顾忠伟[1]2003年在《灰色挖掘及其在证券分析中的应用研究》文中指出证券分析是证券投资领域的基础工作，如何在证券市场获利并降低投资风险，是每个投资者都关心的话题。关于证券投资分析的方法，国内外的有很多定量、定性的分析理论和实际作法，这些理论和实践各有其特点和应用范围。本研究试图将数据挖掘技术和传统的灰色系统理论结合，应用这种基于灰色系统理论的数据挖掘(我们称之为灰色挖掘)的技术来指导证券分析研究。 目前数据挖掘以及灰色系统理论在证券分析中的应用，国内外学者都做了不少研究，但是研究的层次还不够深入，所用到的挖掘方法也很有限，具有指导意义的实际应用就更少了。至于灰色挖掘的应用则更是微乎其微，甚至灰色挖掘本身这个概念都是作者第一次用到。作为一种新的尝试和探索，本文在总结前人成果的基础上，将一些成熟的数据挖掘技术结合灰色系统理论，构建了一套灰色挖掘体系，对灰色挖掘进行了系统地阐述；同时提出和改进了一系列灰色挖掘模型。这些模型包括灰关联模型、灰聚类模型、灰预测模型、灰神经网络模型、灰马尔可夫模型、灰序列模型、增长率和发展态势挖掘模型等等。除此之外，作者还将这些模型应用于证券分析领域，分别在证券分析领域的基本分析方面和技术分析方面做了卓有成效的实证应用研究。 我相信我的这些研究既是对灰色挖掘的应用创新，也是对传统数理统计技术在证券分析中应用的有益补充。
吴琳[2]2011年在《基于最小二乘支持向量机的时态数据预测研究及应用》文中指出在现实世界中,信息系统往往会涉及到时态数据,即与时间相关且含有时间属性的数据。时态数据是按一定的时间重新划分的带有时刻的数据,用于研究数据潜在的规律特性。将时态型数据通过一定方式变形后,人们经常可以在其中发现原始时间序列所不具有的规律。随着时态数据量的日益庞大,以及人们对隐藏在数据内的潜在规律和信息的需求,时态数据挖掘便应运而生。支持向量机(SVM)是建立在统计学习理论和结构风险最小化原则之上的一项新的技术,解决了时态数据挖掘中的非线性和不确定性等问题。最小二乘支持向量机(LS-SVM)是一种改进的支持向量机。最小二乘支持向量机通过一系列的变形,最终将标准SVM的二次规划问题转化为求解线性方程组问题,提高了求解问题的精度和收敛的速度。本文将在深入分析时态数据、时态型、时间粒度等概念以及支持向量机理论的基础上,采用由原子时态型构造其他时态型的方法,构造一个以p为时间粒度的时态数据模型,并设定初始的最小二乘支持向量机训练参数——控制回归误差的可调参数r以及径向基核函数的参数s2,接着对选取的原始金融市场的股票数据进行规范化预处理。由于最小二乘支持向量机的参数r和s2必须在训练前由用户给定,并没有一定的理论依据,具有一定的主观性和先验性,因此,为了得到更好的预测效果,本文改进了一种基于群体智能的优化算法——粒子群优化(PSO)算法,对模型的参数进行优化。得到优化的参数后,本文将训练最小二乘支持向量机模型,最后给出基于最小二乘支持向量机的时态数据预测。基于最小二乘支持向量机的时态数据预测能够不仅解决时态数据挖掘中的非线性和不确定性等问题,而且提高了求解问题的精度和收敛的速度。本文将基于最小二乘支持向量机的时态数据预测应用于金融行业,对金融市场存在的海量数据进行更加深入的分析,以寻求其中有价值的信息和规律,具有重要的应用价值。
