基于SVRANN混合模型的股指预测研究

基于经验模式分解的股指组合预测模型

基于经验模式分解的股指组合预测模型，张文凤，黄薇，股指预测是金融时间序列研究中的重点问题与难点问题，其在理论及实践领域均有重要意义。本文将股指数据视为一种由多信号叠加而成

PDF

0B

2020-06-02 05:32

论文研究基于GD FNN的金融股指预测模型.pdf

针对股票市场内部结构复杂性和外部因素多变性，构建一种基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型对金融股指进行预测。以上证指数为例，在价格和成交量的基础上，将与股票市场密切相关的宏观

PDF

765KB

2020-07-16 22:49

论文研究基于特征选取与LSTM模型的股指预测方法研究.pdf

为了更好地研究股指预测问题，提出了基于特征选取与LSTM模型的股指预测方法，该方法从优化特征参数选取角度对模型预测能力进行提升，包含全面选取特征参数、应用系统聚类法进行特征分类、应用主成分分析对分类特

PDF

0B

2020-02-16 06:22

基于串联灰色神经网络的股指预测模型

基于串联灰色神经网络的股指预测模型，王吉培 ，王聪颖，利用灰色预测中的累加生成运算对原始数据进行变换，从而得到规律性较强的累加数据，便于神经网络进行建模和训练，并利用神经网络

PDF

236KB

2020-07-20 17:26

论文研究基于ARMA的混合卷烟销售预测模型.pdf

为了提高卷烟销售预测准确性，平衡生产与需求，协同工商业，建立切实合理的月供应计划，提出了一个基于ARMA(autoregressivemovingaveragemodel，自回归滑动平均模型)的混合卷

PDF

0B

2019-08-01 01:58

论文研究股指期货价格预测模型的比较研究

小波神经网络已广泛应用于预测领域。 然而，由于其局限性和收敛速度慢的缺点，其预测精度在一定程度上受到限制。 本文基于小波分析和改进的基于PSO的神经网络，提出了基于小波分析的股指期货价格预测模型。 通

PDF

955KB

2020-07-17 18:50

基于预测模型的房价预测研究

本研究文件重点探讨利用预测模型进行房价预测。文件中将详细介绍预测模型的构建方法，并通过实例演示如何利用该模型对房价进行预测。

7z

1.24MB

2024-07-01 23:16

基于微信机构投资者情绪和LSTM模型的股指预测研究

基于微信机构投资者情绪和LSTM模型的股指预测研究,马思畦,肖智,首先针对投资者情绪指标量化方式问题,提出基于投资者机构微信公众号文本内容的情感分类作为量化指标,引入长短期记忆神经网络模

PDF

865KB

2020-08-06 03:44

基于ARCH族模型的上证A股指数VaR风险预测分析

基于ARCH族模型的上证A股指数VaR风险预测分析，贾胜如，，VaR方法作为当前国际金融界广泛认可的一种度量金融风险的工具,本文用当前金融领域刻画条件方差最典型的GARCH模型及其最新衍生模型如

PDF

0B

2020-03-09 18:17

BP神经网络股指预测模型

BP neural network stock index prediction model

DOC

0B

2019-06-22 05:39

论文研究基于小波分析的股指期货高频预测研究.pdf

论文研究-基于小波分析的股指期货高频预测研究.pdf, 基于低频金融数据的预测,在时间上具有长期性,依赖于整体经济环境,不能形成短期内的准确预测.但是由于高频金融时间序列具有非线性、非平稳性以及其特有

PDF

0B

2020-01-03 16:15

论文研究_基于混合核函数FOA_LSSVM的预测模型.pdf

支持向量机（SVM）的核函数类型和超参数对预测的精度有重要影响。由于局部核函数学习能力强、泛化性能弱，而全局核函数泛化性能强、学习能力弱的矛盾，通过综合两类核函数各自优点构造了基于全局多项式核和高斯核

PDF

634KB

2020-07-16 04:56

基于ARIMA LSSVM混合模型的犯罪时间序列预测

对犯罪时间序列的预测对帮助公安部门更好地掌握犯罪动态,实现智能犯罪发现具有重大意义。针对犯罪时间序列预测的计算需求,结合真实犯罪数据集,提出了ARIMA-LSSVM混合模型。该模型通过ARIMA预测出

PDF

340KB

2020-10-28 02:48

基于LSTM神经网络的美股股指价格趋势预测模型的研究_孙瑞奇

基于LSTM神经网络的美股股指价格趋势预测模型的研究_孙瑞奇

CAJ

0B

2018-12-28 22:45

基于GARCH族模型的我国股指期货风险价值研究

基于GARCH族模型的我国股指期货风险价值研究，何敏，，金融时间序列具有分布的厚尾性、波动的集聚性等特点，传统方法难以准确度量其风险。根据GED分布适合刻画资产收益的厚尾分布和GARCH�

PDF

0B

2020-03-08 04:50