数据预测方法及装置，该方法包括：获取目标数据集和目标股价，该目标数据集包括在第i个周期时间内多个第一投资者针对目标股票发表的多条评论数据，该目标股价为在第i个周期时间内目标股票的平均股价；将目标数据集和目标股价输入股价预测模型，得到输出结果，该输出结果包括预测股价，预测股价为预测的第i+m个周期时间内的平均股价，m为时间滑动窗口。本申请通过具备内生递归股票预测模型对股价进行预测，能够解决股票价格预测的长时依赖问题，提高股价预测结果的准确度。

摘要： 本发明提供一种基于3D‑CNN和哈希注意力机制的LSTM股价预测优化方法，包括如下步骤；针对股票数据高维的特征引入多维卷积神经网络机制加强股票数据中的深度特征提取能力，其中股票数据为基本属性、技术指标和融合市场情感评论文本的多组相关时态数据；根据步骤1中的股票数据维度，确定一维卷积神经网络类型；因步骤1中包含三种股票数据类型，因此采用三个卷积神经网络，并采用高斯核函数作为卷积核，采用池化层大小为4的维度进行池化操作；对于基础网络LSTM选用基于局部敏感哈希的注意力机制来调整神经元权重，使得影响大的神经元占比更大。本发明将注意力机制用于LSTM隐藏层神经元状态权重调整，增加有效特征的对最终输出的影响程度，提高了预测准确率。

摘要： 本发明公开了一种基于量子贝叶斯的股价预测方法，包括：确定股价预测因素和因素之间的依赖关系；建立量子贝叶斯决策模型；对待预测股价进行预测；其中，所述建立量子贝叶斯决策模型包括：将所述因素量子化，将训练数据集中的训练样本量子化，其中因素作为变量；引入辅助量子比特，存储变量之间的依赖关系值，将依赖关系值存储在辅助量子比特的概率幅中；使用训练数据集进行结构学习；使用训练数据集进行参数学习。本发明的优点在于：通过分析影响股价波动的各因素之间的因果关系，更加全面的表示出股价变化的原因；通过概率推理的方式，直接对股票的绝对价格进行预测；发挥量子计算优势，解决现有技术存在的计算成本高，贝叶斯决策规模小的问题。

摘要： 本发明公开了一种基于深度学习的股价预测系统及方法，涉及金融科学技术以及计算机人工智能领域。本发明的预测系统包括市场实时行情采集单元、机器学习建模单元、预测处理单元、预测系统数据库、人机交互单元以及通信单元；该方法包括：步骤100：建立基于现有的机器学习技术(LSTM)开发的对未来股价涨跌的预测模型；步骤101：获取A股市场的历史和实时交易数据，输入预测模型；步骤102：预测模型基于输入的交易数据，对个股在短期内的涨跌情况进行预测处理，获取能够用于实时市场交易和建立新预测模型的交易建议。本发明能够将数据存储在对应不同种类金融产品、不同交易频率的数据库中，通过构建基于同一深度学习技术的统计学模型得到不同需求的输出结果。

摘要： 一种基于时间序列的煤炭行业股价预测方法，包括如下步骤：S1、获取目标股票的价格序列，并且将价格序列转换为时间序列；S2、对时间序列进行预处理，并且进行平稳性检验；S3、根据平稳性检验的结果构建乘积季节模型；S4、估计乘积季节模型中的参数；S5、对乘积季节模型进行检验，若检验通过则执行S6，否则返回S4；S6、利用乘积季节模型对目标股票进行预测。本发明提供一种基于时间序列的煤炭行业股价预测方法，预测结果准确度高。

摘要： 本发明公开了一种基于集成学习模型的股价预测方法，属于计算机数据处理领域，方法包括采集股票价格的历史数据和相应影响股价的基本因素；根据基本因素出现的时间点和固定时间间隔对股价历史数据和基本因素进行分组；构建股价预测模型；训练股价预测模型；测试股价预测模型；实时采集当前股票价格的数据和股票基本因素数据；根据当前的股价和基础因素输入股价预测模型预测未来一个时间点或者时间段的股价。采用了不同子网、不同层次以及不同权重的特征，构造了全新预测模型，通过对模型的训练和测试后，预测的股票价格非常精准，可以大大的减少了预测误差。

摘要： 能够基于用户自身对企业的业绩预测并参照过去的业绩以及股价来辅助股价预测。本系统包括:服务器，其具有处理器；客户端，其构成为向服务器发送与企业的业绩相关的用户的预测值；以及数据库，其存储有当前以及过去的企业的业绩以及股价，并构成为能够由服务器中读出当前以及过去的企业的业绩以及股价，服务器构成为，根据从客户端接收到的用户的预测值，从所述数据库中读出企业的规定范围内的过去的业绩以及当时的股价，使用读出的过去的业绩以及股价计算出倍数，并使用用户的预测值以及倍数计算出理论股价，在从数据库读出的当前的股价和理论股价偏离了规定值以上的情况下，向客户端发送警报。