股价预测
股价预测的相关文献在1995年到2022年内共计172篇,主要集中在财政、金融、自动化技术、计算机技术、经济计划与管理
等领域,其中期刊论文146篇、会议论文6篇、专利文献94177篇;相关期刊107种,包括经济研究导刊、商情、商场现代化等;
相关会议6种,包括第六届公司治理国际研讨会、2005第一届中国分类技术与应用研讨会(CSCA)、2005年全国高等学校计算数学年会暨第八届全国青年计算数学研讨会等;股价预测的相关文献由343位作者贡献,包括李杰、范雯、陈媛先等。
股价预测—发文量
专利文献>
论文:94177篇
占比:99.84%
总计:94329篇
股价预测
-研究学者
- 李杰
- 范雯
- 陈媛先
- 何震宇
- 冯家诚
- 吕奇杰
- 孙丽丽
- 张伟
- 张晓峰
- 戴稳胜
- 方宏彬
- 朱星星
- 殷洪才
- 胡蕾明
- 赵春燕
- 顾欣
- 颜七笙
- 饶东宁
- 马锐
- 齐龙武
- David Pitt
- 丁全红
- 丁华明
- 丁小帅
- 万迪
- 严高剑
- 于德胜
- 何朗
- 余雪媛
- 侯平军
- 侯敏
- 俞建宁
- 储小俊
- 冯宇旭
- 冯宇皓
- 冯居易
- 冯盼
- 凌江怀
- 刘伟龙
- 刘凤根
- 刘勇军
- 刘园园
- 刘娟
- 刘宇红
- 刘引
- 刘思峰
- 刘新卫
- 刘新月
- 刘明婉1
- 刘星
-
-
刘新月;
程希明
-
-
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。
-
-
钟琳;
颜七笙
-
-
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。
-
-
张晓芳;
钱蕊
-
-
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.
-
-
许飞飞;
胡月;
汪召兵
-
-
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。
-
-
谷嘉炜;
韦慧
-
-
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.
-
-
林昕;
朱小栋
-
-
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。
-
-
张晓旭;
高振涛;
吴磊;
李鑫;
卢明静
-
-
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。
-
-
李潇俊;
唐攀
-
-
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。
-
-
姜明华;
陈赟
-
-
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%。
-
-
尹路
-
-
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。
-
-
-
-
-
-
-
-
-
梁循
- 《2005第一届中国分类技术与应用研讨会(CSCA)》
| 2005年
-
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。
-
-
梁循
- 《2005第一届中国分类技术与应用研讨会(CSCA)》
| 2005年
-
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。
-
-
梁循
- 《2005第一届中国分类技术与应用研讨会(CSCA)》
| 2005年
-
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。