徐嫩霞[1]2000年在《基于协同认知的智能股票预测》文中指出在金融系统的预测研究中，股票预测是一个热门的课题，也有了许多运用于股票预测的优秀算法。协同学是研究系统自组织产生空间结构、时间结构或者功能结构的跨学科领域。协同学的核心是支配原理，即一个系统只有存在支配力量，也就是所谓的序参量，他们之间的协同合作和竞争才能够使系统从无序到有序。本文利用协同学神经网络的自上而下的方法（人们首先辨别出所期望的性质，然后建立算法），通过协同学的动力学过程，建立基本方程式。该方法提供了构造新型并行网络的原理，揭示了模式识别和模式形成之间深刻的相似性，对协同学认知的应用做进一步的阐述。 本文将试着用协同学计算机原理，编制“智能股票预测系统”这一软件，用证券市场的交易数据作为原始数据来进行网络训练，提取原型模式向量和伴随向量，并用这个结果来进行下一步的证券市场的价格预测。实践表明，该方法能通过对股票价格演变历程产生联想，来实现预测，是一种更有意义的预测手段。这也说明协同学认知不仅在图形识别方面效果显著，而且在经济系统的模式提取方面也是有效的。
张贵勇[2]2016年在《改进的卷积神经网络在金融预测中的应用研究》文中提出世界经济正处在快速发展阶段,金融业也随之不断发展,金融活动日益增多,其变化趋势的不确定性也在增加。如何通过学习和掌握金融活动规律,预测其未来的变化趋势,成为学术界和金融界的关注重点和主要研究内容。有效的金融预测可以为金融计划和决策的制定提供依据,维持金融市场的健康发展,使盈利机构的利益最大化。卷积神经网络是一种模拟生物视觉系统运行机制的多层神经网络结构。它是由多层卷积层和降采样层顺序连接构成的神经网络,能够从原始数据中获取有用的特征描述,是一种从数据中提取特征的有效方法。目前卷积神经网络已经成为语音识别、图像识别及分类、自然语言处理等领域的研究热点,并在这些领域有了广泛且成功的应用。因此本文引入卷积神经网络结构对金融时间序列数据进行预测。本文首先整理和总结了国内外关于金融时间序列的研究方法,简要介绍了人工神经网络和深度学习方法,并重点介绍了卷积神经网络和支持向量机的算法原理。然后改进卷积神经网络以适合金融时间序列数据,并建立卷积神经网络和支持向量机融合的混合模型,最后将两种预测模型应用于金融时间序列数据的预测中。本文主要的研究工作如下:(1)结合金融时间序列数据的特点,改进卷积神经网络,建立了适用于金融时间序列数据的卷积神经网络预测模型,并将模型应用于股票指数预测。研究了网络模型的相关参数对股票指数预测结果的影响;(2)改进卷积神经网络股票指数预测模型,将卷积神经网提取有效特征的优点与支持向量机良好的分类预测能力相结合,给出了一种卷积神经网络-支持向量机混合模型预测股票指数,提高预测精度;(3)建立了基于卷积神经网络的汇率预测模型,研究了模型参数对汇率预测结果的影响;将卷积神经网络-支持向量机混合预测模型应用于汇率预测中。通过仿真对比,验证本文给出的两种预测模型的可行性和有效性。
罗嘉[3]2010年在《我国金融监管协同机制研究》文中提出随着金融全球化的发展,各国金融市场之间的联系以及金融产品的复杂性不断增强,促使监管机构在现行体制下加强协调与合作,因此金融监管的发展出现了“协同”的趋势。为了深入研究金融协同监管的理论、方法与机制,本论文试图将系统科学的分支——协同学引入金融监管的研究中,运用系统科学研究方法中的开放系统分析法和协同分析法,探索金融监管系统内部的运动规律,从而系统地分析我国的金融监管协同机制。首先,本文从梳理金融协同监管理论的研究成果入手,指出了当前研究中存在的不足。通过分析发现,金融监管理论的研究已经从寻找监管的动因,逐渐转向了金融协同监管的研究。但是,由于以往的研究侧重于从经济和社会发展的现实需求方面来分析金融监管,忽视了从探索金融监管的内在运动去开展研究,因此导致了金融协同监管的理论基础比较薄弱。