一、數(shù)理金融模型的神經(jīng)網(wǎng)絡(luò)算法（論文文獻(xiàn)綜述）
胡夢(mèng)輝[1]（2021）在《神經(jīng)網(wǎng)絡(luò)在時(shí)序預(yù)測(cè)中的研究與應(yīng)用》文中提出時(shí)序數(shù)據(jù)是指一組按時(shí)間先后順序,以恒定的采樣頻率采集到的數(shù)據(jù),通常情況下,指在等間距時(shí)間節(jié)點(diǎn)上的觀測(cè)值。時(shí)序數(shù)據(jù)廣泛存在于金融、天氣、交通、建筑等方面,研究時(shí)序數(shù)據(jù)對(duì)社會(huì)發(fā)展具有重大意義。時(shí)序數(shù)據(jù)預(yù)測(cè)任務(wù)主要分為短期實(shí)時(shí)預(yù)測(cè)和長(zhǎng)期預(yù)測(cè):短期實(shí)時(shí)預(yù)測(cè)即根據(jù)若干歷史數(shù)據(jù)值,預(yù)測(cè)下一時(shí)刻數(shù)據(jù);長(zhǎng)期預(yù)測(cè)即根據(jù)若干歷史數(shù)據(jù)值,預(yù)測(cè)下一時(shí)間段內(nèi)的數(shù)據(jù)值。本文研究神經(jīng)網(wǎng)絡(luò)在時(shí)序數(shù)據(jù)預(yù)測(cè)中的應(yīng)用,包括短期實(shí)時(shí)時(shí)間序列預(yù)測(cè)和長(zhǎng)期時(shí)間序列預(yù)測(cè),主要研究工作有:（1）針對(duì)深度回聲狀態(tài)網(wǎng)絡(luò)每個(gè)儲(chǔ)備池的大小、權(quán)值矩陣的稀疏度都需要靠經(jīng)驗(yàn)確定以及在每個(gè)儲(chǔ)備池的大小、稀疏度、輸入縮放因子、譜半徑等參數(shù)都確定的情況下,依然存在儲(chǔ)備池隨機(jī)初始化,內(nèi)部網(wǎng)絡(luò)節(jié)點(diǎn)隨機(jī)連接導(dǎo)致其性能不穩(wěn)定的問(wèn)題,本文將深度回聲狀態(tài)網(wǎng)絡(luò)的深度架構(gòu)和確定性循環(huán)跳躍狀態(tài)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)融合,提出深度確定性循環(huán)跳躍狀態(tài)網(wǎng)絡(luò)（deep cycle reservoir with regular jumps,DCRJ）,然后提出了用蝴蝶優(yōu)化算法（butterfly optimization algorithm,BOA）構(gòu)建DCRJ模型的建模方法;為了加快DCRJ模型訓(xùn)練速度,本文對(duì)BOA算法進(jìn)行改進(jìn),提出基于萊維飛行和反向?qū)W習(xí)的蝴蝶優(yōu)化算法（OLBOA）,然后在多個(gè)基準(zhǔn)函數(shù)上測(cè)試OLBOA算法的收斂性能和尋優(yōu)性能。實(shí)驗(yàn)表明OLBOA算法的精度和收斂速度較BOA算法有很大提高;最后用OLBOA算法構(gòu)建DCRJ模型用于短期實(shí)時(shí)數(shù)據(jù)預(yù)測(cè),并將DCRJ模型與其他模型在多個(gè)數(shù)據(jù)集上做仿真實(shí)驗(yàn)。實(shí)驗(yàn)表明DCRJ模型相比于DESN模型在不損失預(yù)測(cè)精度的情況下,穩(wěn)定性得到很大提高。（2）由于時(shí)序數(shù)據(jù)大部分不具有穩(wěn)定特性和線性特性,使用單一的傳統(tǒng)統(tǒng)計(jì)預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法并不能達(dá)到理想的效果,且在對(duì)時(shí)間序列進(jìn)行長(zhǎng)期預(yù)測(cè)的過(guò)程中,這種不穩(wěn)定性隨著時(shí)間的增長(zhǎng)影響越來(lái)越大。為此,本文提出CEEMDAN-DCRJ模型用于時(shí)序數(shù)據(jù)長(zhǎng)期預(yù)測(cè)。首先利用CEEMDAN算法對(duì)原始時(shí)間序列進(jìn)行分解,然后通過(guò)排列熵和Pearson相關(guān)系數(shù)對(duì)CEEMDAN分解得到的分量進(jìn)行分析,然后將得到的分量用于DCRJ模型構(gòu)建,用來(lái)對(duì)時(shí)序數(shù)據(jù)進(jìn)行長(zhǎng)期預(yù)測(cè),最終在真實(shí)數(shù)據(jù)集上將該模型與時(shí)間卷積神經(jīng)網(wǎng)絡(luò)作對(duì)比。實(shí)驗(yàn)表明經(jīng)過(guò)CEEMDAN分解,再對(duì)不同分量構(gòu)建不同的預(yù)測(cè)模型,最后進(jìn)行模態(tài)疊加得到預(yù)測(cè)結(jié)果的預(yù)測(cè)方式可提高預(yù)測(cè)精度,且CEEMDAN-DCRJ在長(zhǎng)期時(shí)序預(yù)測(cè)有很好的效果,預(yù)測(cè)精度高于CEEMDAN-TCN模型。（3）將DCRJ模型用于橋梁智能管養(yǎng)仿真系統(tǒng)的趨勢(shì)預(yù)測(cè)模塊,首先介紹了橋梁的相關(guān)基礎(chǔ)知識(shí)以及橋梁撓度和固有頻率的測(cè)量方法,然后選取某座橋梁的撓度和振動(dòng)傳感器數(shù)據(jù)做仿真實(shí)驗(yàn),驗(yàn)證DCRJ模型在橋梁撓度和固有頻率數(shù)據(jù)預(yù)測(cè)方面的可用性,隨后提出了橋梁智能管養(yǎng)仿真系統(tǒng)的架構(gòu)設(shè)計(jì)方案,最終對(duì)此系統(tǒng)的一些功能作描述和展示。
胡聿文[2]（2021）在《基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型的股票趨勢(shì)預(yù)測(cè)方法研究》文中認(rèn)為伴隨著我國(guó)欣欣向榮的經(jīng)濟(jì)發(fā)展和人民日益增強(qiáng)的投資意識(shí),證券市場(chǎng)特別是股票市場(chǎng)已成為普通大眾最熟悉的投資方法。然而,股票市場(chǎng)極易受到宏微觀經(jīng)濟(jì)、國(guó)家利好利空政策、企業(yè)自身發(fā)展實(shí)力好壞和投資者跟風(fēng)恐懼心理等諸多因素的影響而產(chǎn)生大幅波動(dòng),具有高風(fēng)險(xiǎn)性,是一個(gè)十分復(fù)雜、難以預(yù)測(cè)的系統(tǒng)。并且我國(guó)證券交易所的IPO公司數(shù)量正迅猛增長(zhǎng),股票交易日度數(shù)據(jù)量隨之陡增。因此股票市場(chǎng)數(shù)據(jù)建模預(yù)測(cè)的難度越來(lái)越大,傳統(tǒng)的數(shù)據(jù)分析技術(shù)難以處理日益增長(zhǎng)的股票相關(guān)數(shù)據(jù),而近年來(lái)熱門(mén)的深度學(xué)習(xí)數(shù)據(jù)分析技術(shù)是一種能從大量數(shù)據(jù)中獲得有用的、有價(jià)值信息的重要方法,使用該技術(shù)對(duì)股票趨勢(shì)進(jìn)行預(yù)測(cè)有理論和實(shí)踐上的重大意義。基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型旨在利用股票技術(shù)指標(biāo)算法得到具有專用性的股票技術(shù)指標(biāo)數(shù)據(jù),數(shù)據(jù)中存在著股票價(jià)格波動(dòng)的隱含規(guī)律,再使用LASSO回歸方法和主成分分析法將股票技術(shù)指標(biāo)數(shù)據(jù)降維,在保留原有重要信息的同時(shí)降低數(shù)據(jù)維度并消除各項(xiàng)股票技術(shù)指標(biāo)維度間的相關(guān)性和數(shù)據(jù)間的多重共線性,將處理完后的數(shù)據(jù)作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù),降低LSTM神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練端的運(yùn)算難度,提高LSTM神經(jīng)網(wǎng)絡(luò)模型的分析效率與預(yù)測(cè)精度。同時(shí)在LSTM神經(jīng)網(wǎng)絡(luò)內(nèi)部使用貝葉斯優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)進(jìn)行尋優(yōu),運(yùn)用機(jī)器算法訓(xùn)練得出LSTM神經(jīng)網(wǎng)絡(luò)最優(yōu)超參數(shù),顯著提升模型預(yù)測(cè)泛化能力。為了使實(shí)驗(yàn)具有代表性,在中國(guó)股票市場(chǎng)中選擇2020年間深圳A股九個(gè)概念龍頭股的五大類(lèi)技術(shù)指標(biāo)數(shù)據(jù)和股票基本數(shù)據(jù)進(jìn)行訓(xùn)練以及預(yù)測(cè)。從對(duì)照結(jié)果來(lái)看,基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型預(yù)測(cè)所得結(jié)果相比較于其他組合預(yù)測(cè)模型,在運(yùn)算時(shí)間、預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性上能夠取得顯著優(yōu)勢(shì),且具有一定的泛用性。
賀鑫[3]（2021）在《基于PLSTM-ATT的虛擬貨幣投資組合策略設(shè)計(jì)》文中研究說(shuō)明比特幣自2008年提出以來(lái),之后便引領(lǐng)時(shí)代的風(fēng)潮。作為一種加密貨幣,其基于區(qū)塊鏈技術(shù)而產(chǎn)生,具有稀缺性的特點(diǎn),受到了市場(chǎng)極大的關(guān)注,給傳統(tǒng)貨幣帶來(lái)了一定的沖擊。之后,以比特幣為代表的虛擬貨幣也在不斷產(chǎn)生,到現(xiàn)今已有3000多種。自從機(jī)器學(xué)習(xí)算法提出以來(lái),許多學(xué)者都在研究將機(jī)器學(xué)習(xí)算法應(yīng)用于金融市場(chǎng)中,期間產(chǎn)生多種算法,促進(jìn)了量化投資的發(fā)展。傳統(tǒng)的時(shí)序神經(jīng)網(wǎng)絡(luò)（也稱循環(huán)神經(jīng)網(wǎng)絡(luò)）在預(yù)測(cè)領(lǐng)域存在很大的改進(jìn)空間,對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)來(lái)提高預(yù)測(cè)效果,具有很深遠(yuǎn)的現(xiàn)實(shí)意義。本文通過(guò)改進(jìn)的LSTM（長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)）模型,記為PLSTM（結(jié)合窺視孔的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)）,比較多種神經(jīng)網(wǎng)絡(luò),如基礎(chǔ)的LSTM、GRU（門(mén)限回歸單元）等來(lái)對(duì)多種虛擬貨幣的價(jià)格進(jìn)行預(yù)測(cè),采用tensorflow2.0框架來(lái)實(shí)現(xiàn),同時(shí)為了更好的預(yù)測(cè)和訓(xùn)練效率,采用滾動(dòng)預(yù)測(cè)和數(shù)據(jù)量綱歸一化來(lái)處理數(shù)據(jù)。