夏毅[1]2003年在《基于神经网络和遗传算法的技术分析投资系统开发》文中进行了进一步梳理技术分析，作为金融分析中重要的组成部分，其手段随着信息技术的发展被不断的注入新的理论支持。几十年来，批评者与支持者针锋相对的理论斗争，不仅使技术分析成为金融投资领域引人注目的焦点，更极大的推动了技术分析本身的发展。特别是在信息技术快速发展的今天，新技术、新理论的应用使技术分析得到了空前的发展。1991年中国股票市场成立以来，以技术分析为基础的研究也越来越引起国内广大投资者的关注。本文综述了技术分析的研究发展现状，系统的介绍了金融市场有效性、技术分析有效性的概念、假设等核心内容。通过现有研究成果的引证和对深证股票市场的实证研究，回答了技术分析对中国证券市场有效性的问题。在以上理论的基础上，本文提出了基于人工神经网络和遗传算法的技术分析预测模型。以人工神经网络的前馈型网络为基础结构，基于反向传播算法进行学习和训练来拟和证券价格指数的运动趋势。为了克服反向传播算法局部极值、收敛速度慢等不足，本文提出了采用遗传算法对神经网络的优化算法。通过对固定网络结构的权系值进行遗传操作，优化网络的权系值组合，快速收敛到最优权系值组合，进而提高网络的分析预测效率和能力。同时，文章提出了模型的模块化实现结构，编程实现了预测分析系统的主程序，详细介绍了系统的工作机制和使用方法。为了证明系统的有效性，本文对上证综合指数、深证综合指数、随机选取的个股1999年1月年至2003年4月的实际数据进行了预测检验。结果表明，基本预测系统可以以平均大于70%的准确度对以上指标进行预测。同时，根据本文提出的简单投资操作机制，结合预测分析，对随机选取的个股2002年数据进行了实际投资检验，与采用简单移动平均的一般技术分析手段和采用买入持有投资机制的投资情况进行对比。实证检验结果表明，采用本系统的投资效果，不但可以击败市场表现，更可以击败一般的技术分析投资表现。
代波[2]2011年在《系统工程理论与方法技术及其在管理实践中的应用研究》文中提出基于以系统工程理论与实践为主题的文献数量相对较少,且在研究方法上绝大多数采用了定量研究方法的情况,以及期刊《系统工程理论与实践》在系统工程界的权威性。本文以1981-2010年30年间《系统工程理论与实践》上发表的学术论文为研究对象,采用基于量化分析的定性研究方法,结合运用NVivo8软件等分析工具,探讨了30年来我国系统工程研究的理论基础、实践领域(管理实践角度)及系统方法技术的基本情况和变化趋势。研究表明,我国系统工程研究的理论基础主要集中于运筹学,控制论、灰色系统理论、自组织理论、系统动力学、决策支持系统理论、信息论、模糊理论、可拓学、粗糙集理论及马尔科夫理论等。且运筹学、控制论、灰色系统理论、自组织理论、模糊理论、可拓学呈下降趋势,系统动力学、决策支持系统理论呈波动趋势,信息论呈上升趋势。粗糙集理论和马尔科夫理论是近10年才在该刊中出现的理论,对它们研究与应用的热度相对较高；虽然对运筹学研究与应用的热度在逐渐降低,但由于其重要性仍为我国系统工程学者们持续热衷的研究焦点。我国学者对系统工程理论基础的研究与应用中,运筹学理论基础领域主要侧重于决策论、图与网络理论、可靠性理论、对策论、排队论等方面；控制论则聚焦于最优控制论、大系统控制论：灰色系统理论以灰色预测模型、GM(1,1)模型为研究重点；模糊理论关注于模糊数学理论方面；可拓学关注物元模型的研究与应用；信息论以熵理论为研究重点；系统动力学则关注于其建模思想与方法：自组织理论则主要以耗散结构论、协同学理论为基础。在我国系统工程研究的14个实践领域中,我国学者的系统工程研究成果主要集中于工业企业领域、宏观经济领域、军事领域、交通运输领域、能源领域及社会系统工程领域。在变化趋势上,能源、区域规划、农业、科技管理、人口呈下降趋势,环境生态领域是唯一一项呈上升趋势的实践领域,其余各项则表现出了不规则的波动性。且在这30年中,工业企业领域和宏观经济领域一直是我国学者们所热衷的领域。