夯实金融协同监管的理论基础,建立系统的金融监管协同机制理论,迫切需要我们深入金融监管系统的内部去探究其运动规律与机理。在这样的背景下,文章基于协同学的视角提出了金融监管协同机制的研究框架,具体包括：协同学应用于金融监管研究的可行性与必要性分析、金融监管系统内部的运动规律分析、金融监管系统的子系统与序参量分析、金融监管的协同程度分析及监管协同机制的设计等。其次,文章分析了系统科学中的协同学理论跨学科应用的路径和优势,论证了协同学应用于金融监管研究的可行性和必要性。作者认为,不仅金融监管系统是可以用协同学进行研究的,而且运用协同学分析金融监管系统内部的运动及其规律是十分必要的。这是因为,从协同学的视角出发,可以帮助我们找到真正促使金融监管系统向着自组织的有序的协同系统发展的因素。深入研究这些因素所产生的协同效应,能够了解金融监管各子系统之间的协同作用如何主导着系统的发展方向。再次,文章从理论和实证两个层面对金融监管系统进行了研究,为金融协同监管寻求理论基础和评价方法。第一,文章将金融监管系统划分为银行监管、证券监管和保险监管三个子系统。通过考察子系统之间的运动发现,子系统之间产生了协同运动,监管对象的融合是金融监管子系统之间产生协同运动的主要动因。金融监管三大子系统之间的协同作用,是促使金融监管系统向着自组织的协同系统发展的最主要力量。建立金融监管协同机制是金融监管系统内部运动的结果,这是建立这一机制的重要理论基础。第二,文章分析了金融监管系统的序参量并提出金融监管协同度模型,使用我国的实证数据测算金融监管三个子系统之间的协同程度,建立了金融监管协同机制的评价方法。实证研究的结果是,在考察期内,我国金融监管系统的三个子系统中保险监管相对有序,银行监管次之,证券监管则处于相对无序状态。从总体上看,该时期我国金融监管协同度取零值,表明金融监管各子系统之间的关联不够强,我国的金融监管在宏观上仍处于相对无序的发展状态中。最后,文章在分析近三十年来国内外六个监管案例和部分典型国家金融协同监管成功经验的基础上,提出了我国完善金融监管协同机制的具体策略。研究发现,与国外成熟市场相比,我国金融协同监管相对滞后,金融协同监管的水平亟待提高。因此,文章对完善我国金融监管协同机制提出四个方面的政策建议,认为应充分考虑国情与金融制度运行的环境条件,选择性地借鉴国外成功经验,从制度建设、法律体系、信息共享和人才培养等多个方面更好地设计我国的金融监管协同机制,确保金融业的健康发展。
张燕平, 张铃, 吴涛, 徐锋, 张[4]2004年在《基于覆盖的构造性学习算法SLA及在股票预测中的应用》文中认为覆盖算法是神经网络学习算法中的一个十分有效的方法 ,它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高 ,难以用于处理海量数据的不足 ,为神经网络提供一个构造性的学习方法 但该方法是建立在所有训练样本都是精确的假设上的 ,未考虑到所讨论的数据具有不精确的情况 ,若直接将该方法应用于数据不精确情况 ,所得到效果不理想 主要讨论数据具有不精确情况下的时间序列的预测问题 为此将原有的覆盖算法进行改进 ,引入“覆盖强度”和“拒识样本”的概念 ,并结合这些新概念给出相应的覆盖学习算法 (简称SLA) ,最后将SLA算法 ,应用于金融股市的预测 ,具体应用到以上 (海 )证 (券 )综合指数构成的时间序列的预测 ,取得了较好的结果 ,这表明了SLA方法的可行性和应用前景