由于注意力機(jī)制在機(jī)器學(xué)習(xí)領(lǐng)域的優(yōu)勢(shì),本文在四個(gè)模型中都分別加入注意力機(jī)制,保證學(xué)習(xí)率（lr=0.001）等其余參數(shù)一致,比較在相同迭代次數(shù)為300的情況下,來(lái)判斷在預(yù)測(cè)價(jià)格方面的準(zhǔn)確度。最后本文針對(duì)某種貨幣最優(yōu)的誤差率時(shí)的結(jié)果,加入到Backtrader回測(cè)框架中進(jìn)行組合收益的回測(cè),并從不同交易策略上、以及虛擬貨幣投資組合和單一虛擬貨幣的收益情況產(chǎn)生對(duì)比,止損率選取5種（1%,2%,2.25%,2.5%和3%）,并從對(duì)比的效果進(jìn)行分析。以比特幣為例,改進(jìn)的PLSTM的在預(yù)測(cè)精度的迭代效率上都具有一定的改善,在迭代次數(shù)相同的情況下（epochs=300）,PLSTM取得最小的RMSE,為355.03,MAE為234.78,在迭代的過(guò)程中,loss值第一次小于1e-3時(shí),所用時(shí)間最短為4.547385秒,從兩個(gè)角度都證明了模型的有效性,是一個(gè)較好的改進(jìn)方向。同時(shí)發(fā)現(xiàn)PLSTM-ATT（PLSTM結(jié)合注意力機(jī)制）在8個(gè)模型中預(yù)測(cè)精度最高,RMSE為351.18,MAE為229.33,誤差率為0.016495。在不同交易策略的回測(cè)期間,收益率的大小是不一樣的,最高的在于BOLL（布林帶）交易策略時(shí)10種虛擬的策略,收益增加了1倍。并且止損率的不同可能會(huì)導(dǎo)致正負(fù)收益的區(qū)別,在實(shí)際操作的過(guò)程中需要更加注重選擇。本文通過(guò)比較不同神經(jīng)網(wǎng)絡(luò)模型和不同交易策略的對(duì)比分析,以此來(lái)給投資者提供一些算法和策略方面的建議。
齊太威[4]（2021）在《基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的多因子量化投資策略研究》文中研究說(shuō)明量化投資是指通過(guò)采用數(shù)學(xué)方法,對(duì)金融數(shù)據(jù)建立模型,然后通過(guò)程序化發(fā)出買(mǎi)賣(mài)指令,以獲得利潤(rùn)的交易方式,從最早提出至今已將近七十年。相比于過(guò)去的證券投資方法,量化投資具有更加理性、速度更快等特點(diǎn)。如今,隨著深度學(xué)習(xí)理論的發(fā)展,量化投資理論也進(jìn)一步發(fā)展,由于證券市場(chǎng)的影響因素較多且并非完全出自理性,故而證券市場(chǎng)是一種受到多種因素影響的非線性系統(tǒng),而神經(jīng)網(wǎng)絡(luò)可以在非線性預(yù)測(cè)中表現(xiàn)出獨(dú)有的優(yōu)勢(shì),所以相比于傳統(tǒng)的線性模型預(yù)測(cè)準(zhǔn)確率更高。本文主要探討動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在股市預(yù)測(cè)和量化投資策略中的應(yīng)用。文章首先對(duì)量化投資的概念進(jìn)行說(shuō)明,簡(jiǎn)要介紹其優(yōu)勢(shì)和發(fā)展趨勢(shì),進(jìn)而闡述證券市場(chǎng)中的理性和非理性因素,然后通過(guò)獲取A股平安銀行2018年5月至2020年11月的數(shù)據(jù)并處理生成十個(gè)比較有代表性的技術(shù)分析指標(biāo),將數(shù)據(jù)進(jìn)行真實(shí)性檢驗(yàn),異常值剔除以及標(biāo)準(zhǔn)化后,分別作為多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)三種模型的輸入來(lái)預(yù)測(cè)股票的漲跌。通過(guò)比較三種模型在預(yù)測(cè)準(zhǔn)確率上的表現(xiàn),驗(yàn)證了神經(jīng)網(wǎng)絡(luò)在多因子模型中預(yù)測(cè)較好,并且LSTM網(wǎng)絡(luò)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。雖然BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率分別達(dá)到了60.5%和65%,但通過(guò)模擬交易后的年化收益率仍然不足以使其應(yīng)用于實(shí)踐,故而本文又提出一種改進(jìn)的基于區(qū)域轉(zhuǎn)折點(diǎn)的預(yù)測(cè)方法以及交易策略,進(jìn)一步提高了預(yù)測(cè)準(zhǔn)確率和量化投資策略的年化收益率,進(jìn)而,將該模型應(yīng)用于浦發(fā)銀行、大同煤業(yè)和滬深300指數(shù),其結(jié)果證明了該模型具有普遍的應(yīng)用價(jià)值。通過(guò)對(duì)三種模型的預(yù)測(cè)對(duì)比實(shí)驗(yàn)和改進(jìn)實(shí)驗(yàn)并進(jìn)行應(yīng)用推廣,最終得出以下結(jié)論:1.多指標(biāo)因子的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果優(yōu)于多元線性回歸。2.LSTM模型效果更優(yōu),三個(gè)模型中效果最佳,通過(guò)對(duì)三種模型預(yù)測(cè)結(jié)果構(gòu)建交易策略,LSTM模型回測(cè)具有最好的年化收益率,但仍有待進(jìn)一步提高。3.將LSTM用于模式分類(lèi),預(yù)測(cè)準(zhǔn)確率進(jìn)一步提高到83.33%,根據(jù)分類(lèi)結(jié)果制定量化投資策略,將年化收益率提高到11.23%。4.基于轉(zhuǎn)折點(diǎn)的預(yù)測(cè)模型具有普遍的適用性。
夏江流云[5]（2021）在《基于Stacking融合算法的企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警模型設(shè)計(jì)與應(yīng)用》文中認(rèn)為隨著中國(guó)經(jīng)濟(jì)下行壓力的增大,金融市場(chǎng)環(huán)境逐步惡化。企業(yè)間競(jìng)爭(zhēng)變得越發(fā)激烈,同時(shí)企業(yè)進(jìn)行外部融資的成本也在不斷增加,導(dǎo)致市場(chǎng)中的企業(yè)貸款頻繁發(fā)生違約。一方面,企業(yè)貸款是我國(guó)商業(yè)銀行等金融機(jī)構(gòu)在資產(chǎn)構(gòu)成中的重要組成部分,如果發(fā)放的企業(yè)貸款到期債務(wù)人無(wú)法償還本息,勢(shì)必將嚴(yán)重?fù)p害到商業(yè)銀行等金融機(jī)構(gòu)的盈利水平與穩(wěn)健經(jīng)營(yíng)的能力;另一方面,商業(yè)銀行審批貸款時(shí),會(huì)提高貸款的利率作為風(fēng)險(xiǎn)補(bǔ)償,從而產(chǎn)生逆向選擇的問(wèn)題,越發(fā)地導(dǎo)致中小企業(yè)的融資成本增加。所以,構(gòu)建一個(gè)合適的企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警模型,把有發(fā)生貸款違約可能性的企業(yè)識(shí)別出來(lái),對(duì)于商業(yè)銀行等金融機(jī)構(gòu)提升資產(chǎn)健康程度,提前防范違約風(fēng)險(xiǎn)的發(fā)生,企業(yè)強(qiáng)化自身的風(fēng)險(xiǎn)控制能力有著強(qiáng)有力的幫助。目前我國(guó)對(duì)于貸款違約模型的運(yùn)用與研究較多的停留于單一模型,缺少堆疊多個(gè)異質(zhì)模型構(gòu)建貸款違約預(yù)測(cè)模型的運(yùn)用與研究的情況。本文利用Python、Excel等分析軟件,首先利用數(shù)據(jù)預(yù)處理和特征工程構(gòu)建模型指標(biāo)體系。在對(duì)非平衡數(shù)據(jù)使用SMOTE過(guò)采樣與Tomek Link欠采樣相結(jié)合的綜合采樣法處理,得到平衡的樣本數(shù)據(jù)。構(gòu)建K最近鄰、支持向量機(jī)、樸素貝葉斯、邏輯回歸、Ada Boost、XGBoost、隨機(jī)森林和Extra Trees 8組分類(lèi)模型,結(jié)合交叉驗(yàn)證法與Grid Search尋找各個(gè)模型的最優(yōu)參數(shù)后,擇優(yōu)選出K最近鄰、支持向量機(jī)、Ada Boost、XGBoost、隨機(jī)森林和Extra Trees模型,最后通過(guò)Stacking算法堆疊融合構(gòu)建出含有6組模型的兩層企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警模型。研究表明,貸款違約主體企業(yè)在貸款發(fā)生違約時(shí)其償債能力、盈利能力、發(fā)展能力、經(jīng)營(yíng)能力、現(xiàn)金流管理能力、風(fēng)險(xiǎn)水平都明顯差于正常貸款主體企業(yè);K最近鄰、支持向量機(jī)、樸素貝葉斯、邏輯回歸、Ada Boost、XGBoost、隨機(jī)森林和Extra Trees在綜合采樣法處理過(guò)后的平衡數(shù)據(jù)集中表現(xiàn)更佳?；赟tacking算法堆疊融合K最近鄰、支持向量機(jī)、Ada Boost、XGBoost、隨機(jī)森林和Extra Trees模型的融合模型取得了最高的精準(zhǔn)率、召回率、F1值和AUC值,說(shuō)明利用Stacking算法堆疊融合構(gòu)建的兩層企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警模型具有優(yōu)異的分類(lèi)性能,Stacking算法的多模型堆疊融合策略具有較強(qiáng)的可行性。根據(jù)研究結(jié)論本文認(rèn)為:從模型角度應(yīng)提高我國(guó)經(jīng)濟(jì)市場(chǎng)的信息公開(kāi)力度和透明度,使得數(shù)據(jù)收集更完整,模型的運(yùn)用中應(yīng)該加入多維度的數(shù)據(jù);從企業(yè)主體角度,應(yīng)該不斷加強(qiáng)自身風(fēng)險(xiǎn)發(fā)現(xiàn)、防范能力;從商業(yè)銀行等金融機(jī)構(gòu)角度,提高企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警技術(shù),利用金融科技與人工智能來(lái)防范風(fēng)險(xiǎn)。