以上6个具备相对较高研究关注度的实践领域中,工业企业领域主要侧重于该领域中生产计划安排、库存管理控制、企业经营决策、投入产出、供应链管理协调等方面的研究；宏观经济领域研究重点在于宏观经济规划、宏观经济预测、宏观经济政策、国民经济发展、产业发展规划、市场价格、金融市场等方面；交通运输领域则以港口规划建设、交通运输网络优化、交通流分析控制、车辆路径等方面为研究重点：能源领域关注于矿区规划、电力系统规划：军事领域关注于武器装备效能、作战模拟与战略战术等方面的研究：社会领域主要研究社会应急服务、教育教学评价等方面。而在6项系统方法技术中,系统优化技术与系统分析技术一直都较受我国学者们所热爱,系统建模与仿真技术也得到了较为广泛的应用。在变化趋势上,除系统建模与仿真技术呈下降趋势之外,其余5项都呈不规则的波动性,且只有系统决策技术波动幅度较小,变化过程相对稳定,其余4项波动幅度都相对较大。系统优化技术的研究与应用主要集中在数学规划、网络计划技术、智能优化算法；而系统分析技术则以层次分析法、灰色关联分析法、主成分分析法、聚类分析法为研究与应用的重点；系统建模与仿真技术则聚焦于系统动力学建模思想方法、数据包络分析、蒙特卡洛法及基于Petri网的建模法的研究与应用上。通过对理论基础、实践领域及系统方法技术的基本情况和变化趋势的分析,形成的结论为我国系统工程的后续研究提供方向性的借鉴意义,同时,该文还可丰富以我国系统工程理论与实践研究为主题的文献内容。
张继龙[3]2008年在《基于BP神经网络与遗传算法的锅炉排放特性研究》文中研究说明氮氧化物(NOx)是燃煤电站锅炉排放的主要污染物之一。随着环保要求的提高,现代发电企业面临降低运行成本和降低污染物排放双重要求。电站锅炉是一个复杂的多变量系统,其NOx排放特性复杂,很难用简单公式进行估算,往往根据试验结果摸索降低NOx的方法。但现场实炉测试工作量大,测试工况有限,各参数对NOx排放均有影响,且互相迭加,导致数据分析困难,而无法根据实测结果获得估算公式和具体计算模型,不能将试验结果进一步推广。神经网络建模的一个重要特征就是其输入输出之间的黑箱特性,如果将锅炉视为黑箱,则一定的输入必然对应确定的输出,因此应用人工神经网络对锅炉排放特性建模。本文在分析了燃煤锅炉NOx生成和破坏机理的基础上,讨论了影响燃煤锅炉NOx排放的各因素。利用锅炉热态试验数据,采用3层BP神经网络构建了锅炉排放特性模型。针对常规BP算法学习效率低,收敛速度慢等缺陷,采用批量学习、附加动量项、自适应学习系数等措施加以改进。通过锅炉的实测数据验证,BP神经网络对NOx、排烟温度、飞灰含碳量、排烟氧量的相对预测误差分别为0.49%,-1.954%、8.14%、-5.134%。从检验的结果来看,NOx、排烟温度的预测结果非常接近实测值。针对初始权值和阈值对网络的收敛速度和误差精度影响较大这一问题,采用实数编码遗传算法先对网络权值优化,然后采用改进BP神经网络进行优化。综合利用遗传算法的全局搜索能力和BP神经网络局部搜索能力的特点。设计并实现了基于遗传算法和BP网络结合的锅炉排放特性网络模型,GA—BP网络对NOx、排烟温度、飞灰含碳量、排烟氧量的相对预测误差分别为0.863%,-0.89%、-5.13%、-2.722%。检验结果表明利用遗传算法和BP网络结合的锅炉排放特性网络模型的收敛速度、学习误差较之改进的BP算法建立的模型均为最佳。通过人工神经网络建立大型电厂锅炉的NOx排放特性模型后,即可根据输入参数预报锅炉排放特性,如果结合全局寻优算法,可以寻找出最优的操作参数,以获得低的NOx排放浓度。