张娜[3]2012年在《灰色神经网络预测系统的设计及应用》文中认为灰色系统理论的产生和发展为数据挖掘在小样本、贫信息的数据处理中提供了新的理论支撑与技术支持。灰色预测理论是灰色系统理论的重要分支之一以灰色GM(1,1)模型为核心的预测理论与方法得到了广泛应用。灰色预测方法对于具有“小样本”、“贫信息”特征的数据处理与预测有其独到之处,深受广大科研工作者的欢迎。BP神经网络以其层次分明的网络结构、较好的函数拟合效果,被广泛应用于预测、优化、管理等领域。为了更好地发挥灰色预测理论和BP神经网络预测方法的优势,本文将探索二者相结合的预测方法,建立新的预测模型、开发新的预测系统,探索新的应用途径。本文系统分析了灰色预测与BP神经网络预测的研究状况,寻找两种预测方法的结合点,力图在对传统的灰色GM(1,1)预测模型进行改进的基础上,将改进的灰色预测模型与BP神经网络结合,构建BB-BP-GM(1,1)组合模型,开发基于BB-BP-GM(1,1)组合模型预测系统,进一步提高预测的准确性。同时,深入研究具有非等间距的灰色GM(1,1)预测与BP神经网络预测相结合的方法,构建改进型非等间距灰色预测系统。本文运用新建的基于BB-BP-GM(1,1)组合模型预测系统,对河北省交通事故状况进行了分析和预测。通过非等间距灰色预测模型及其与BP神经网络的组合模型在河北交通事故的应用中的模拟和预测效果的对比发现,运用新模型的预测准确性有了进一步的提高。基于BB-BP-GM(1,1)组合模型预测系统的建立和应用具有一定的现实意义。
林香[4]2007年在《证券分析中数据挖掘模型的研究及应用》文中指出证券分析是现代金融分析的基本研究对象。证券市场在我国的短短几十年内迅猛发展,越来越多的人将资金投入到证券中,证券市场尤其在近几年异常活跃。而随着证券市场的快速发展也对证券分析系统提出了更高的要求,因此对证券分析系统的研究也成为金融分析研究的一个重要课题。同时数据挖掘技术近几年被研究越来越多,尤其在证券分析领域中,数据挖掘技术由于其具有强大的发掘潜在信息的能力,被广泛应用。在证券分析中,股票预测是金融数据挖掘的一个重要研究方向。股票时间序列除了具有非线性、非平稳和动态等一般时间序列具有的特征外,还具有高噪音、非正态、尖峰厚尾等特征,因此股票时间序列预测更具有挑战性,并有广阔的应用价值和市场前景。同时相似股票时间序列检索也是证券分析中的一个研究重点。随着证券市场的繁荣,股票价格的波动显得更加复杂,从大量股票的历史数据中快速查找出与其具有相似波动规律的股票从而进行预测或者投资组合分析是证券分析系统中不可缺少的功能。针对以上两个关键问题,本文重点研究了基于遗传BP神经网络混合模型在股票预测中的应用。传统的研究只能对短趋式的预测才有比较好的预测效果,同时大部分的模型都只适用于他们所实验的单一种类的数据而并不能适用于其他类型的测试数据,准确率偏低,连续预测值波动性小等问题。本文针对上述问题提出一种改进的遗传BP神经网络模型,通过实验表明,该模型适用于长期预测,同时预测结果准确率高。同时我们还建立了相似股票时间序列检索库,我们先对股票序列进行特征提取,然后使用模糊聚类方法对时间序列进行聚类分析,在模糊聚类分析方法中我们对其有效性指标进行了改进,提高了聚类效果。最后,基于以上理论算法的研究,我们利用软件工程的思想建立了金融证券分析系统,包括数据的获取,数据库的建立,到算法模型的实现以及结果的展示等。
谭华[5]2008年在《不确定时态数据挖掘方法及其在证券行情预测中的应用》文中研究说明随着金融全球化与自由化的推进,金融行业的运行效率与水平在很大程度上决定了一个国家的经济竞争力,而信息化技术越来越成为影响金融行业创新能力与发展水平的重要因素。近年来,许多金融机构开始运用先进的信息技术与智能决策支持技术对业务系统中积累的海量数据进行深入分析,以发现各种有价值的规律。数据挖掘技术作为一种新兴的智能决策支持技术,已经开始在金融行业的部分领域得到应用。在此背景下,研究如何从金融数据中挖掘出各种信息,更好地认识、掌握并利用其规律,无疑具有重要意义。