尤睿凡[6]（2021）在《基于時(shí)間序列模型與機(jī)器學(xué)習(xí)的組合模型的股票價(jià)格指數(shù)預(yù)測(cè)研究》文中研究指明股票價(jià)格指數(shù)主要是由相關(guān)金融服務(wù)機(jī)構(gòu)或者證券交易所自行編制的,為了反映我國(guó)股票市場(chǎng)整體價(jià)格水平和價(jià)格變動(dòng)趨勢(shì)而采用的股票價(jià)格統(tǒng)計(jì)相對(duì)數(shù),是一種可以反映股票市場(chǎng)整體價(jià)格變化的指標(biāo)。用時(shí)間序列分析的方法來(lái)研究并預(yù)測(cè)股票價(jià)格指數(shù),可以協(xié)助廣大投資者制定合理的投資方案,從而獲得更大收益。股票價(jià)格指數(shù)的序列包含了線性部分和非線性部分兩方面的不同特征,本文通過(guò)利用傳統(tǒng)時(shí)間序列模型中的ARIMA模型和改進(jìn)的支持向量回歸機(jī)的組合研究方法,對(duì)股票價(jià)格指數(shù)進(jìn)行了研究和預(yù)測(cè)。在時(shí)間序列分析的各類(lèi)模型中,ARIMA模型具有良好的特性,因而運(yùn)用較為廣泛。但是ARIMA模型無(wú)法處理數(shù)據(jù)中非線性的部分。而支持向量機(jī),可將非線性部分投影至一個(gè)新的高維空間中并使其線性可分,從而把非線性問(wèn)題直接變換為一個(gè)非線性的可分問(wèn)題。滬深300指數(shù)作為我國(guó)證券市場(chǎng)的重要指數(shù),有著很深遠(yuǎn)的研究意義。但是作為市場(chǎng)經(jīng)濟(jì)中時(shí)間性序列的一種,滬深300指數(shù)的序列主要受各種因素的影響,數(shù)據(jù)中線性成分與非線性成分糅合在一起。本文主要采用了組合模型的設(shè)計(jì)思想,利用ARIMA模型對(duì)滬深300指數(shù)的收盤(pán)價(jià)序列線性部分進(jìn)行了預(yù)測(cè),將殘差視作數(shù)據(jù)的非線性部分利用本文改進(jìn)的支持向量回歸算法進(jìn)行預(yù)測(cè),構(gòu)成混合模型,即先利用ARIMA模型提取數(shù)據(jù)線性成分,再用改進(jìn)的支持向量回歸算法處理非線性部分。得到預(yù)測(cè)值后再使用MAE、RMSE和MAPE三種指標(biāo)對(duì)單一的ARIMA模型、單一的改進(jìn)支持向量回歸算法和組合模型以及現(xiàn)有的ARMA-GARCH組合模型的預(yù)測(cè)效果進(jìn)行比較。實(shí)證分析的結(jié)果顯示,本文所建立的組合模型的預(yù)測(cè)結(jié)果要好于ARMA-GARCH組合模型,同時(shí)也好于兩種單一的模型。由于滬深300指數(shù)的不可交易性,以及在預(yù)測(cè)結(jié)果下對(duì)單一股票進(jìn)行投資交易仍需要花費(fèi)大量時(shí)間精力,許多對(duì)股指的預(yù)測(cè)研究在得到預(yù)測(cè)結(jié)果并進(jìn)行對(duì)比分析后戛然而止,缺乏對(duì)具體投資交易方案的制定與收益率分析。因此,本文的創(chuàng)新點(diǎn)在于,在對(duì)滬深300指數(shù)的預(yù)測(cè)基礎(chǔ)上,分別根據(jù)指數(shù)序列和指數(shù)基金序列的模型預(yù)測(cè)結(jié)果制定了滬深300指數(shù)基金合適的投資方案,并對(duì)預(yù)測(cè)模型收益率進(jìn)行對(duì)比分析。分析表明,無(wú)論是使用哪一個(gè)數(shù)據(jù),組合模型所對(duì)應(yīng)的投資策略產(chǎn)生的收益率更高,并且10日內(nèi)的收益率超過(guò)了 3%,投資收益較大。
孟丹[7]（2021）在《基于GA-BP神經(jīng)網(wǎng)絡(luò)的糧食現(xiàn)貨電商交易中企業(yè)征信模型的研究》文中研究指明近些年來(lái),糧食電商的興起與發(fā)展,為大宗糧食現(xiàn)貨交易增添了新的內(nèi)容,創(chuàng)造了新的機(jī)遇,但同時(shí)也帶來(lái)了新的隱患。由于現(xiàn)貨電商的交易模式以及糧食企業(yè)的特殊性,一些企業(yè)存在著填報(bào)虛假資料、虛假出庫(kù)、資金拖欠、糧食質(zhì)量不達(dá)標(biāo)、惡意違約等一系列信用風(fēng)險(xiǎn)問(wèn)題,各種糧食買(mǎi)賣(mài)經(jīng)濟(jì)糾紛案件頻頻發(fā)生,引起了社會(huì)的高度重視。而目前對(duì)于信用風(fēng)險(xiǎn)評(píng)價(jià)的研究大都集中于銀行信貸級(jí)別,對(duì)糧食現(xiàn)貨電商交易下企業(yè)信用的判別處于一個(gè)待探索階段。針對(duì)上述問(wèn)題,本文基于糧食現(xiàn)貨電商交易的自身特點(diǎn)和發(fā)展現(xiàn)狀,對(duì)糧食企業(yè)的信用風(fēng)險(xiǎn)展開(kāi)了研究。對(duì)糧食現(xiàn)貨電商交易下影響企業(yè)信用風(fēng)險(xiǎn)的因素加以全面分析,從龐雜的指標(biāo)中篩選出能夠較為準(zhǔn)確地反映糧食企業(yè)信用風(fēng)險(xiǎn)狀況的定量指標(biāo)及定性指標(biāo),分別從企業(yè)綜合素質(zhì)、企業(yè)財(cái)務(wù)狀況、企業(yè)管理情況以及企業(yè)履約狀況四個(gè)方面共選取了26個(gè)指標(biāo),構(gòu)建信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系;并將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于征信模型的構(gòu)建,處理各指標(biāo)間的非線性關(guān)系,針對(duì)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問(wèn)題,通過(guò)引入基于全局搜索的遺傳算法,進(jìn)行權(quán)值和閾值的選擇優(yōu)化并建立GA-BP神經(jīng)網(wǎng)絡(luò)模型;并在傳統(tǒng)遺傳算法的基礎(chǔ)上,對(duì)部分參數(shù)設(shè)置進(jìn)行了改進(jìn),更有利于找到種群中的最優(yōu)個(gè)體作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,從而更加有效地避免BP神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)解,提高模型的準(zhǔn)確率。最后利用采集到的數(shù)據(jù)對(duì)所建立的模型進(jìn)行仿真實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn),對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析,驗(yàn)證模型的有效性及準(zhǔn)確性。本文對(duì)糧食現(xiàn)貨電商交易中企業(yè)征信模型的研究,為糧食電商交易的環(huán)境安全提供了保障,也為電商交易中的糧食企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究提供相應(yīng)的參考依據(jù)。
謝良才[8]（2021）在《基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)探究及其在煤熱轉(zhuǎn)化數(shù)據(jù)規(guī)律分析中的應(yīng)用》文中提出近十幾年來(lái),隨著人們利用信息技術(shù)采集和分析數(shù)據(jù)能力的大幅提升以及人工智能技術(shù)的快速發(fā)展,極大的推動(dòng)了數(shù)據(jù)挖掘技術(shù)在各類(lèi)基礎(chǔ)科學(xué)研究中的快速興起,尤其是以人工神經(jīng)網(wǎng)絡(luò)智能算法為基礎(chǔ)的數(shù)據(jù)挖掘技術(shù)應(yīng)用更為廣泛。鑒于此,本文以非線性映射能力、并行處理能力以及容錯(cuò)性能優(yōu)異且廣泛使用的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘技術(shù)為基礎(chǔ),將數(shù)據(jù)挖掘的方法和思想引入到煤熱轉(zhuǎn)化領(lǐng)域的數(shù)據(jù)規(guī)律挖掘之中,以期在煤質(zhì)基礎(chǔ)數(shù)據(jù)與其熱轉(zhuǎn)化特性之間探尋出有價(jià)值的內(nèi)在規(guī)律或關(guān)系。本文的研究?jī)?nèi)容主要包括高性能數(shù)據(jù)挖掘技術(shù)的設(shè)計(jì)和在煤熱轉(zhuǎn)化領(lǐng)域?qū)嶋H應(yīng)用兩個(gè)方面的研究工作。首先,本文全面闡述了數(shù)據(jù)挖掘的基本理論與方法。在了解并分析了多種數(shù)據(jù)挖掘技術(shù)的基礎(chǔ)上,重點(diǎn)對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)進(jìn)行了深入的分析與闡述。進(jìn)一步的,本文針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法中存在的收斂速度慢、網(wǎng)絡(luò)初值隨機(jī)性、易陷入局部極小等不足,提出了一種多算法優(yōu)勢(shì)集成、聯(lián)合優(yōu)化的改進(jìn)型算法（HA-BP）,并在非線性函數(shù)仿真中得到了充分論證。此外,本文基于HA-BP算法分別設(shè)計(jì)了HA-BP-3δ異常數(shù)據(jù)檢測(cè)模型、HA-BP-MIV變量因素分析模型,它們的可靠性與實(shí)用性同樣在非線性函數(shù)仿真中得到了充分論證。而后,本文將該數(shù)據(jù)挖掘技術(shù)應(yīng)用于煤質(zhì)基礎(chǔ)數(shù)據(jù)（工業(yè)分析、元素分析、灰成分分析）對(duì)煤燃燒發(fā)熱量、煤熱解特性、煤氣化灰流動(dòng)溫度的數(shù)據(jù)規(guī)律挖掘（預(yù)測(cè)目標(biāo)）研究中。（1）煤工業(yè)分析、元素分析與燃燒發(fā)熱量之間的數(shù)據(jù)規(guī)律挖掘本節(jié)以104組我國(guó)不同地域（涵蓋了華東、華中、華北、華南以及西北地區(qū)）的煤質(zhì)基礎(chǔ)分析數(shù)據(jù)（工業(yè)分析、元素分析）以及發(fā)熱量（Qnet,ad）數(shù)據(jù)樣本為研究基礎(chǔ)。首先,采用HA-BP-3δ模型剔除了6組原始訓(xùn)練數(shù)據(jù)樣本。清洗后的樣本（原始數(shù)據(jù)使用率達(dá)到93%）,經(jīng)HA-BP計(jì)算的總數(shù)據(jù)集的平均絕對(duì)誤差為0.22 MJ/Kg。在此基礎(chǔ)上,提取出挖掘到的內(nèi)在關(guān)系,使用HA-BP-MIV對(duì)變量因素進(jìn)行了分析,分析結(jié)果顯示,FCad、Cad、Had、Nad以及Sad與煤的發(fā)熱量呈正相關(guān)性,Mad、Aad與煤的發(fā)熱量呈負(fù)相關(guān)性。此外,7個(gè)因素對(duì)煤發(fā)熱量的影響大小為:Cad>Aad>FCad>Mad>Nad>Sad>Had;其中,Aad、Cad、FCad對(duì)煤發(fā)熱量的累計(jì)影響值達(dá)到了總貢獻(xiàn)率的90.31%。進(jìn)一步的,基于三個(gè)主要因素計(jì)算的平均絕對(duì)誤差為0.47 MJ/Kg。此外,鑒于部分企業(yè)缺乏煤質(zhì)元素分析的數(shù)據(jù),進(jìn)而難以使用該算法挖掘到的內(nèi)在關(guān)系,為此,本文進(jìn)一步的使用煤質(zhì)工業(yè)分析的Mad、Aad、FCad作為輸入變量,借助HA-BP模型對(duì)發(fā)熱量進(jìn)行了研究。計(jì)算結(jié)果發(fā)現(xiàn),僅通過(guò)工業(yè)分析數(shù)據(jù)計(jì)算的發(fā)熱量總樣本集的平均絕對(duì)誤差為0.36MJ/Kg。