张希影[4]2014年在《基于遗传算法优化的BP神经网络股票价格预测》文中指出随着社会经济的发展，人们对投资理财的关注度持续升温，投资股市已成为越来越多人的选择。然而，由于股票市场受经济、政策以及投资者心理等诸多复杂因素的影响，是一个高度复杂的非线性动力系统，具有典型的不确定性的特点，致使股票投资虽然高回报但同样要面临高风险，一旦预测不准势必会造成投资者资金的损失。所以对投资者来说需要一种有效的分析方法来辅助决策，尽可能的将风险降到最低。自从股市诞生以来就涌现出了很多的预测方法，传统的预测方法大多建立在长期、大样本的数据统计分析基础之上，所以对中长期的股市预测比较准确。但是股市是一个复杂的非线性动力系统，传统的预测方法在面对风云变幻的短期股市价格预测上有些力不从心。人工神经网络具有很强的非线性逼近能力、自学习和自适应等特性，因而非常适用于解决股市预测领域中的一些问题。近年来，应用人工神经网络对股市预测的研究已成为国内外学者研究的热点，并取得了较好的效果。本文选择了算法成熟、应用广泛的BP神经网络来对股票价格进行预测，但是BP神经网络存在收敛速度慢、易陷入局部极小点等不足，针对这些不足本文引入遗传算法来其权值和阈值进行优化，以达到较好的训练效果。本文分别对BP神经网络和基于遗传算法的BP神经网络进行了实验，实验预测结果分析表明：经遗传算法优化的BP神经网络收敛速度和预测精度都有提高，引入遗传算法对BP神经网络进行优化可以防止BP神经网络陷入局部极小点，达到较好的训练效果，因此基于遗传算法优化的BP神经网络对股价进行预测是可行的。
卢琇泽[5]2010年在《一种基于遗传神经网络的股票决策的方法研究》文中研究说明股票市场是一个高度复杂的非线性动态系统,其变化规律即有一定的自身的趋势性。它不但受到价值规律的制约,同时又受到政治的、经济的、心理的诸多因素的影响。而传统的定量预测方法是建立在数理统计基础上的,在这么多因素的影响下,其在对股市走势的研究中正面临着许多困难。针对目前股市分析中存在的问题,本文对股票操作决策支持的这一课题进行了深入研究和探索。设计了一个双神经网络系统,并提出了一个股票决策支持模型。文中首先对目前所采用的股市预测的基本研究方法作了描述,给出了现存各类股票分析方法的优缺点。其次,提出了动力指数的概念,并用此指数来分析和判断股票的涨跌与拐点。规避了通过预测股票价格来预测趋势的问题。再次,提出了双神经网络系统,用判断网络的预测结果进行判断,提高了预测的准确度和可信度。最后,在建立的基于双神经网络的决策支持模型的基础上,针对此模型的缺点,提出了一个改进的方法,使得此模型具有更好的适用性。最后笔者采用MATLAB7对上述系统和模型进行了模拟仿真预测,并得到了许多真实有效的研究数据和分析结果。
张宁致[6]2013年在《基于智能算法的股票市场决策模型》文中研究说明股票市场是一个充斥着各种噪声的动态非线性系统,容易受到各种因素的影响,好的交易算法和策略是成功交易的基石。无论是基本面分析还是技术面分析,都试图在股票市场中挑选优质的股票以供市场参与者投资选择。与此同时,金融工程中的数量化选股理念在于通过量化的筛选、分析、归纳过程找到客观的选股模式,发掘内在驱动因素,精选个股。智能算法是受到大自然智慧和人类智慧的启发而设计出的一类算法的统称。利用遗传算法可以快速的解决局部最优化的问题,遗传编程利用其独特的种群结构,拓宽了遗传算法应用的范围,神经网络提供了精确快速且丰富的算法体系,鱼群算法在最优化过程中也具有较强的适用性。这些智能算法在金融工程中的运用,为金融工程中的各类问题提供了丰富而高效的解决方案。本文试图构建一个自上而下的选股体系,并使用各种智能算法来实现各个环节的优化和决策,设计一个能够机动适应条件变化的交易体系,利用历史数据和前人的研究成果训练这一体系,使之成为一个灵敏博学的“思考者”,就能够帮助我们在决策时不受情绪的影响,投资者也能够通过计算机代替自己做出决策。本文提出的选股模型分别从基本而分析和技术面分析两个角度,采用遗传算法作为核心算法,并利用遗传编程、神经网络、鱼群算法多种算法,构建了A股市场选股模型,试图接近一个成熟投资者的思维训练方式,在优化了前人模型的前提下,根据历史数据评判了模型的可靠性,为A股市场的投资者提供了富有价值的模型体系。