与此同时,金融市场的信息具有不确定性众多、非线性和信息数据的模糊性及非结构性等特点。金融市场中的不确定性包含时间的不确定。这些问题都值得研究者们进行深入研究。不确定性方法与数据挖掘技术有一定的重迭性,两者在单独使用时都具有一定局限性。数据挖掘中存在不确定性问题,金融时间序列分析中也存在不确定性问题,并且传统数理统计方法不适用于从大量的数据中主动发现各种潜在规则,而不确定性方法在单独进行预测时会遇到小数据量等问题。本文根据具体选定的证券市场行情预测对象,将不确定性方法和数据挖掘技术的各自优势结合起来,得到一种基于不确定性方法和数据挖掘技术的不确定时态数据挖掘方法(UTDM)。该方法能更好地发挥不确定性方法和数据挖掘技术的优势,为证券市场的预测提供更好的技术分析方法,从而为投资决策者提供更为精确的定量分析结果。在对不确定性方法和数据挖掘技术的相关理论、研究发展现状及不足进行深入讨论的基础上,选取不确定性方法和数据挖掘技术中几种具有代表性的方法:在不确定性方法中选取模糊集方法、模糊相似关系下的模糊粗糙集及灰色理论;在数据挖掘中选取关联规则、神经网络等方法,用于构建证券市场的有效分析方法。在此基础上分别得到模糊相似关系下的模糊粗糙集挖掘预测方法、趋势特征挖掘预测方法、时间序列模糊关联规则挖掘预测方法及多灰色神经网络预测方法,用这些方法分别解决证券市场中短期的个股及股指的预测问题。论文后续部分则以此为基础进行展开。本文通过模糊相似关系下的模糊粗糙集和数据挖掘技术对股票价格进行预测研究,从证券市场的大量数据中得到强规则。利用模糊集和粗糙集方法将股票价格进行预分类,并按时间属性进行分组,通过给出的模糊相似关系下的模糊粗糙集计算每组的真值,利用数据挖掘技术获得候选属性,最终得到相应时间段内的有用规则,根据所得规则预测某一具体时间段内股票价格的变化趋势。将模糊粗糙集扩展到模糊相似关系下的模糊粗糙集,并应用到对股票价格的预测中,能较原模糊粗糙集方法得到更多的有用规则,准确率更高。将股票中的时间序列转换为以价格变动率为变量的时间序列进行分析,并对趋势特征提取、聚类算法进行改进,将时间序列的预测问题转化为频繁和有效特征集来发现问题,进而对趋势特征模式进行挖掘预测,根据连续一段时间内的涨跌情况判断市场的发展趋势。将时间序列模糊关联规则应用于证券市场的交易规则抽取。选用聚类方法对模糊集属性进行离散化,构造模糊集和隶属函数,引入时间维度,提出适合股票交易规则抽取的时间序列模糊关联规则算法,对一定时间段内股票间及行业间的关联关系进行最大限度的挖掘预测。提出将3种灰色预测模型,即残差GM(1, 1),无偏GM(1, 1)和pGM(1, 1)与神经网络预测模型有机组合起来,建立一种新的多灰色神经网络组合预测方法,并通过对中国证券市场综合指数进行模拟预测进行验证,对证券市场综合指数的预测及比较说明了该组合预测精度的有效性。
卢英[6]2009年在《灰色模糊多属性决策分析方法研究》文中认为决策是人类社会活动中非常重要的组成部分,对经济、社会的发展起着非常重要的作用。要做出正确的决策,必须综合考虑影响做出正确决策的各个属性,即多属性决策。多属性决策是决策科学领域里一个重要的研究问题,已广泛应用于工程、经济、市场分析、管理等实际问题中,因此,对多属性决策方法进行系统的研究对于解决实际问题具有重要的意义。随着经济的不断发展,社会变得越来越复杂,众多领域都存在着不确定性,因而,多属性决策问题也存在不确定性,这些不确定性通常包含模糊性和灰性。往往是一个多属性决策问题同时包含模糊性和灰性,我们称之为灰色模糊多属性决策(GFMADM)问题,因此,要解决这类问题,就必须同时考虑模糊性和灰性。