（2）煤熱解失重特性與工業(yè)分析、元素分析數(shù)據(jù)之間的數(shù)據(jù)規(guī)律挖掘本節(jié)以10組不同產(chǎn)地的煤為研究樣本,借助HA-BP模型考察了煤（加氫）熱解失重特性曲線與其工業(yè)分析、元素分析之間的內(nèi)在關(guān)聯(lián)。為了實(shí)現(xiàn)對(duì)煤熱解失重特性曲線“線”預(yù)測(cè)的目標(biāo),本文首先基于煤熱解失重的典型特征,有針對(duì)性的提取了部分?jǐn)?shù)據(jù)點(diǎn)。經(jīng)HA-BP計(jì)算后,發(fā)現(xiàn)訓(xùn)練樣本、檢驗(yàn)樣本的計(jì)算值與實(shí)驗(yàn)值數(shù)據(jù)點(diǎn)的相關(guān)性R2分別為0.9966、0.9943。在此基礎(chǔ)上,提取出挖掘到的內(nèi)在關(guān)系,使用HA-BP-MIV對(duì)變量因素進(jìn)行了分析,分析結(jié)果顯示,T、Ad、Vd、Hd、Sd對(duì)煤熱解失重呈現(xiàn)正相關(guān)性;Cd、Nd對(duì)煤熱解失重呈現(xiàn)負(fù)相關(guān)性。此外,7個(gè)因素對(duì)煤熱解失重結(jié)果的影響大小為T(mén)>Vd>Cd>Hd>Nd>Sd>Ad;其中,T、Vd、Cd、Hd這4個(gè)因素對(duì)煤熱解失重的累計(jì)影響達(dá)到了總貢獻(xiàn)率的98.26%。進(jìn)一步的,我們發(fā)現(xiàn)基于4個(gè)主要因素預(yù)測(cè)的精度與7因素下的預(yù)測(cè)精度幾乎相當(dāng)。最后,基于簡(jiǎn)化后的4個(gè)主要因素成功的預(yù)測(cè)出了未知煤樣的熱解失重特性曲線（精度為每隔1 ℃）,且整條失重曲線（200～1100 ℃）的絕對(duì)誤差不超過(guò)2.25%。同樣的方式,基于4個(gè)主要因素也成功的預(yù)測(cè)出了未知煤樣的加氫熱解失重特性曲線。（3）氣化環(huán)境下的煤灰流動(dòng)溫度（FT）與其灰成分之間的數(shù)據(jù)規(guī)律挖掘本節(jié)以321組不同類(lèi)型的煤灰組成以及FT數(shù)據(jù)樣本作為研究基礎(chǔ)。首先,采用HA-BP-3δ模型剔除了27組原始訓(xùn)練數(shù)據(jù)樣本。清洗后的樣本（原始數(shù)據(jù)使用率達(dá)到92%）,經(jīng)HA-BP計(jì)算的總數(shù)據(jù)集的平均絕對(duì)誤差為25 ℃。在此基礎(chǔ)上,借助HA-BP-MIV算法分析了各個(gè)化學(xué)組成對(duì)FT的影響。分析結(jié)果顯示,SiO2、Al2O3、TiO2與FT之間表現(xiàn)出正相關(guān)性;CaO、Fe2O3、MgO、K2O+Na2O與FT之間表現(xiàn)出負(fù)相關(guān)性。此外,7個(gè)因素對(duì)FT的影響大小為:Al2O3>SiO2>CaO>Fe2O3>K2O+Na2O>TiO2>MgO,進(jìn)一步的,基于變量因素的分析結(jié)果選取了3類(lèi)典型的煤灰樣本,在模擬高溫、氣化的環(huán)境下進(jìn)行了結(jié)渣機(jī)理分析,并總結(jié)了不同煤灰的結(jié)晶特征?；诖?本文將煤灰分為酸性灰、中性灰、堿性灰三個(gè)類(lèi)型,其中酸性灰的FT絕大多數(shù)都高于1400 ℃。而后,借助HA-BP-MIV分別對(duì)中性灰、堿性灰進(jìn)行了關(guān)鍵特征參量的分析,并發(fā)現(xiàn)探尋到的關(guān)鍵特征參量與FT之間存在著顯著的線性相關(guān)性。最后,通過(guò)實(shí)際測(cè)試值對(duì)基于關(guān)鍵特征參量提出的關(guān)系式進(jìn)行了驗(yàn)證,并取得了良好的效果。這為調(diào)控FT助劑類(lèi)型的選擇、添加量的確定以及不同煤種的配煤和配煤比例提供了更為直接、有效的指導(dǎo)。本節(jié)提出的單因素、易調(diào)控的FT計(jì)算模型如下:1:酸性灰,A/B≧6.72,FT>1400℃;2:中性灰,0.96≦A/B<6.72,FT=136x1+1143.9;3:堿性灰,A/B<0.96,FT=116.81x2+1122.3.經(jīng)本文的研究發(fā)現(xiàn),煤質(zhì)基礎(chǔ)數(shù)據(jù)與其發(fā)熱量、熱解特性、FT之間確實(shí)存在著緊密的內(nèi)在聯(lián)系,通過(guò)數(shù)據(jù)挖掘的思想和方法,不僅實(shí)現(xiàn)了對(duì)煤熱轉(zhuǎn)化數(shù)據(jù)的異常數(shù)據(jù)診斷以及高效預(yù)測(cè),而且實(shí)現(xiàn)了基礎(chǔ)數(shù)據(jù)樣本的有效增值,更為煤熱轉(zhuǎn)化過(guò)程中的數(shù)理分析、影響因素分析甚至后續(xù)的研究主攻方向等提供了新的研究方法和思路。
張鵬[9]（2021）在《基于深度學(xué)習(xí)的天津港集裝箱吞吐量預(yù)測(cè)研究》文中研究指明近年來(lái)在經(jīng)濟(jì)全球化、區(qū)域一體化和運(yùn)輸集裝箱化等多重背景下,港口發(fā)展日益根植于宏觀層次的經(jīng)濟(jì)和社會(huì)制度環(huán)境,港口區(qū)域發(fā)展環(huán)境也從傳統(tǒng)上小尺度的港-城發(fā)展環(huán)境擴(kuò)大至區(qū)域尺度內(nèi)更緊密的發(fā)展環(huán)境。天津市經(jīng)濟(jì)增速放緩和環(huán)渤海港口群建設(shè)加速等外部環(huán)境變化情況直接導(dǎo)致天津港港口物流發(fā)展速度下降。本文在了解港口物流影響因素并建立港口吞吐量分析模型的基礎(chǔ)上,使用LSTM、GRU和Bi-LSTM等深度學(xué)習(xí)算法進(jìn)行建模,得到適合天津港集裝箱預(yù)測(cè)的深度學(xué)習(xí)模型,通過(guò)情景變化系統(tǒng)對(duì)天津港未來(lái)集裝箱吞吐量變化趨勢(shì)進(jìn)行解析,針對(duì)提升港口物流發(fā)展水平提出港口建設(shè)和腹地協(xié)同策略。具體實(shí)現(xiàn)以下研究:首先,針對(duì)天津港港口建設(shè)和港口腹地協(xié)同發(fā)展對(duì)港口物流相互影響的問(wèn)題,通過(guò)港口吞吐量趨勢(shì)分析和腹地經(jīng)濟(jì)特性分析,獲取天津港集裝箱吞吐量的影響因素,同時(shí)針對(duì)時(shí)序數(shù)列波動(dòng)性和周期性特征,利用深度學(xué)習(xí)算法設(shè)計(jì)了集裝箱吞吐量預(yù)測(cè)模型。通過(guò)實(shí)證對(duì)比得到Bi-LSTM算法構(gòu)建的預(yù)測(cè)模型在天津港集裝箱吞吐量預(yù)測(cè)中的穩(wěn)健程度,實(shí)現(xiàn)通過(guò)使用港口建設(shè)和腹地經(jīng)濟(jì)數(shù)據(jù)預(yù)測(cè)得到天津港集裝箱吞吐量發(fā)展趨勢(shì)。其次,結(jié)合港口建設(shè)和腹地經(jīng)濟(jì)數(shù)值的歷史發(fā)展趨勢(shì)和政策規(guī)劃導(dǎo)向,對(duì)天津港預(yù)測(cè)指標(biāo)進(jìn)行未來(lái)趨勢(shì)的情景劃分,并通過(guò)天津港集裝箱吞吐量最優(yōu)預(yù)測(cè)模型得到2019-2022年天津港集裝箱吞吐量在不同影響因素情景變化下的預(yù)測(cè)結(jié)果,通過(guò)對(duì)情景變化下預(yù)測(cè)結(jié)果的趨勢(shì)變化分析,深入剖析天津港建設(shè)和腹地經(jīng)濟(jì)對(duì)港口物流的影響情況,探究提升天津港港口物流水平的策略重點(diǎn)。最后,依據(jù)港口建設(shè)和腹地經(jīng)濟(jì)要素在不同情景變化下得到的天津港口集裝吞吐量預(yù)測(cè)結(jié)果分析得到的天津港港口物流發(fā)展水平趨勢(shì),探尋得到天津港物流建設(shè)的重點(diǎn),并針對(duì)港口腹地經(jīng)濟(jì)情況和港口建設(shè)條件提出天津港港口腹地協(xié)同發(fā)展和智慧港口建設(shè)策略。
王永樂(lè)[10]（2020）在《基于LSTM的煤炭?jī)r(jià)格預(yù)測(cè)模型研究》文中研究指明煤炭作為相關(guān)企業(yè)的核心產(chǎn)品,其價(jià)格預(yù)測(cè)在企業(yè)財(cái)務(wù)核算上占據(jù)重要地位,同時(shí)會(huì)計(jì)預(yù)測(cè)作為企業(yè)經(jīng)濟(jì)管理的重要手段,其目的是定量或定性地判斷、推測(cè)和規(guī)劃企業(yè)內(nèi)部經(jīng)濟(jì)活動(dòng)的發(fā)展變化規(guī)律,并對(duì)其做出評(píng)價(jià),以指導(dǎo)和調(diào)節(jié)經(jīng)濟(jì)活動(dòng),謀求最佳經(jīng)濟(jì)效果,因此,對(duì)煤炭?jī)r(jià)格的研究對(duì)相關(guān)企業(yè)的財(cái)務(wù)管理具有深遠(yuǎn)影響。近年來(lái)專家學(xué)者們對(duì)煤炭?jī)r(jià)格預(yù)測(cè)的研究大多以回歸擬合和計(jì)量經(jīng)濟(jì)學(xué)等傳統(tǒng)的價(jià)格預(yù)測(cè)方法為主,雖然有學(xué)者將人工智能方法引入價(jià)格預(yù)測(cè)領(lǐng)域,但也是以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)進(jìn)行拓展研究,并沒(méi)有深入研究LSTM模型在煤炭?jī)r(jià)格預(yù)測(cè)中的應(yīng)用。基于LSTM神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的煤炭?jī)r(jià)格預(yù)測(cè)模型可以很好的擬合我國(guó)短期煤炭?jī)r(jià)格趨勢(shì),進(jìn)而為決策者提供一定的決策依據(jù)。為了搭建符合我國(guó)煤炭?jī)r(jià)格數(shù)理統(tǒng)計(jì)特性的預(yù)測(cè)模型,本文以秦皇島動(dòng)力煤（Q5500）周市場(chǎng)價(jià)為研究對(duì)象,從以下四個(gè)方面深入研究:（1）對(duì)我國(guó)煤炭?jī)r(jià)格的影響因素進(jìn)行深入分析,得出各變量之間相關(guān)性較高且不易量化擬合,因此本文選擇煤炭?jī)r(jià)格這一單變量進(jìn)行模型構(gòu)建;（2）對(duì)煤炭?jī)r(jià)格的內(nèi)在數(shù)理特性進(jìn)行研究,得出其具有非線性等特征傳統(tǒng)預(yù)測(cè)模型對(duì)其的擬合效果較差,因此本文選擇LSTM神經(jīng)網(wǎng)絡(luò)模型作為基礎(chǔ)模型;（3）對(duì)LSTM模型的原理和思想進(jìn)行深入分析,得出LSTM也會(huì)和其他神經(jīng)網(wǎng)絡(luò)一樣容易陷入局部最優(yōu)解且收斂速度較慢的問(wèn)題;（4）對(duì)比前人僅從學(xué)習(xí)率去優(yōu)化LSTM模型不能完全解決該問(wèn)題,本文分別從模型輸入端和模型優(yōu)化函數(shù)入手進(jìn)行改進(jìn)。經(jīng)實(shí)證檢驗(yàn)得出:使用Lookahead優(yōu)化算法對(duì)LSTM模型進(jìn)行優(yōu)化,在不降低模型性能的前提下,使得模型的收斂速度大幅提高;基于數(shù)據(jù)輸入端的改進(jìn),分別使用小波變換和卡爾曼濾波進(jìn)行擬合,使得預(yù)測(cè)誤差從基礎(chǔ)的3.28元/噸分別降為1.55元/噸和3.04元/噸。以上研究表明,改進(jìn)后的LSTM系列模型的煤炭?jī)r(jià)格預(yù)測(cè)方法具有良好的實(shí)用性和預(yù)測(cè)精度,在去除煤炭?jī)r(jià)格噪音數(shù)據(jù)的同時(shí),能很好的保留價(jià)格數(shù)據(jù)本身的趨勢(shì)性和周期性,為研究大數(shù)據(jù)背景下的煤炭?jī)r(jià)格預(yù)測(cè)問(wèn)題提供了新思路。