郑艳清[5]2012年在《粒子群优化的支持向量机在股票预测中的研究与应用》文中指出股票在市场经济中占有重要地位,发行股票的公司可以通过从社会上融资来扩大公司规模,个体也可以通过控股的方式来影响公司的经营,可以说股票对推动市场经济发展起到了重要的作用。因此,对股市进行分析和预测,从小的方面看,有利于市场中的个体获益,从大的方面看,有利于决策者对宏观经济进行调整,保持国民经济的平稳发展。随着统计机器学习领域的发展,各种智能算法也不断涌现。从股票的特点来看,它在短期投资上会产生很大的不确定性,但是在长期趋势上则符合统计学规律。因此,在有限样本的情况下,通过机器学习算法来预测股票,是股票预测研究中的一个重要发展方向。本文在研究了各项股票预测技术的基础上,将统计机器学习的思想作为算法的基础,首先分析使用统计机器学习原理进行股票预测的可行性,然后提出了一种新的股票预测方法,这种方法以支持向量机分类为核心,首先使用K均值聚类,对股票的历史数据从形态上进行分类,然后对每一类的历史数据,提取股票预测中的经典时态指标作为特征,用支持向量机进行训练,在训练过程中,使用优化的粒子群算法对支持向量机的关键参数进行调整,从而得到分类更准确的支持向量机模型。在预测时,首先使用最近邻分类将待预测样本归到某一个聚类中,再使用该类相关的支持向量机进行预测。通过这种多级预测的算法,提高了分类的准确率。为了真实全面地评估该算法的有效性,本文通过实际的上证大盘股票的历史数据作为训练集和预测集进行分析,在实验的内容上,也包括了本算法与其他预测算法的结果比较。实验结果表明,本算法在预测精度和适应性上都比其他算法有了明显进步,预测率得到了明显提升。
黄解军[6]2005年在《贝叶斯网络结构学习及其在数据挖掘中的应用研究》文中指出21世纪是知识经济时代,也是数字化与信息化的时代。人类社会活动离不开信息的获取、处理、开发与利用,信息在人们的生活、服务和生产中发挥着日益重要的作用,信息产业成为推动现代市场经济发展的强大动力。勿庸置疑,信息已经成为促进经济增长和社会进步的一个重要因素,也成为科学发展与科学研究的主旋律。随着各种信息系统、专家系统、数据库和知识库的建立,极大地提高了人类信息管理和科学决策的水平与能力。同时,由于信息和数据量的急剧增加,如何有效地开发和利用这些信息资源成为目前的一项重要课题。在这种社会背景下,数据库技术、人工智能、数理统计和并行计算等技术的相互渗透,使得数据挖掘(Data Mining,DM)技术应运而生,并引起了商业界和学术界的广泛关注。 贝叶斯网络是20世纪80年代提出的不确定性推理方法,它为依赖关系和因果关系提供了一种自然而有效的表达方式。贝叶斯网络具备概率推理能力强、语义清晰、易于理解等技术特点,可以发现数据集中潜在的关系和模式,因此在数据挖掘中显示出独特的优越性。正是基于这一出发点,本文将贝叶斯网络结构学习作为一个核心研究内容,通过系统的理论研究和实验分析,以便建立一套系统的贝叶斯网络结构学习理论和计算方法,为贝叶斯网络的构建和实际应用提供有力的依据。纵观全文,主要研究工作和创新点体现在以下几个方面: 1、首先对贝叶斯网络理论进行了系统深入的分析和论述,描述了贝叶斯网络模型的构成。并用一个警报网络的实例模型对贝叶斯网络的构成及语义进行了详细介绍。总结和归纳出贝叶斯网络与其他方法相比的优势和特点。论述了贝叶斯网络的功能和推理机制,分析和讨论了贝叶斯网络学习的内容和目标,并对贝叶斯网络结构学习中的主要问题进行了深入地剖析。 2、在分析了条件独立性的有关性质和属性的基础上,推导出条件独立性与概率参数之间的几个推论并给予证明。从条件独立性的角度,给出了有向无环图(DAG)的一般性定义。讨论了互信息与条件独立性之间的内在关系,并指出通过计算每对变量的结构互信息,可以确定直接连接的变量,即确定在初始贝叶斯网络中的无向连接。研究了贝叶斯网络中无向图与依赖模型的关系,探讨了从数据集的列联表中进行条件独立性(CI)检验的方法。 3、首次将协同学理论引入到贝叶斯网络结构学习,并建立和形成了一套系统的结构学习理论和方法。论述了协同学的基本概念、原理及其应用,在此基础上,从一个全新的角度,首次提出基于协同学理论的贝叶斯网络结构学习方法,为分析和解决这一项复杂而繁琐的任务提供一个全新的视角和思路。探讨和研究了基于协同学的结构学习机制,把贝叶斯网络结构看成是一个开放的大系统,在专家知识、先验信息、观测数据的相互作用和影响下,通过最大后验概率与最小描述长度的协同计算,得到一个与样本数据最佳匹配的贝叶斯网络结构。这样不仅有利于综合利用相关信息解决计算复杂性的问题,避免主观偏见或数据噪音给结果带来的片面性;而且有机地结合网络结构的简洁性和精确性,使得结构模型与数据实例达到最佳匹配。