近几年来,灰色模糊多属性决策方法的研究已引起了人们的极大关注,并取得了丰硕的成果。然而,灰色模糊多属性决策无论是在理论研究还是在方法应用方面,都还很不成熟,有待于人们的不断探索。本文在同时考虑多属性决策问题中的模糊性和灰性的情况下,主要研究了多属性决策中的灰色模糊权重确定方法,以及灰色模糊多属性决策分析方法。本文的研究成果如下:(1)提出了多属性决策问题中的灰色模糊权重确定方法。首先,在充分考虑人类认识的模糊性和对象系统的灰性的基础之上,将灰色模糊数引入到属性层次模型中,求出主观权重。再通过行为观察,利用客观信息建立线性规划模型,将求出的主观权重作为线性规划的约束条件,求解线性规划模型来反推属性权重。此权重既反映了主观意志又包含了客观信息。(2)提出了基于理想解法的灰色模糊多属性决策方法。传统理想解法忽视了“灰性不灭”原理,在求解问题时只考虑了模糊性,而没有考虑到灰性,在求解既包含模糊性又包含灰性的不确定多属性决策问题时就显得无能为力。本文利用理想解法的思想,在同时考虑模糊性和灰性的情况下,建立了基于理想解法的灰色模糊多属性决策模型。(3)提出了基于灰色关联度的灰色模糊多属性决策方法。灰色关联分析在解决小样本、贫信息的决策问题方面,有着其独特的优势。邓聚龙教授最早提出的灰色关联模型中的所有属性值都是精确数,本文用灰色模糊数来表示属性值,再建立灰色关联分析模型,使得决策分析更能体现人类思维的模糊性及客观事物的复杂性。(4)提出了基于向量关联度的灰色模糊综合评判模型。现有的灰色模糊综合评判模型中,都是将隶属度和灰度分开进行计算,这样会丢失大量信息,导致评判结果缺乏可靠性。本文将隶属度和灰度作为两个向量,利用向量关联的概念,建立了基于向量关联度的灰色模糊综合评判模型。
刘永芳[7]2004年在《遗传算法和BP网络及其在城市系统评价中的应用》文中提出城市系统是个典型的巨系统。因此，分析、研究、规划和管理城市系统应从巨系统的观点出发。城市系统评价是认识和研究城市系统的一种科学方法，为城市的规划、建设、管理等提供科学的依据。 文中对常用的评价方法进行了分析研究，指出了常用评价方法的优缺点，指出不同的评价方法有不同的适用环境，应用时应当结合实际的情况。详细阐述和分析了投影寻踪评价方法，并对其用于城市系统评价进行了尝试，结果表明投影寻踪评价方法应用于城市系统评价是可行且有效的。采用遗传算法对于投影寻踪方法在评价过程中涉及到的模型优化问题进行优化，遗传算法是模拟生物“优胜劣汰”进化过程而形成的一种高度并行、随机和自适应的通用性全局搜索算法，能够处理非线性较强的优化问题。对于标准遗传算法存在的问题，文中提出了一种改进的遗传算法——扰动式遗传算法，并对其运行效果进行了分析，改进后的算法在提高精度的同时能够达到全局收敛，并能有效地处理多极值问题。人工神经网络具有记忆功能，根据专家知识和源数据样本对网络进行训练，建立网络模型，就可以对同类评价问题进行评价，这样可以节省大量的财力物力，并且操作简单易行。论文在最后还提出了基于遗传算法的逼近理想点评价模型，并对其应用进行了尝试，评价结果合理且直观。
王宾[8]2012年在《扩展熵优化理论及其在投资组合中的应用》文中指出针对日益复杂的国际及国内政治经济形势，金融市场面临着巨大机遇与挑战。证券投资者如何在此环境背景下，将所受风险降到最低，从而获取预期收益，已经成为投资者亟需解决的问题之一，理智投资者通常选择组合方式进行投资，通过分散化选取股票以达到降低风险的目的，因此对于证券投资组合中风险的研究已逐渐成为学术界所面临的重大课题之一。传统证券投资组合理论以美国经济学家Harry Markowitz为依据，通过不断对其补充、完善使该模型更加符合投资者的决策需求。