二、數(shù)理金融模型的神經(jīng)網(wǎng)絡(luò)算法（論文開(kāi)題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫(xiě)法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、數(shù)理金融模型的神經(jīng)網(wǎng)絡(luò)算法（論文提綱范文）
（1）神經(jīng)網(wǎng)絡(luò)在時(shí)序預(yù)測(cè)中的研究與應(yīng)用（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 基于數(shù)理統(tǒng)計(jì)的預(yù)測(cè)模型研究現(xiàn)狀 |
| 1.2.2 基于數(shù)據(jù)驅(qū)動(dòng)的研究現(xiàn)狀 |
| 1.3 本文的研究?jī)?nèi)容 |
| 1.4 論文結(jié)構(gòu)安排 |
| 第二章 時(shí)序預(yù)測(cè)相關(guān)理論與算法 |
| 2.1 時(shí)序預(yù)測(cè)相關(guān)算法 |
| 2.1.1 基于數(shù)理模型的預(yù)測(cè)方法 |
| 2.1.2 基于神經(jīng)網(wǎng)絡(luò)的時(shí)序預(yù)測(cè)方法 |
| 2.2 蝴蝶優(yōu)化算法 |
| 2.3 經(jīng)驗(yàn)?zāi)B(tài)分解 |
| 2.4 排列熵 |
| 2.5 本章小結(jié) |
| 第三章 基于DCRJ的實(shí)時(shí)時(shí)序數(shù)據(jù)預(yù)測(cè) |
| 3.1 DCRJ算法 |
| 3.1.1 DCRJ算法概述 |
| 3.1.2 DCRJ算法步驟 |
| 3.2 OLBOA算法 |
| 3.2.1 OLBOA算法概述 |
| 3.2.2 OLBOA算法步驟 |
| 3.3 仿真實(shí)驗(yàn) |
| 3.3.1 OLBOA算法性能分析 |
| 3.3.2 DCRJ算法性能分析 |
| 3.4 本章小結(jié) |
| 第四章 基于CEEMDAN-DCRJ的長(zhǎng)期時(shí)序數(shù)據(jù)預(yù)測(cè) |
| 4.1 CEEMDAN-DCRJ算法 |
| 4.1.1 CEEMDAN算法 |
| 4.1.2 CEEDAN-DCRJ算法實(shí)現(xiàn) |
| 4.2 仿真實(shí)驗(yàn) |
| 4.2.1 評(píng)價(jià)指標(biāo) |
| 4.2.2 數(shù)據(jù)集介紹 |
| 4.2.3 CEEMDAN分解結(jié)果展示 |
| 4.2.4 預(yù)測(cè)結(jié)果分析 |
| 4.3 本章小結(jié) |
| 第五章 時(shí)序預(yù)測(cè)在橋梁智能管養(yǎng)系統(tǒng)中應(yīng)用實(shí)現(xiàn) |
| 5.1 相關(guān)知識(shí)介紹 |
| 5.1.1 橋梁知識(shí)介紹 |
| 5.1.2 傳感器知識(shí)介紹 |
| 5.2 仿真實(shí)驗(yàn) |
| 5.2.1 橋梁傳感器基本參數(shù)介紹 |
| 5.2.2 實(shí)驗(yàn)對(duì)比 |
| 5.3 系統(tǒng)需求分析 |
| 5.3.1 社會(huì)需求分析 |
| 5.3.2 系統(tǒng)功能性分析 |
| 5.4 系統(tǒng)架構(gòu) |
| 5.4.1 系統(tǒng)運(yùn)行環(huán)境 |
| 5.4.2 趨勢(shì)分析模塊架構(gòu)圖 |
| 5.5 橋梁健康預(yù)測(cè)仿真系統(tǒng)展示 |
| 5.5.1 系統(tǒng)界面展示 |
| 5.5.2 系統(tǒng)測(cè)試結(jié)果展示 |
| 5.6 本章小結(jié) |
| 總結(jié)與展望 |
| 論文工作小結(jié) |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄:作者在攻讀碩士學(xué)位期間主要工作 |
（2）基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型的股票趨勢(shì)預(yù)測(cè)方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國(guó)內(nèi)外研究概述 |
| 1.2.1 技術(shù)分析法概述 |
| 1.2.2 基本面分析法概述 |
| 1.2.3 數(shù)據(jù)分析方法概述 |
| 1.3 論文主要研究?jī)?nèi)容和創(chuàng)新點(diǎn) |
| 1.3.1 主要研究?jī)?nèi)容 |
| 1.3.2 創(chuàng)新點(diǎn) |
| 1.4 論文結(jié)構(gòu)安排 |
| 第二章 相關(guān)技術(shù) |
| 2.1 股票價(jià)格概論 |
| 2.2 基于多維技術(shù)指標(biāo)的股票價(jià)格趨勢(shì)表示方法 |
| 2.2.1 股票技術(shù)指標(biāo)理論 |
| 2.2.2 基于多維技術(shù)指標(biāo)的股票趨勢(shì)特征表示 |
| 2.3 股票價(jià)格預(yù)測(cè)技術(shù)分析方法 |
| 2.3.1 LASSO回歸 |
| 2.3.2 主成分分析法(PCA) |
| 2.3.3 KMO和 Bartlett’s球型檢驗(yàn) |
| 2.3.4 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM) |
| 2.3.5 貝葉斯優(yōu)化(Byesian Optimization) |
| 2.4 本章小結(jié) |
| 第三章 LSTM神經(jīng)網(wǎng)絡(luò)及其分析 |
| 3.1 理論依據(jù)分析 |
| 3.2 LSTM神經(jīng)網(wǎng)絡(luò)的不足 |
| 3.3 改進(jìn)方法 |
| 3.4 本章小結(jié) |
| 第四章 基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型的設(shè)計(jì) |
| 4.1 數(shù)據(jù)預(yù)處理 |
| 4.1.1 數(shù)據(jù)標(biāo)準(zhǔn)化 |
| 4.1.2 LASSO回歸 |
| 4.1.3 提取主成分 |
| 4.2 基于貝葉斯優(yōu)化神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì) |
| 4.2.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì) |
| 4.2.2 網(wǎng)絡(luò)激活函數(shù)設(shè)計(jì) |
| 4.2.3 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)計(jì) |
| 4.2.4 貝葉斯優(yōu)化LSTM模型超參數(shù) |
| 4.3 評(píng)價(jià)指標(biāo)選取 |
| 4.4 本章小結(jié) |
| 第五章 基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型的股票價(jià)格預(yù)測(cè) |
| 5.1 樣本選取 |
| 5.1.1 樣本數(shù)據(jù)處理 |
| 5.1.2 樣本數(shù)據(jù)LASSO回歸 |
| 5.1.3 樣本主成分分析 |
| 5.2 基于貝葉斯優(yōu)化超參數(shù)的LSTM模型 |
| 5.3 實(shí)驗(yàn)結(jié)果與分析 |
| 5.3.1 實(shí)驗(yàn)環(huán)境 |
| 5.3.2 實(shí)驗(yàn)結(jié)果與分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 論文工作總結(jié) |
| 6.2 論文工作展望 |
| 參考文獻(xiàn) |
| 在校期間發(fā)表論文情況 |
| 致謝 |
（3）基于PLSTM-ATT的虛擬貨幣投資組合策略設(shè)計(jì)（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意義 |
| 1.2.1 研究目的 |
| 1.2.2 研究意義 |
| 1.3 研究的內(nèi)容、方法和技術(shù)路線 |
| 1.3.1 研究?jī)?nèi)容 |
| 1.3.2 研究方法 |
| 1.3.3 技術(shù)路線圖 |
| 1.4 本文主要貢獻(xiàn) |
| 第二章 相關(guān)理論回顧與文獻(xiàn)綜述 |
| 2.1 相關(guān)理論回顧 |
| 2.1.1 投資組合理論 |
| 2.1.2 量化投資理論 |
| 2.1.3 行為金融學(xué)理論 |
| 2.1.4 機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)理論 |
| 2.1.5 相關(guān)理論總結(jié) |
| 2.2 相關(guān)文獻(xiàn)綜述 |
| 2.2.1 虛擬貨幣投資組合文獻(xiàn)綜述 |
| 2.2.2 LSTM的改進(jìn)與量化投資 |
| 2.2.3 相關(guān)文獻(xiàn)述評(píng) |
| 第三章 虛擬貨幣投資組合策略分析與構(gòu)思 |
| 3.1 虛擬貨幣交易策略設(shè)計(jì)的提出 |
| 3.1.1 虛擬貨幣交易現(xiàn)狀與特點(diǎn) |
| 3.1.2 構(gòu)建虛擬貨幣投資組合的必要性 |
| 3.1.3 機(jī)器學(xué)習(xí)預(yù)測(cè)模型的選擇 |
| 3.2 虛擬貨幣投資組合策略的設(shè)計(jì)思路 |
| 3.3 虛擬貨幣投資組合策略的理論框架 |
| 3.3.1 虛擬貨幣價(jià)格預(yù)測(cè)的特征選擇 |
| 3.3.2 虛擬貨幣的價(jià)格預(yù)測(cè)-神經(jīng)網(wǎng)絡(luò)模型 |
| 3.3.3 虛擬貨幣投資組合權(quán)重的計(jì)算方案 |
| 3.3.4 虛擬貨幣交易策略理論 |
| 3.3.5 虛擬貨幣投資組合策略評(píng)價(jià)方法 |
| 3.3.6 Backtrader回測(cè)框架簡(jiǎn)介 |
| 第四章 虛擬貨幣投資組合策略設(shè)計(jì)方案 |
| 4.1 數(shù)據(jù)的描述 |
| 4.1.1 數(shù)據(jù)的來(lái)源與分組 |
| 4.1.2 數(shù)據(jù)的描述性統(tǒng)計(jì)與可視化 |
| 4.2 LSTM模型的改進(jìn) |
| 4.3 虛擬貨幣價(jià)格的預(yù)測(cè)分析 |
| 4.3.1 滾動(dòng)預(yù)測(cè)與歸一化處理 |