李黎[7]2009年在《基于机构资金的股票价格走势预测系统的开发与实现》文中研究说明随着我国的金融市场的发展,越来越多的人们关注并参与证券投资。目前人们参与证券投资所依赖的工具——证券交易咨询平台一般都局限于交易行情的简单表述,对于影响证券价格走势的因素则缺乏挖掘,因而远不能满足人们投资分析的需求。本文在我多年证券业务工作的基础上,根据证券市场的特点和投资者的需求,针对机构资金的即时利润率对证券价格的影响展开研究。在特定的时间点上,对于某一证券,机构资金所持有证券相对于该时间点上证券的价格,有一个随时间或证券价格不断变化的利润率,本文中称之为机构资金的即时利润率。而在该时间点上,相对于机构资金的证券持有量和其建仓成本,机构资金有一个目标利润率,通过对机构资金即时利润率和目标利润率进行比较,建立机构资金即时利润率与证券价格间的关系模型,进而判断证券价格的走势。金融证券市场中影响股票价格的因素很多,如宏观因素、微观经济主体因素、突发事件、机构操作市场等,本文以机构操作市场对证券价格的影响为研究对象,建立机构资金与证券价格之间的关系模型,并以证券交易咨询平台软件功能模块组件的方式加以实现。本文共五章,详细介绍了该功能模块的数学模型、设计开发及实现的全过程。第一章对中国证券市场的现状及现有咨询软件进行了综合评述,第二章主要通过对机构资金对证券价格的影响机制进行研究,得出了机构资金即时利润率与证券价格之间的关系模型,第三章介绍了该组件模块功能以及软件结构设计,第四章主要讲述了组件模块的实现,第五章对本文进行总结并对未来的发展提出展望。
陈彬[8]2012年在《智能股票分析系统的设计与实现研究》文中指出随着世界经济和股票市场的发展，越来越多的人将股票投资作为一种理财方式。在我国，股票证券交易不过十几年时间，但发展却非常快。然而，由于对国内市场没有清晰的认识、缺乏股票数据分析相关知识等一系列原因，很多人买卖股票非常盲目，造成很大的损失。国内市场也有不少股票分析软件，但都大同小异，都是将各种数据通过图表及各种曲线的方式展示给用户，没有帮助股民进行智能分析的能力，不对股票的走向，以及如何进行操作给出任何建议。因此，开发一款具有智能分析并给出投资者合理建议的股票分析系统势在必行。通过对现有股票分析系统和股票分析方法的研究，股票系统应该具有股票数据的获取、股票技术图形的绘制、股票分析和预测等功能，本文以实现这些功能为目的从以下几个方面依次展开研究：首先，本文对股票的知识作了相关介绍，对股票分析系统的总体设计和部分实现进行了论述；然后，系统采用软件工程的方法进行设计和分析，采用迭代模型进行开发和实现，最终开发和完成了“理智股票分析系统”的原型系统；最后，通过一段时间的测试和应用，新系统能够准确全面的获取所需的股票数据，所建立的财务分析、智能选股、量价分析、信息检索等模型对股票投资的指导有一定的参考价值。另外，系统软件的设计方法和结构对其他信息提取和分析类软件同样适用。本论文所设计的智能股票分析系统以价值投资为理念，通过对股票历史交易数据和财务数据的关系进行研究，最终得出股票的内在价值，对数据获取的实时性要求不高，不但可以节省费用，摆脱现有系统对数据获取实时性的要求，并且获取的数据更加全面，更加便于进行数据分析。同时，本文所设计的新系统基于.NET平台，使用GDI+技术开发股票技术图形相关模块，并且采用坐标转换、双缓冲等方法，从而很好地解决了相关图形的显示、绘制和刷新等问题。