围绕着投资风险的度量问题，熵优化理论已经并逐步被学者关注，该理论能够较好地度量投资风险，从而弥补传统投资组合模型的不足，本文正是在现有熵优化理论基础上，通过对反熵优化问题及广义熵优化问题进行探讨，首先将熵优化理论进行扩展，并依此构建了证券投资组合中的反熵优化模型及广义熵优化模型，同时将投资者对风险的厌恶程度定量化，使得熵优化理论更贴近投资者的投资偏好，更加满足投资者的投资意愿。全文共分六章节进行阐述，具体安排如下：第一章首先介绍了本文的选题背景与选题意义，然后将证券投资组合的理论沿革与该领域较为认可的模型一一列举，最后阐述了本文的创新点；第二章主要对熵优化理论进行较为全面地分析，首先谈及熵优化理论及演变过程，然后论及到几种较重要的熵定律，最后指出熵优化理论在证券投组合领域应用的适用性及可行性；第叁章从物理学及数学中的反问题入手，定义了熵优化理论中的反熵问题，通过反熵模型的构建，指出反熵优化模型可以有序化度量风险，并且可以为投资者提供必要的证券行业选择需求；第四章在第叁章选取行业的前提下，通过对Csisizer定向散度地分析，提出了考虑投资者风险厌恶程度的广义熵优化模型，并且通过实证分析，对投资者的个股投资提供了更有效地选择依据；第五章对反熵优化模型及广义熵优化模型进行对比分析，通过对二者适用范围的不同解释，为投资者进行下一步投资提供客观参考；第六章对全文进行总结，通过对本文所构建模型中出现的不足提出下一步研究工作的展望，从而完成本篇硕士论文的写作。
仇芝[9]2006年在《灰色组合模型研究与应用》文中提出社会经济系统的研究离不开预测理论的支持,通过对历史数据的分析,建立反映系统发展规律的定量模型,为分析系统的特征、发展趋势提供强有力的分析工具。灰色模型作为一种典型的趋势分析模型,特别适用于那些因素众多、结构复杂、涉及面广而层次较高、综合性较强的社会经济系统指标的趋势预测。同时,它对一般模型具有很强的融合力和渗透力,将灰色模型与其他模型结合进行分析和预测,可以实现不同模型之间的功能和优势互补,避免用单一的模型进行预测时的局限性,增强预测能力,改善预测精度。近年来,国内外预测学者非常重视灰色组合模型的研究,也取得了一系列的研究成果,这表明灰色组合模型是一个有价值的课题。但灰色组合模型的理论研究还不完善,有必要进一步加强研究,这对进一步丰富预测方法,发展预测学科的理论等有着重要的意义。本文的主要创新点和贡献有:1.提出了灰色-指数平滑预测模型。将灰色灾变预测与一次指数平滑法相互结合、相互补充,在一定程度上控制了一次指数平滑法预测时的误差积累,从而修正了用一次指数平滑法预测所带来的偏差和滞后,提高了预测结果的可靠性和精度。利用该模型对江苏省全社会用电量进行了预测,结果表明,该模型的预测精度比指数平滑预测法和GM(1,1)模型都有了显着提高。2.构建了灰色-多元回归耦合预测模型。以灰色关联分析法确定进入回归模型的自变量,使回归模型尽可能真实反映系统未来预测的实际情况,提高预测精度。在此基础上,建立了优化的多元线性回归模型。再将GM(1,1)模型融入回归模型的预测过程,实现了灰色模型和回归模型的优势互补,并利用该模型对江苏省全社会用电量进行了预测。3.构建了灰色神经网络组合预测模型。以改进的BP神经网络和灰色新陈代谢模型作为单项模型进行组合预测,并将灰色模型融入神经网络模型的预测过程,最后采用最小二乘法确定组合模型中各个单项模型的权系数。在对江苏省全社会用电量进行预测后,结果表明组合预测模型的预测精度比其中任一单项模型的预测精度都要高。