黄霞[7]2017年在《基于神经网络和遗传算法的金融数据分析方法研究》文中认为股市是一个复杂的系统,股市研究是经济领域一个炙手可热的课题。神经网络具有良好的非线性系统拟合能力,然而采用神经网络模型分析预测股票,难以给出合适的变量选择准则。遗传算法基于达尔文“适者生存”理论,通过一个合适的适用度函数的“指导”,使得优质基因(优质个体)能够以较大的概率遗传给下一代得以存续。将这一方法用于变量选择,可以对影响股票价格的变量进行全局优化,有效地解决了神经网络输入层变量的选取问题。已有适用度函数只考虑预测误差,预测误差越小,个体的适用度越高。然而,当预测误差相同或相近时,我们更应该优先选择那些变量个数少的个体。显然,已有适用度函数并不能解决这一问题。基于这一思想,本文提出了一种新的适用度函数。新的适用度函数不仅考虑预测误差,同时也考虑变量的个数。基于新的适用度函数的“指导”得到的优质个体,既能保证好的预测结果,又具有较少的变量个数。本文选取沪深300指数数据,分别采用单一的人工神经网络模型(BPNN),主成分分析和神经网络组合模型(PCA-BPNN),遗传算法和神经网络组合模型(GA-BPNN)和本文改进的遗传算法和神经网络组合模型(IGA-BPNN)进行实验。结果表明,本文方法在保证基本相当的预测精度的同时,能有效减少变量个数。
梁雪玲[8]2014年在《LG-trader:基于局部泛化误差和特征选择的股票交易决策支持》文中认为股票交易是人类社会中一项重要金融活动。机器学习技术能够为预测股票价格或下一天的交易信号提供交易决策支持。这些决策一般是通过技术指标分析和公司基本面分析进行的。基于机器学习技术的股票交易决策支持有两个研究重点：分类器结构选择和输入特征选择。在本研究中，我们提出了通过遗传算法最大限度地减少加权局部泛化误差（wL-GEM）的LG-trader模型来同时处理这两个问题。现今基于机器学习方法的股票交易研究常常会忽略股票交易中买入、持有、卖出叁种决策的不平衡现象。通常来说，股票交易中持有的决策数会多于买入和卖出的次数。因此，本文提出了wL-GEM通过将小类被误判时产生较大的泛化误差来处理这个样本不平衡的问题。此外，基于wL-GEM的特征选择有助于选出对每支股票来说最有用的技术指标。实验结果表明， LG–trader无论在个股交易还是股票综合指数交易中都能产生较高的利润。
汪劲松[9]2012年在《基于非参数的多种群遗传神经网络在股指预测中的应用》文中认为现代的股票市场是一个巨大的投资、融资市场,每天都有大笔资金的流入和流出,它在社会稳定发展中扮演着越来越重要的角色。若是谁能把握住股票市场发展的趋势,并且能够在短时间内做出投资决策,那么谁就能从这个巨大的投、融资市场上获取利益。若想把握住股市的趋势,并且能够及时做出正确的决策,对股票市场进行预测和分析就显得必不可少。现有的股市预测分析方法主要有基本面分析法和技术分析法,但是这些分析方法都存在着各自的缺陷,难以令人信服。随着股票市场的发展,基于股市金融数据的时间序列分析预测方法开始涌现,但大多数方法都是基于线性假设前提之下的,与股市数据所呈现的非线性特征相违背。经研究发现神经网络在解决这类非线性问题上有着自己特有的优势,因此,本文从神经网络入手,将多种群遗传算法与神经网络相结合,构造了一个多种群遗传神经网络模型,并将其应用于股票价格指数的预测。该组合模型不仅克服了传统神经网络易陷于局部最小值、初始权值难以确定等缺陷,还避免了标准遗传算法所存在的早熟收敛问题。同时,该模型还具有训练快、预测结果稳定、预测精度高等优点,为股价指数预测提供了一种新的思路和途径。本文首先阐述了神经网络方法,介绍了BP神经网络模型的学习算法,并且分析了该模型的不足之处。为了改进这些不足,我们引入了遗传算法和多种群概念,在阐述了遗传算法的原理和多种群概念之后,提出了将多种群遗传算法和神经网络方法相结合的思路,并设计了本文的多种群遗传神经网络模型。同时,本文还对该模型的输入层指标变量进行了全面考虑,从宏观基本面和技术分析面综合考虑了影响股价指数的变量,并且利用非参数核估计方法对这些指标变量进行了筛选,该方法有别于传统的主成分分析、最小二乘估计等方法,在变量选择方法上所有突破和创新。最后本文将筛选后的8个指标变量分别作为多种群遗传神经网络模型和传统的BP神经网络模型的输入层指标,对上证指数进行实证研究分析。实证结果表明：多种群遗传神经网络模型比传统的BP神经网络模型有更好的预测精度,这就说明本文对多种群遗传神经网络模型的构造是科学合理的。