梁震中[9]2008年在《基于Agent建模的金融市场复杂性研究》文中进行了进一步梳理大量的实证研究表明,金融市场中存在着许多复杂性特征,如:收益的非高斯分布、过度波动和波动丛集等,金融资产价格的波动具有复杂的动态行为,而并不像有效市场理论所描绘的那样简单明了。为了探索这些复杂现象背后的原因,同时也为了完善金融理论,近年来有不少学者致力于寻求新的方法来研究资本市场的规律。随着计算机技术、复杂系统理论和建模技术的发展,基于Agent的金融市场建模为金融复杂性的研究带来了新的契机。本文首先以投资者有限理性和羊群行为为主要假设,采用基于Agent方法构建了一个微观市场模型,模型中的Agent都有自己的投资情绪,Agent按照自己的情绪进行交易。每个Agent的情绪不但受自己私人信息的影响,而且也受朋友的情绪的传染。应用数值仿真实验研究了Agent的羊群行为以及不同的关系网络拓扑结构对市场波动的影响。实验结果发现当Agent独立决策时,价格收敛到基本价值,符合有效市场假说;而当Agent的情绪通过口头交流相互影响时,会产生协同效应,市场表现为过度波动。小世界网络由于具有“长程连接”,相比于规则网络具有更强的协同能力,因此小世界网络上Agent之间的情绪传染能够促成更大的价格波动。接着将Shiller关于投资者注意力改变的研究成果引入模型,对模型作了进一步的扩展和完善。在扩展后的模型中,Agent对股票的注意力水平不再保持常值,而是随股票价格的变动而改变。实验结果发现,经这样扩展后,模型不但能够产生过度波动,而且涌现泡沫、崩溃、收益的厚尾分布和波动丛集等复杂性特征。并且把实验数据的这些波动特征与上证指数做了定量比较,结果表明二者符合的很好。同时,从理论上证明这些复杂性特征对系统的大小具有鲁棒性,不会因系统中Agent数量的增加而消失。通过以上这些研究工作,本文展示了市场参与者的羊群行为如何导致市场的过度波动,以及市场参与者的注意力改变如何引起收益的厚尾分布和波动丛集等复杂性特征,从而对金融市场的这些宏观波动特征给出了微观层面上的解释。
徐星[10]2010年在《融合热运动机制的粒子群优化算法研究及其应用》文中认为智能是生命世界中最古老、最复杂和最奇妙的话题。古今中外,无数学者都曾对它进行过深入的思考和大胆的探索。半个世纪前,十多位数学、心理学和信息论方面的优秀学者为了利用计算机模拟自然智能尤其是人类智能而提出了“人工智能”这一崭新的学科,在随后几十年的发展过程中,人工智能得到了长足发展并形成了不同学术流派,然而制约人工智能发展的瓶颈也愈发突出。作为传统人工智能的延伸和扩展,计算智能与人工智能技术相互交叉和取长补短,在模拟非线性推理、模糊概念、记忆等方面表现优异。作为一种新的关于智能的描述方法,群智能已逐渐成为计算智能中新的研究热点。粒子群优化算法(PSO)是两种典型的群智能优化算法之一,由于其原理简单,既有传统演化计算技术深刻的背景又有自身独特的优化性能,自从提出以来,一直受到计算智能领域众多学者的广泛关注。鉴于此,计算智能领域的顶级期刊之一《IEEE Transactions on Evolutionary Computation》在2004年刊出了PSO的专刊,Eberhart和Shi在卷首语中指出了PSO今后五个研究热点和方向：算法理论、种群拓扑结构、参数选择与优化、与其他思想融合的混合算法和应用。根据这一指导思想,本文借鉴统计物理和热力学中的机制来设计和改进PSO算法,包括分子力、伊藤过程、扩散现象三个方面,然后把提出的改进PSO算法应用于非线性模型的参数估计,并设计和实现了PSO算法平台。全文主要内容和创新点如下：1.保持粒子的多样性是提高PSO算法性能的关键,受分子运动论思想的启发,提出了基于分子力的粒子群优化算法(MPSO)。类比热力学分子系统,在MPSO中引入了粒子间的分子力、群质心和粒子加速度共三个概念并对粒子的速度更新公式进行了改造。