朱焕强[10]2006年在《货币资本证券化进程中的私法变迁》文中提出今人创造和拥有越来越多的财富，而创造和拥有财富的方式正变得越来越不可思议，货币资本的证券化就是其明证。飞速发展的信息时代，实实在在的经济活动被虚拟成全新的形式，权利成了更为抽象而极具流动性的证券。证券化的趋势日渐明显，由证券化推动形成的虚拟经济正成长为经济发展的主导部分，而证券也逐步成为人们拥有财富的重要方式。如果说此前以公司为主导的社会称为“公司化社会”，那么我们正朝着“证券化”社会的方向发展。 证券市场作为市场经济最为核心的领域，是财富创造和权利交换的场所，本质上是平等主体设定和实现权利义务的舞台，私法关系是其基础法律关系。又因证券化而发生发展的私法关系相对于简单商品经济来说，更为高级、更为复杂，更具社会性，正因为此，也是公法介入最为深刻和广泛的领域。自罗马法以来的私法经历资本主义兴起完善之后，因应社会经济条件的变化而不断变迁，这个过程仍将永不停息。私法变迁看似一个个偶然事件的促成，实际上缘自调整社会经济秩序和实现私法价值的需要，私法的理念、私法的制度、私法的调整方法在百年来的证券化进程中自觉和不自觉发地生着变迁。对权利证券化并进入证券市场发生哪些变化，权利行使的方式有什么新的特点，权利的保护和救济出现怎样的特征，私法因此呈现和将要呈现怎样的变迁等等问题，进行梳理归纳和理论升华，为私法体系的完善进行必要的知识积累，是令人心驰神往的事情。 本文除引言和结论外，共分为五章。 “引言”从证券化的发展趋势入手，以功能为视角对证券化进行界定并提出其法学课题，在此基础上导出本文的意旨、思路和组织架构。 第一章“私法视野中证券化之基础性研讨”着重考察并试图构建证券化的理论和现实基础：从私法的视角对证券化过程中至为关键的货币、资本、证券叁个概念予以解析；对因证券化而生成的股权、新型债权、衍生品权利的构成、特征、保护的特色予以解析；运用法社会学方法对证券化发生发展的社会经济、制度、技术和文化基础进行探寻和分析；尝试性地对证券化、私权保护和社会发展相互间的因缘互动关系给予历史地、现实地和前瞻性地勾勒。整章贯穿如下思路：以货币为研究起点，考察货币资本化、资本证券化及其对民事权利的影响和私法因此所发生的变迁，进而探讨和挖掘证券化发生发展的主客观基础，最后从宏观层面抽象出证券化、私权保护与社会发展的一般关系。 第二章“证券化进程中私法变迁的理论分析”认为证券化的发生发展最初源于其经济功能，市场经济条件下社会化大生产急需资本市场解决企业资本融通，
参考文献：
[1]. 灰色挖掘及其在证券分析中的应用研究[D]. 顾忠伟. 浙江大学. 2003
[2]. 基于最小二乘支持向量机的时态数据预测研究及应用[D]. 吴琳. 东北财经大学. 2011
[3]. 灰色神经网络预测系统的设计及应用[D]. 张娜. 河北经贸大学. 2012
[4]. 证券分析中数据挖掘模型的研究及应用[D]. 林香. 厦门大学. 2007
[5]. 不确定时态数据挖掘方法及其在证券行情预测中的应用[D]. 谭华. 湖南大学. 2008
[6]. 灰色模糊多属性决策分析方法研究[D]. 卢英. 浙江工商大学. 2009
[7]. 遗传算法和BP网络及其在城市系统评价中的应用[D]. 刘永芳. 合肥工业大学. 2004
[8]. 扩展熵优化理论及其在投资组合中的应用[D]. 王宾. 辽宁科技大学. 2012
[9]. 灰色组合模型研究与应用[D]. 仇芝. 南京航空航天大学. 2006
[10]. 货币资本证券化进程中的私法变迁[D]. 朱焕强. 中国政法大学. 2006
标签：金融论文; 证券论文; 投资论文; 时间序列论文; 数据挖掘技术论文; 数据挖掘算法论文; 预测模型论文; 灰色模型论文; 灰色理论论文; 模糊理论论文; 不确定性分析论文; 模糊算法论文; 组合优化论文; 神经网络论文; 灰色预测模型论文;