石磊[10]2011年在《遗传算法优化的BP神经网络在股市预测中的应用》文中研究指明股票是市场经济的产物,现已成为金融市场中不可或缺的组成部分,在推助国民经济健康发展、筹措企业资金需求、社会财富再分配以及个人投资理财中发挥着重要作用。但股票价格受企业经营状况、政策走势、经济大环境等诸多因素的影响,投资股市面临巨大风险。对于占股市绝大多数的中小投资者来说,在进行股票投资活动时需要一种有效的分析方法来辅助决策,从而最大限度的降低风险,增加收益。对股市价格预测的方法很多,传统的预测模型大多建立在长期、大样本的数据统计分析基础之上,对数据分布规律性和数据本身的完整性要求较高,中长期的股市预测较为准确。但股市是一个复杂的多变量非线性动态系统,传统方法对股市短期价格走势的预测存在很大局限性。人工神经网络具有良好的非线性逼近能力和对杂乱信息的综合处理能力,其特性与股票市场的研究难点相对应,能够克服传统方法中的不足,在短期预测中准确度较高。近年来,国内外很多学者将人工神经网络应用于股市预测研究,取得了较好的效果。因此本文选择应用广泛、算法成熟的BP神经网络来研究股票价格的预测。首先详细论述了BP神经网络的基本原理和操作方法。对BP神经网络在实际应用中存在的缺点进行分析,针对这些不足引入遗传算法来优化BP神经网络的初始权值,从而解决网络初始权值难设定的问题,有效降低了预测误差并提高了网络的收敛速度。为了验证本文算法的稳定性和实用性,在实验中选择了上证A股的皖通高速和中国石化两支不同类型的股票数据作为实验样本。由于本文进行股票价格的短期预测,考虑到股票价格前后的关联性,将股票连续叁天的开盘价、最高价、最低价、收盘价、成交量和MA5作为一个输入样本,第四天开盘价、最高价、最低价、收盘价、成交量和MA5作为输出样本,以此滚动建立训练样本。首先建立BP网络进行训练,然后用遗传算法优化BP网络,通过选择、交叉和变异操作找到最优适应度值个体,将最优个体应用在对BP网络的权值和阈值的优化,然后再对同一样本进行训练。对比优化前后的预测结果可以发现：遗传算法优化BP网络可以大幅提升两支股票的预测精度,同时网络的收敛速度加快。实验结果表明：遗传算法具有优化训练BP网络的能力,将遗传算法优化的BP网络模型应用于股票价格预测是可行的、有效的。实验中也发现该算法只提升原有BP网络的预测精度,并不能把预测误差较大的BP神经网络优化为能够准确预测的BP神经网络。下一阶段将结合其他的算法进行研究,实现更好的预测效果。另外算法的稳定性和成熟性有待进一步的改进和验证。
参考文献：
[1]. 基于神经网络和遗传算法的技术分析投资系统开发[D]. 夏毅. 清华大学. 2003
[2]. 系统工程理论与方法技术及其在管理实践中的应用研究[D]. 代波. 东北财经大学. 2011
[3]. 基于BP神经网络与遗传算法的锅炉排放特性研究[D]. 张继龙. 东北大学. 2008
[4]. 基于遗传算法优化的BP神经网络股票价格预测[D]. 张希影. 青岛科技大学. 2014
[5]. 一种基于遗传神经网络的股票决策的方法研究[D]. 卢琇泽. 青岛理工大学. 2010
[6]. 基于智能算法的股票市场决策模型[D]. 张宁致. 南京大学. 2013
[7]. 基于神经网络和遗传算法的金融数据分析方法研究[D]. 黄霞. 广东财经大学. 2017
[8]. LG-trader:基于局部泛化误差和特征选择的股票交易决策支持[D]. 梁雪玲. 华南理工大学. 2014
[9]. 基于非参数的多种群遗传神经网络在股指预测中的应用[D]. 汪劲松. 浙江工商大学. 2012
[10]. 遗传算法优化的BP神经网络在股市预测中的应用[D]. 石磊. 安徽大学. 2011
标签：金融论文; 证券论文; 投资论文; 遗传算法论文; 股票论文; 神经网络模型论文; 网络模型论文; 股票技术分析论文; 预测模型论文; 误差分析论文; 投资论文; 系统开发论文; 系统工程论文; bp神经网络论文; bp算法论文;