| 4.3.2 虛擬貨幣投資組合權(quán)重的構(gòu)建 |
| 4.4 虛擬貨幣組合策略設(shè)計(jì)框架 |
| 第五章 虛擬貨幣投資組合交易策略的有效性評(píng)價(jià) |
| 5.1 多種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度的有效性評(píng)價(jià) |
| 5.1.1 未加Attention機(jī)制的模型預(yù)測(cè)的有效性評(píng)價(jià) |
| 5.1.2 加入Attention機(jī)制的模型預(yù)測(cè)的有效性評(píng)價(jià) |
| 5.2 不同策略下的虛擬貨幣投資組合策略的有效性評(píng)價(jià) |
| 5.2.1 SMA交易策略的有效性評(píng)價(jià) |
| 5.2.2 BOLL交易策略的有效性評(píng)價(jià) |
| 5.2.3 MACD交易策略的有效性評(píng)價(jià) |
| 5.3 虛擬貨幣交易策略風(fēng)險(xiǎn)提示 |
| 第六章 結(jié)論 |
| 6.1 結(jié)論 |
| 6.2 不足與展望 |
| 參考文獻(xiàn) |
| 致謝 |
（4）基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的多因子量化投資策略研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 量化投資策略研究背景及意義 |
| 1.2 神經(jīng)網(wǎng)絡(luò)以及量化投資的發(fā)展現(xiàn)狀 |
| 1.2.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀 |
| 1.2.2 量化投資的發(fā)展現(xiàn)狀 |
| 1.3 本文組織結(jié)構(gòu)及創(chuàng)新點(diǎn) |
| 2 相關(guān)理論基礎(chǔ) |
| 2.1 股市中的理性和非理性因素 |
| 2.1.1 有效市場(chǎng)假說(shuō) |
| 2.1.2 行為金融學(xué) |
| 2.2 證券分析方法 |
| 2.2.1 基本面分析 |
| 2.2.2 技術(shù)分析 |
| 2.3 相關(guān)金融理論模型 |
| 2.3.1 資本資產(chǎn)定價(jià)模型 |
| 2.3.2 套利定價(jià)模型 |
| 2.4 基于機(jī)器學(xué)習(xí)的多元線性回歸 |
| 2.5 理性與線性的關(guān)系 |
| 2.6 人工神經(jīng)網(wǎng)絡(luò) |
| 2.6.1 人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生非線性結(jié)果的原理 |
| 2.6.2 BP神經(jīng)網(wǎng)絡(luò) |
| 2.7 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 |
| 2.8 量化投資過(guò)程 |
| 2.9 量化投資策略概述 |
| 2.10 本章小結(jié) |
| 3 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資策略中的應(yīng)用 |
| 3.1 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)對(duì)股市的適用性驗(yàn)證 |
| 3.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò) |
| 3.1.2 長(zhǎng)短期記憶網(wǎng)絡(luò) |
| 3.2 實(shí)驗(yàn)環(huán)境 |
| 3.3 實(shí)驗(yàn)數(shù)據(jù)集的獲取及預(yù)處理 |
| 3.4 模型訓(xùn)練 |
| 3.4.1 基于機(jī)器學(xué)習(xí)的多元線性回歸 |
| 3.4.2 基于BP神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè) |
| 3.4.3 基于LSTM的股票預(yù)測(cè) |
| 3.5 構(gòu)建交易策略與回測(cè)檢驗(yàn) |
| 3.6 實(shí)驗(yàn)結(jié)果對(duì)比分析 |
| 3.7 本章小結(jié) |
| 4 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模式識(shí)別在交易策略中的應(yīng)用 |
| 4.1 模式識(shí)別方法概述 |
| 4.2 一種基于 LSTM 神經(jīng)網(wǎng)絡(luò)的模式識(shí)別方法 |
| 4.3 模型的輸入和輸出 |
| 4.4 制定交易策略并回測(cè) |
| 4.5 基于轉(zhuǎn)折點(diǎn)的量化投資策略的應(yīng)用推廣 |
| 4.5.1 模型在浦發(fā)銀行數(shù)據(jù)上的應(yīng)用 |
| 4.5.2 模型在大同煤業(yè)數(shù)據(jù)上的應(yīng)用 |
| 4.5.3 模型在滬深 300 指數(shù)上的應(yīng)用 |
| 4.6 本章小結(jié) |
| 5 總結(jié)與展望 |
| 5.1 本文總結(jié) |
| 5.2 后續(xù)研究工作 |
| 參考文獻(xiàn) |
| 致謝 |
| 附錄1 攻讀碩士學(xué)位期間參與的項(xiàng)目和發(fā)表論文 |
| 附錄2 主要英文縮寫(xiě)語(yǔ)對(duì)照表 |
（5）基于Stacking融合算法的企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警模型設(shè)計(jì)與應(yīng)用（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景及研究意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國(guó)內(nèi)外對(duì)貸款違約風(fēng)險(xiǎn)相關(guān)研究現(xiàn)狀 |
| 1.2.1 國(guó)外研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.3 本文研究思路與研究方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 本文的創(chuàng)新與不足之處 |
| 第2章 企業(yè)貸款違約現(xiàn)狀概述與企業(yè)貸款違約風(fēng)險(xiǎn)理論 |
| 2.1 我國(guó)企業(yè)貸款違約現(xiàn)狀 |
| 2.2 企業(yè)貸款違約風(fēng)險(xiǎn)理論 |
| 第3章 機(jī)器學(xué)習(xí)分類(lèi)算法理論 |
| 3.1 單分類(lèi)算法 |
| 3.1.1 K最近鄰 |
| 3.1.2 支持向量機(jī) |
| 3.2 集成學(xué)習(xí)算法 |
| 3.2.1 隨機(jī)森林算法 |
| 3.2.2 ExtraTrees算法 |
| 3.2.3 AdaBoost算法 |
| 3.2.4 XGBoost算法 |
| 3.3 Stacking模型融合算法 |
| 第4章 數(shù)據(jù)預(yù)處理與特征工程 |
| 4.1 數(shù)據(jù)來(lái)源 |
| 4.2 數(shù)據(jù)預(yù)處理 |
| 4.2.1 數(shù)據(jù)清洗 |
| 4.2.2 數(shù)據(jù)缺失值處理 |
| 4.2.3 數(shù)據(jù)離群點(diǎn)處理 |
| 4.2.4 數(shù)據(jù)縮放處理 |
| 4.2.5 獨(dú)熱編碼 |
| 4.2.6 數(shù)據(jù)平衡化—SMOTE算法 |
| 4.3 特征工程 |
| 4.3.1 互信息法 |
| 4.3.2 Wrapper包裝法 |
| 4.3.3 單變量特征選擇 |
| 第5章 預(yù)警模型指標(biāo)體系構(gòu)建與描述性統(tǒng)計(jì) |
| 5.1 指標(biāo)體系概述 |
| 5.2 描述性統(tǒng)計(jì) |
| 5.2.1 企業(yè)貸款整體比例情況 |
| 5.2.2 償債能力 |
| 5.2.3 經(jīng)營(yíng)能力 |
| 5.2.4 盈利能力 |
| 5.2.5 現(xiàn)金流管理能力 |
| 5.2.6 風(fēng)險(xiǎn)水平 |
| 5.2.7 發(fā)展能力 |
| 第6章 基于Stacking算法的模型構(gòu)建與應(yīng)用 |
| 6.1 模型評(píng)估指標(biāo)體系 |
| 6.1.1 混淆矩陣 |
| 6.1.2 受試者工作特征 |
| 6.1.3 模型評(píng)估方式 |
| 6.2 模型參數(shù)優(yōu)化與模型比較 |
| 6.2.1 模型參數(shù)優(yōu)化 |
| 6.2.2 模型比較 |
| 6.3 構(gòu)建Stacking算法堆疊融合模型與性能評(píng)估 |
| 6.3.1 Stacking模型構(gòu)建 |
| 6.3.2 模型結(jié)果分析 |
| 6.3.3 Stacking第一層模型的特征重要性度量 |
| 6.3.4 Stacking第一層模型貢獻(xiàn)度評(píng)估 |
| 6.3.5 樣本外數(shù)據(jù)檢驗(yàn) |
| 第7章 結(jié)論與建議 |
| 7.1 結(jié)論 |
| 7.2 建議 |
| 參考文獻(xiàn) |
| 致謝 |
（6）基于時(shí)間序列模型與機(jī)器學(xué)習(xí)的組合模型的股票價(jià)格指數(shù)預(yù)測(cè)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與問(wèn)題提出 |
| 1.1.1 研究背景 |
| 1.1.2 問(wèn)題提出 |
| 1.2 研究目的與研究意義 |
| 1.3 研究現(xiàn)狀 |
| 1.3.1 國(guó)外研究現(xiàn)狀 |
| 1.3.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.4 研究?jī)?nèi)容 |
| 1.5 研究方法 |
| 1.5.1 股票價(jià)格指數(shù)預(yù)測(cè)的常用方法 |
| 1.5.2 本文研究思路與研究方法 |
| 第二章 組合模型的理論基礎(chǔ) |
| 2.1 時(shí)間序列模型的基本理論 |
| 2.1.1 幾種時(shí)間序列模型的基本介紹 |
| 2.1.2 ARIMA模型的建模步驟 |
| 2.2 機(jī)器學(xué)習(xí)理論 |
| 2.2.1 原始SVM模型理論 |
| 2.2.2 改進(jìn)的SVM模型 |
| 2.2.3 改進(jìn)的支持向量機(jī)的回歸形式 |
| 2.2.4 核函數(shù)的選取 |
| 2.3 本章小結(jié) |
| 第三章 組合模型的建立 |
| 3.1 時(shí)間序列模型的建立 |
| 3.1.1 樣本篩選與說(shuō)明 |
| 3.1.2 金融時(shí)間序列預(yù)處理 |
| 3.1.3 平穩(wěn)模型定階 |
| 3.2 改進(jìn)的SVM回歸算法建立 |
| 3.3 組合模型的建立 |
| 3.4 本章小結(jié) |
| 第四章 模型預(yù)測(cè)實(shí)證研究 |
| 4.1 模型預(yù)測(cè)結(jié)果 |
| 4.2 實(shí)證研究結(jié)果分析 |
| 4.3 本章小結(jié) |