根据粒子与群质心距离的远近,分子力在斥力和引力之间转换并控制粒子的飞行方向以决定粒子是朝着群质心飞行还是远离它,从而有效地协调种群的多样性,使算法能够有效地平衡全局和局部搜索。此外,采用正交试验设计的方法对MPSO额外引进的两个参数进行了选择与优化。2.为了改善PSO的收敛速度,在布朗运动、伊藤过程和伊藤算法的启示下,提出了一类伊藤算法和PSO算法的混合算法。首先提出漂移算子和PSO的混合算法(IPSO1), IPSO1中粒子没有速度属性,引入了吸引子的概念,实验证明IPSO1相对于标准PSO收敛速度有较大提高但稳定性不足。为了解决此问题,在IPSO1基础上采取了两种策略,一是继续引入伊藤算法中的波动算子并利用差分变异算子来设计波动算子,另一是引入热力学选择机制,其中给出了粒子的相对能量、等级熵、自由能分量等定义,进一步的实验结果表明后两种算法在保留了IPSO1收敛速度快特点的同时,并具有良好的健壮性和稳定性。3.鉴于多种群的思想可以有效地提升PSO算法的性能,受自然界扩散和迁徙现象的启发,提出了基于物理学中热扩散机制的双种群粒子群优化算法(DPSO), DPSO中定义了粒子的扩散能、种群温度、粒子的扩散概率共三个概念。两个种群中的粒子根据各自的扩散概率被选入各种群的扩散池中,通过扩散池来实现种群之间信息的共享和扩散,从实验结果可以推断DPSO算法比PSO算法在中后期具有更好的进化能力。4.参数估计是系统辨识和回归分析中非常关键的环节,它关系到非线性模型的应用和推广。把非线性模型的参数估计问题转化成一个无约束的多维函数优化问题,以自然科学和社会科学中广泛使用的渐近回归模型和逻辑斯蒂模型为例,利用前述提出的四种改进PSO算法对两模型进行参数估计。实验中采用了真实数据、无噪声的随机采样数据以及添加了高斯噪声的采样数据,并利用后两类数据分析了参数估计的维数、采样区间和噪声强度对算法性能的影响,研究结果表明PSO算法是一种行之有效的非线性模型的参数估计方法。5.算法平台对于保证算法研究的连续性、成果保存、对比分析等方面起着举足轻重的作用,在分析了设计模式中各模式的适用范围和优缺点的基础上,利用策略模式对PSO算法平台进行设计,采用一系列策略类对不同的PSO算法进行封装,考虑程序的执行效率与方便于图形展示,最后采取了VC与MATLAB混合编程的措施对平台进行实现。
参考文献：
[1]. 基于协同认知的智能股票预测[D]. 徐嫩霞. 昆明理工大学. 2000
[2]. 改进的卷积神经网络在金融预测中的应用研究[D]. 张贵勇. 郑州大学. 2016
[3]. 我国金融监管协同机制研究[D]. 罗嘉. 湖南大学. 2010
[4]. 基于覆盖的构造性学习算法SLA及在股票预测中的应用[J]. 张燕平, 张铃, 吴涛, 徐锋, 张. 计算机研究与发展. 2004
[5]. 粒子群优化的支持向量机在股票预测中的研究与应用[D]. 郑艳清. 广东工业大学. 2012
[6]. 贝叶斯网络结构学习及其在数据挖掘中的应用研究[D]. 黄解军. 武汉大学. 2005
[7]. 基于机构资金的股票价格走势预测系统的开发与实现[D]. 李黎. 电子科技大学. 2009
[8]. 智能股票分析系统的设计与实现研究[D]. 陈彬. 中国海洋大学. 2012
[9]. 基于Agent建模的金融市场复杂性研究[D]. 梁震中. 中南大学. 2008
[10]. 融合热运动机制的粒子群优化算法研究及其应用[D]. 徐星. 武汉大学. 2010
标签：金融论文; 证券论文; 投资论文; 股票论文; 机器学习论文; 粒子群优化算法论文; 贝叶斯网络论文; 神经网络算法论文; 预测模型论文; 网络模型论文; 有效市场论文; 网络监管论文; 协同软件论文; 网络结构论文; 金融监管机构论文; 金融论文; 协同设计论文;