基于ARMA-EGARCH模型VaR方法的上证指数风险研究

为了避免对收益率序列的分布作任何假设,在ARMA-EGARCH模型的基础上,本文通过历史模拟非参数法估计分位数与参数法估计标准差相结合的方法,对上证指数的风险价值VaR进行了分析,并对估计出的VaR进行了后验检验.结果表明,利用此方法估计上证指数的VaR既简单又合理.     

基于SVM的上证指数预测研究

国家政策或市场经济导向等变动会对整个上证指数产生影响,为了寻找上证指数变化规律,提出基于支持向量机的预测算法。算法首先利用数据挖掘技术在某网站上挖掘相关的上证价格数据,并取一部分上证数据作为支持向量机的训练指数样本,得到支持向量机的训练指数集,然后在训练指数集上利用支持向量机,从而得到上证指数分类的超平面指数函数以及相关的上证指数样本集,最后对所得的上证指数分3个模型进行预测研究,得到下一个开盘日的上证指数变动预测数据。实验结果表明,预测2天后的上证指数趋势只需要前3天的数据作为自变量输入即可,且所得预测值与实际数值的误差率较低。     

基于正弦激励的WASD神经网络的上证指数预测

由于金融时序数据的高度非线性特征,准确预测股票市场的证券指数非常困难.本文提出了一种单隐层前向正弦激励的神经网络并将其用于上证指数的预测.这种神经网络采用权值和结构直接确定(WASD)的方法进行训练,能够直接获得最优的权值和结构,也被称之为正弦激励的WASD神经网络.基于历史数据,将WASD神经网络和BP神经网络、SVM进行了对比实验.实验结果表明,正弦激励的WASD神经网络在预测上证指数时具有更好的性能.     

基于神经网络集成的作物需水量预测

应用神经网络集成模型,以空气湿度、温度、太阳辐射以及风速为输入,利用交叉验证方法确定网络隐层节点数,建立作物需水量的预测模型。实验结果表明,与单个神经网络与随机森林模型相比,神经网络集成模型能获得更好的预测精度,可用于节水灌溉。     

上证指数收益率的ARCH族模型与实证分析

应用广义自回归条件异方差GARCH模型对上海股市1999年6月30日至2007年6月29日上证指数收益率进行建模分析.结果反映上证指数收益率具有明显的聚集性、波动性、尖峰厚尾的特征,ARCH族模型较好的拟合了上证指数收益率序列.     

基于集成学习模型的糖尿病患病风险预测研究

为提高早期糖尿病患病风险的预测准确性,基于集成学习算法建立糖尿病患病风险预测模型.分别基于集成学习算法随机森林、GBDT和XGBoost建立糖尿病预测模型,并比较以上3种方法与单一分类器支持向量机和BP神经网络的分类预测性能.在UCI数据库的早期糖尿病数据集上进行验证试验,使用准确率、精确率、召回率、F1分数和AUC ...     

基于WebService的企业应用集成构架模型研究

针对传统企业应用系统集成（EAI）方案局限于特定平台和协议以及紧密耦合的缺陷,提出了基于Web Service服务的企业应用系统集成设计方案,给出了方案的实施步骤,并在此基础上讨论了基于WebService的企业内集成应用的整体架构模型和模型在企业内的典型应用。     

改进的非参数核估计预测上证指数

改进了单纯利用非参数核估计预测上证指数的方法。首先利用隐马尔科夫模型将数据分成两种状态,即正常状态和非正常状态。然后对正常状态的数据仍然使用非参数核估计进行预测,而对非正常状态的数据则结合支持向量机(SVM)进行预测。由于在较少数据预测问题中支持向量机模型预测具有较大的优势,从而使新的预测方法较以前的方法具有更好的预测效果。     

基于连续复利定价模型的股指期货定价

在完全市场条件的假设下,讨论了连续复利定价模型在股指期货定价中的应用.     

融合情感分析与 SVM_LSTM 模型的股票指数预测

由于股票市场变化存在着多因素、非线性、时变性等特点,传统预测模型忽视了股指波动影响因素特征提取的合理性与准确性,导致预测效果不理想。鉴于此,提出了融合情感分析和 SVM_LSTM 特征提取模型的股指预测方法以提高股指预测精度,将 SVM 和 LSTM 方法相结合建立 SVM_LSTM 模型,提取影响股指波动的情感极性特征、涨跌趋势特征以及股票技术指标特征,进而弥补影响股指波动的存在因素实现股指预测。通过与传统股指预测方法相比较,该方法实验结果的 MSE（均方差）达到了 0.172 2,比传统模型的均方差缩小了约0.083 7,证明了该预测方法在准确度上效果更好。     

基于LSTM等深度学习方法的股指预测研究

为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性。研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大。因此,LSTM模型在金融经济预测领域有较高的应用价值。     

股指期货的会计核算

股指期货是以股票指数作为交易标的物的金融期货,具有较高的杠杆性和风险性,并具有套期保值作用。根据《企业会计准则》的相关规定,提出股指期货的会计核算,以期指导会计实务工作。     

基于空间计量分析的全球股票价格指数宏观影响因素

基于全球41个地区的2008—2010年数据,论文建立各地区股票指数与经济增长、通货膨胀、货币供应量、利率水平、汇率、国际储备、贸易总额之间的空间计量经济模型,从全球视角对影响股票价格指数的宏观影响因素进行了实证分析。研究发现,股票指数具有显著空间集聚作用,与制度空间因素具有显著相关关系等结论。     

均生函数和偏最小二乘回归神经网络集成的股市建模研究

建立股市预测模型是一个具有挑战意义的工作。利用均生函数（Mean generation Function,MGF）方法对股市时间序列重构,再利用偏最小二乘法提取对股市影响的综合变量作为神经网络的输入因子。利用Boosting技术和不同的神经网络算法,生成神经网络集成个体,用＂误差绝对值和最小＂作为最优准则,采用线性规划方法计算得到组合预测模型的各权系数,以此建立股市组合预测模型。通过S＆P500指数开盘价进行实例分析,并与传统的时间序列分析和其他集成方法对比,该方法能获得更准确的预测结果。计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效建模方法。     

基于神经网络的CAI课件的综合评价研究与应用

利用神经网络的自适应性和自学习功能,提出了一种CAI课件的综合评价方法,给出了CAI课件的各参考评价指标,并讨论了如何使用综合评价方法获得综合评价的结果,。研究表明该方法比传统评价过程更具客观、准确、科学、高效的特点。     

沪深300指数与股指期货的相关性研究

通过ADF单位根检验、协整检验、G ranger因果关系检验、脉冲响应函数、方差分解等5种方法来检验沪深300股指期货合约IF 1203与对应现货指数收益率之间的相关性,从而揭示两者之间的运行机理,具有重要的理论意义和现实指导意义。     

推出我国股指期货中存在的问题研究

股票指数期货作为一种新兴的金融衍生工具,具有价格预期和套期保值的功能,并成为一种行之有效的避险工具,推出股指期货必将极大地促进我国证券市场发展。但目前我国推出股指期货受到现货市场不成熟,缺乏强有力的法律保障等许多因素的制约,因此,应加快证券市场化、加快期货立法、建立健全有效的风险防范和预警机制,加快人才培养和风险意识教育,尽快推出股指期货。