| 第五章 基于組合模型的股指基金收益分析 |
| 5.1 股指基金的選取 |
| 5.2 股指基金交易策略制定 |
| 5.3 模型收益率對(duì)比 |
| 5.3.1 基于滬深300指數(shù)序列的不同模型收益率對(duì)比 |
| 5.3.2 基于滬深300指數(shù)基金序列的不同模型收益率對(duì)比 |
| 5.4 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 致謝 |
| 學(xué)位論文評(píng)閱及答辯情況表 |
（7）基于GA-BP神經(jīng)網(wǎng)絡(luò)的糧食現(xiàn)貨電商交易中企業(yè)征信模型的研究（論文提綱范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國(guó)內(nèi)外糧食電商交易研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)外信用風(fēng)險(xiǎn)評(píng)價(jià)研究現(xiàn)狀 |
| 1.2.3 BP神經(jīng)網(wǎng)絡(luò)在信用評(píng)價(jià)中的應(yīng)用現(xiàn)狀 |
| 1.3 主要研究?jī)?nèi)容及創(chuàng)新點(diǎn) |
| 1.3.1 主要研究?jī)?nèi)容 |
| 1.3.2 論文創(chuàng)新點(diǎn) |
| 1.4 論文組織安排 |
| 1.5 本章小結(jié) |
| 第2章 相關(guān)理論與技術(shù)介紹 |
| 2.1 BP神經(jīng)網(wǎng)絡(luò) |
| 2.1.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理 |
| 2.1.2 BP神經(jīng)網(wǎng)絡(luò)的算法流程 |
| 2.1.3 影響因素分析 |
| 2.1.4 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn) |
| 2.2 遺傳算法 |
| 2.2.1 遺傳算法簡(jiǎn)介 |
| 2.2.2 遺傳算法的機(jī)理 |
| 2.2.3 遺傳算法的基本要素 |
| 2.2.4 遺傳算法的流程 |
| 2.2.5 遺傳算法的特點(diǎn) |
| 2.3 遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化 |
| 2.3.1 總體優(yōu)化思路 |
| 2.3.2 優(yōu)化步驟 |
| 2.4 本章小結(jié) |
| 第3章 信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的建立 |
| 3.1 糧食現(xiàn)貨電商交易及其企業(yè)特點(diǎn) |
| 3.1.1 糧食現(xiàn)貨電商交易及其特點(diǎn) |
| 3.1.2 糧食企業(yè)特點(diǎn) |
| 3.2 信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)選擇及其體系構(gòu)建的原則 |
| 3.2.1 信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)選擇的原則 |
| 3.2.2 信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系構(gòu)建的原則 |
| 3.3 信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的建立 |
| 3.3.1 信用評(píng)價(jià)指標(biāo)的選取 |
| 3.3.2 指標(biāo)權(quán)重的計(jì)算 |
| 3.3.3 定性指標(biāo)的量化 |
| 3.4 信用評(píng)價(jià)等級(jí)劃分表 |
| 3.5 本章小結(jié) |
| 第4章 GA-BP神經(jīng)網(wǎng)絡(luò)企業(yè)征信模型的構(gòu)建 |
| 4.1 基于GA-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)征信模型的設(shè)計(jì)思想 |
| 4.2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的企業(yè)征信模型的構(gòu)建流程 |
| 4.3 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì) |
| 4.3.1 隱藏層層數(shù)的確定 |
| 4.3.2 輸入層與輸出層節(jié)點(diǎn)數(shù)的確定 |
| 4.3.3 隱藏層節(jié)點(diǎn)數(shù)的確定 |
| 4.3.4 設(shè)定初始權(quán)值和閾值 |
| 4.3.5 傳遞函數(shù)的選擇 |
| 4.3.6 學(xué)習(xí)率的選擇 |
| 4.3.7 其他運(yùn)行參數(shù)的設(shè)定 |
| 4.3.8 各層之間的權(quán)值與閾值調(diào)整公式 |
| 4.4 遺傳算法設(shè)計(jì) |
| 4.4.1 編碼方式設(shè)計(jì) |
| 4.4.2 種群初始化 |
| 4.4.3 適應(yīng)度函數(shù)的設(shè)計(jì) |
| 4.4.4 選擇操作設(shè)計(jì) |
| 4.4.5 交叉操作設(shè)計(jì) |
| 4.4.6 變異操作設(shè)計(jì) |
| 4.4.7 交叉和變異概率設(shè)計(jì) |
| 4.5 本章小結(jié) |
| 第5章 仿真實(shí)驗(yàn)及結(jié)果分析 |
| 5.1 數(shù)據(jù)的采集與預(yù)處理 |
| 5.2 模型仿真實(shí)驗(yàn) |
| 5.2.1 BP神經(jīng)網(wǎng)絡(luò)模型的仿真實(shí)驗(yàn) |
| 5.2.2 GA-BP神經(jīng)網(wǎng)絡(luò)模型的仿真實(shí)驗(yàn) |
| 5.3 結(jié)果分析 |
| 5.4 本章小結(jié) |
| 第6章 總結(jié)與展望 |
| 6.1 論文總結(jié) |
| 6.2 研究展望 |
| 參考文獻(xiàn) |
| 個(gè)人簡(jiǎn)歷及在校期間科研成果 |
| 致謝 |
（8）基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)探究及其在煤熱轉(zhuǎn)化數(shù)據(jù)規(guī)律分析中的應(yīng)用（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 常見(jiàn)的煤熱轉(zhuǎn)化方式 |
| 1.3 國(guó)內(nèi)、外數(shù)據(jù)挖掘的研究及應(yīng)用現(xiàn)狀 |
| 1.4 數(shù)據(jù)挖掘的由來(lái) |
| 1.5 數(shù)據(jù)挖掘的任務(wù)及基本過(guò)程 |
| 1.5.1 數(shù)據(jù)挖掘的任務(wù) |
| 1.5.2 數(shù)據(jù)挖掘的基本過(guò)程 |
| 1.6 常用的數(shù)據(jù)挖掘的方法 |
| 1.7 人工神經(jīng)網(wǎng)絡(luò) |
| 1.7.1 主要的人工神經(jīng)網(wǎng)絡(luò)模型 |
| 1.8 本文的組織框架及研究?jī)?nèi)容 |
| 第二章 BP神經(jīng)網(wǎng)絡(luò)的算法理論及其算法優(yōu)化探究 |
| 2.1 BP神經(jīng)網(wǎng)絡(luò)概述 |
| 2.2 BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行機(jī)制 |
| 2.2.1 BP神經(jīng)網(wǎng)絡(luò)的理論推理過(guò)程 |
| 2.3 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn) |
| 2.3.1 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn) |
| 2.3.2 BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn) |
| 2.4 BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)化分析 |
| 2.4.1 自身算法的直接改進(jìn) |
| 2.4.2 與其它智能算法的聯(lián)用 |
| 2.4.3 多算法優(yōu)勢(shì)集成的設(shè)計(jì)與實(shí)現(xiàn)(HA-BP) |
| 2.5 BP神經(jīng)網(wǎng)絡(luò)算法優(yōu)化的檢驗(yàn) |
| 2.5.1 建模與分析 |
| 2.5.2 BP神經(jīng)網(wǎng)絡(luò)的計(jì)算效果分析 |
| 2.5.3 A-BP神經(jīng)網(wǎng)絡(luò)的計(jì)算效果分析 |
| 2.5.4 GA-BP神經(jīng)網(wǎng)絡(luò)的計(jì)算效果分析 |
| 2.5.5 PSO-BP神經(jīng)網(wǎng)絡(luò)的計(jì)算效果分析 |
| 2.5.6 HA-BP神經(jīng)網(wǎng)絡(luò)的計(jì)算效果分析 |
| 2.5.7 各模型計(jì)算效果對(duì)比 |
| 2.6 本章小結(jié) |
| 第三章 異常數(shù)據(jù)檢測(cè)(剔除)及變量因素分析(選擇) |
| 3.1 異常數(shù)據(jù)檢測(cè)(剔除) |
| 3.1.1 異常數(shù)據(jù)檢測(cè)方法 |
| 3.1.2 非線性函數(shù)仿真驗(yàn)證 |
| 3.1.3 檢測(cè)效果分析 |
| 3.2 變量因素的分析與選擇 |
| 3.2.1 特征參量的選取方法 |
| 3.2.2 HA-BP-MIV算法的實(shí)現(xiàn)過(guò)程 |
| 3.2.3 HA-BP-MIV算法的仿真驗(yàn)證 |
| 3.3 本章小結(jié) |
| 第四章 煤燃燒發(fā)熱量的預(yù)測(cè)探究 |
| 4.1 引言 |
| 4.2 樣本情況 |
| 4.3 基于工業(yè)分析、元素分析數(shù)據(jù)預(yù)測(cè)發(fā)熱量的建模與探究 |
| 4.3.1 發(fā)熱量計(jì)算的建模與分析 |
| 4.3.2 發(fā)熱量的預(yù)測(cè)以及異常數(shù)據(jù)檢測(cè) |
| 4.3.3 影響發(fā)熱量的變量因素分析 |
| 4.3.4 主要因素提取與計(jì)算效果分析 |
| 4.4 基于工業(yè)分析數(shù)據(jù)計(jì)算發(fā)熱量的探究 |
| 4.5 本章小結(jié) |
| 第五章 煤(加氫)熱解失重特性曲線的預(yù)測(cè)探究 |
| 5.1 引言 |
| 5.2 煤樣情況 |
| 5.3 基于工業(yè)分析、元素分析的煤熱解失重特性預(yù)測(cè)模型 |
| 5.3.1 熱解失重實(shí)驗(yàn) |
| 5.3.2 特征數(shù)據(jù)點(diǎn)的選擇與模型建立 |
| 5.3.3 變量分析與篩選 |
| 5.3.4 主要因素的計(jì)算效果分析 |
| 5.3.5 熱解失重曲線的預(yù)測(cè) |
| 5.4 基于工業(yè)分析、元素分析的煤加氫熱解失重特性預(yù)測(cè)模型 |
| 5.4.1 加氫熱解失重實(shí)驗(yàn) |
| 5.4.2 特征數(shù)據(jù)點(diǎn)的選擇與模型建立 |
| 5.4.3 變量分析與篩選 |
| 5.4.4 主要因素的計(jì)算效果分析 |
| 5.4.5 加氫熱解失重曲線的預(yù)測(cè) |
| 5.5 本章小結(jié) |
| 第六章 煤灰流動(dòng)溫度(FT)的預(yù)測(cè)探究 |
| 6.1 引言 |
| 6.2 樣本情況 |
| 6.3 基于煤灰組成數(shù)據(jù)預(yù)測(cè)FT的建模與探究 |
| 6.3.1 預(yù)測(cè)FT的建模與分析 |
| 6.3.2 FT的預(yù)測(cè)以及異常數(shù)據(jù)檢測(cè) |
| 6.3.3 影響FT的變量因素分析 |
| 6.3.4 主要因素提取與計(jì)算效果分析 |
| 6.4 典型灰樣的結(jié)渣機(jī)理探究及結(jié)渣晶相的特征總結(jié) |
| 6.4.1 典型灰樣的基礎(chǔ)數(shù)據(jù)測(cè)試 |
| 6.4.2 AFTs的測(cè)試與分析 |
| 6.4.3 典型灰樣的XRD分析 |
| 6.4.4 混合樣的灰渣XRD分析 |
| 6.4.5 反應(yīng)機(jī)理的熱力學(xué)分析 |
| 6.4.6 灰渣樣的SEM-EDS分析 |
| 6.4.7 灰樣的相圖分析 |
| 6.4.8 新生成的礦物對(duì)共混灰FT的影響 |
| 6.5 煤灰的分類(lèi)預(yù)測(cè)研究 |
| 6.5.1 結(jié)渣晶相的特征總結(jié)與煤灰的分類(lèi) |
| 6.5.2 影響FT的關(guān)鍵因素探究 |
| 6.5.3 “關(guān)鍵特征參量”對(duì)FT的影響與關(guān)系式的提出 |
| 6.5.4 關(guān)系式的驗(yàn)證 |
| 6.6 本章小結(jié) |
| 第七章 結(jié)論與展望 |
| 7.1 總結(jié) |
| 7.2 特色與創(chuàng)新 |
| 7.3 展望 |
| 參考文獻(xiàn) |
| 攻讀博士學(xué)位期間取得的成果 |
| 致謝 |
（9）基于深度學(xué)習(xí)的天津港集裝箱吞吐量預(yù)測(cè)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 研究目的與方法 |
| 1.2.1 研究目的 |
| 1.2.2 研究方法 |
| 1.2.3 主要?jiǎng)?chuàng)新點(diǎn) |
| 1.3 技術(shù)路線和研究?jī)?nèi)容 |
| 1.3.1 技術(shù)路線 |
| 1.3.2 研究?jī)?nèi)容 |
| 第二章 文獻(xiàn)綜述 |
| 2.1 港口物流相關(guān)研究文獻(xiàn) |
| 2.1.1 港口物流影響因素研究 |
| 2.1.2 港口物流競(jìng)爭(zhēng)力研究 |
| 2.1.3 港口物流與腹地關(guān)系研究 |
| 2.2 港口吞吐量預(yù)測(cè)相關(guān)研究文獻(xiàn) |
| 2.2.1 基于數(shù)理統(tǒng)計(jì)的港口物流預(yù)測(cè)研究 |
| 2.2.2 基于機(jī)器學(xué)習(xí)的港口物流預(yù)測(cè)研究 |
| 2.2.3 基于深度學(xué)習(xí)的港口物流預(yù)測(cè)研究 |
| 2.3 文獻(xiàn)評(píng)述 |
| 第三章 天津港口物流與腹地經(jīng)濟(jì)發(fā)展現(xiàn)狀分析 |
| 3.1 天津港口物流現(xiàn)狀分析 |
| 3.1.1 天津港概述 |
| 3.1.2 天津港口物流發(fā)展現(xiàn)狀 |
| 3.1.3 天津港港口吞吐量時(shí)序分析 |
| 3.2 天津港腹地發(fā)展現(xiàn)狀分析 |
| 3.2.1 港口腹地概述 |
| 3.2.2 天津港港口腹地劃定 |
| 3.2.3 天津港腹地經(jīng)濟(jì)發(fā)展現(xiàn)狀分析 |
| 3.3 天津港集裝箱吞吐量主要影響因素分析 |
| 3.3.1 天津港集裝箱吞吐量影響因素篩選 |
| 3.3.2 港口發(fā)展水平對(duì)集裝箱吞吐量的影響 |
| 3.3.3 腹地經(jīng)濟(jì)水平對(duì)集裝箱吞吐量的影響 |
| 第四章 天津港集裝箱吞吐量預(yù)測(cè) |
| 4.1 實(shí)驗(yàn)設(shè)計(jì) |
| 4.1.1 預(yù)測(cè)思路 |
| 4.1.2 實(shí)驗(yàn)方法 |
| 4.1.3 實(shí)驗(yàn)數(shù)據(jù) |
| 4.2 天津港集裝箱吞吐量預(yù)測(cè)模型構(gòu)建 |
| 4.2.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理 |
| 4.2.2 預(yù)測(cè)模型架構(gòu) |
| 4.2.3 模型參數(shù)與功能指標(biāo) |
| 4.2.4 深度學(xué)習(xí)預(yù)測(cè)模型構(gòu)建 |
| 4.3 天津港集裝箱吞吐量預(yù)測(cè)結(jié)果分析 |
| 4.3.1 天津港集裝箱預(yù)測(cè)結(jié)果分析 |
| 4.3.2 預(yù)測(cè)模型性能評(píng)估 |
| 4.3.3 預(yù)測(cè)模型靈敏度分析 |
| 第五章 天津港港口物流與腹地經(jīng)濟(jì)協(xié)同發(fā)展策略研究 |
| 5.1 不同情境下的天津港集裝箱吞吐量預(yù)測(cè) |
| 5.1.1 情景分類(lèi) |
| 5.1.2 預(yù)測(cè)結(jié)果及分析 |
| 5.1.3 天津港港口物流發(fā)展問(wèn)題分析 |
| 5.2 天津港港口建設(shè)策略 |
| 5.2.1 加速智慧港口建設(shè) |
| 5.2.2 拓展港航業(yè)產(chǎn)業(yè)鏈 |
| 5.3 天津港港口與腹地協(xié)同發(fā)展策略 |
| 5.3.1 構(gòu)建貫通腹地的運(yùn)輸網(wǎng)絡(luò) |
| 5.3.2 打造海鐵多式聯(lián)運(yùn)航運(yùn)樞紐 |
| 第六章 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 不足與展望 |
| 參考文獻(xiàn) |
| 在學(xué)期間取得的科研成果和科研情況說(shuō)明 |
| 致謝 |
（10）基于LSTM的煤炭?jī)r(jià)格預(yù)測(cè)模型研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 1 緒論 |
| 1.1 選題背景及意義 |
| 1.1.1 選題背景 |
| 1.1.2 研究意義 |
| 1.2 國(guó)內(nèi)外研究綜述 |
| 1.2.1 基于計(jì)量經(jīng)濟(jì)學(xué)的價(jià)格預(yù)測(cè)方法 |
| 1.2.2 基于人工智能模型的價(jià)格預(yù)測(cè)方法 |
| 1.2.3 文獻(xiàn)述評(píng) |
| 1.3 研究?jī)?nèi)容、方法及思路 |
| 1.3.1 研究?jī)?nèi)容 |
| 1.3.2 研究方法 |
| 1.3.3 研究思路 |
| 2 LSTM模型預(yù)測(cè)原理 |
| 2.1 煤炭?jī)r(jià)格短期預(yù)測(cè)的方法 |
| 2.2 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 |
| 2.2.1 神經(jīng)網(wǎng)絡(luò)的組成 |
| 2.2.2 神經(jīng)網(wǎng)絡(luò)的激活函數(shù) |
| 2.2.3 神經(jīng)網(wǎng)絡(luò)的分類(lèi) |
| 2.3 LSTM模型及特征 |
| 2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的原理 |
| 2.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)及問(wèn)題 |
| 2.3.3 LSTM神經(jīng)網(wǎng)絡(luò)理論分析 |
| 2.3.4 LSTM神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)及問(wèn)題 |
| 3 煤炭?jī)r(jià)格影響因素及統(tǒng)計(jì)特性 |
| 3.1 影響煤炭?jī)r(jià)格的因素 |
| 3.1.1 生產(chǎn)成本 |
| 3.1.2 煤炭產(chǎn)量 |
| 3.1.3 煤炭消費(fèi) |
| 3.1.4 替代能源 |
| 3.1.5 庫(kù)存變化 |
| 3.1.6 煤炭進(jìn)出口 |
| 3.1.7 國(guó)際市場(chǎng)煤炭?jī)r(jià)格 |
| 3.1.8 政治經(jīng)濟(jì)因素 |
| 3.2 煤炭?jī)r(jià)格的數(shù)理統(tǒng)計(jì)特性 |
| 3.2.1 非平穩(wěn) |
| 3.2.2 周期性和趨勢(shì)性 |
| 3.2.3 高噪音性 |
| 3.2.4 非線性 |
| 3.2.5 波動(dòng)性和波動(dòng)周期性 |
| 3.2.6 非隨機(jī)性 |
| 3.2.7 低頻性 |
| 3.3 預(yù)測(cè)模型選擇分析 |
| 4 模型建立 |
| 4.1 WT-LSTM模型的構(gòu)建 |
| 4.1.1 小波變換 |
| 4.1.2 應(yīng)用分析 |
| 4.2 Kalman-LSTM模型的構(gòu)建 |
| 4.2.1 kalman濾波基礎(chǔ)理論 |
| 4.2.2 應(yīng)用分析 |
| 4.3 Lookahead-LSTM模型的構(gòu)建 |
| 4.3.1 問(wèn)題分析 |
| 4.3.2 Lookahead算法 |
| 4.3.3 應(yīng)用分析 |
| 5 模型檢驗(yàn) |
| 5.1 實(shí)驗(yàn)樣本說(shuō)明 |
| 5.2 實(shí)驗(yàn)準(zhǔn)備 |
| 5.2.1 數(shù)據(jù)準(zhǔn)備 |
| 5.2.2 LSTM模型準(zhǔn)備 |
| 5.2.3 相關(guān)模型參數(shù)說(shuō)明 |
| 5.3 模型對(duì)比分析 |
| 5.3.1 預(yù)測(cè)準(zhǔn)確度對(duì)比 |
| 5.3.2 擬合趨勢(shì)性對(duì)比 |
| 5.3.3 訓(xùn)練耗時(shí)對(duì)比 |
| 5.3.4 擬合誤差對(duì)比 |
| 5.4 模型應(yīng)用評(píng)價(jià) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 附錄 |
| 攻讀碩士學(xué)位期間的研究成果 |
四、數(shù)理金融模型的神經(jīng)網(wǎng)絡(luò)算法（論文參考文獻(xiàn)）
- [1]神經(jīng)網(wǎng)絡(luò)在時(shí)序預(yù)測(cè)中的研究與應(yīng)用[D]. 胡夢(mèng)輝. 江南大學(xué), 2021(01)
- [2]基于多技術(shù)指標(biāo)和深度學(xué)習(xí)模型的股票趨勢(shì)預(yù)測(cè)方法研究[D]. 胡聿文. 江西財(cái)經(jīng)大學(xué), 2021(09)
- [3]基于PLSTM-ATT的虛擬貨幣投資組合策略設(shè)計(jì)[D]. 賀鑫. 上海師范大學(xué), 2021(07)
- [4]基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的多因子量化投資策略研究[D]. 齊太威. 武漢郵電科學(xué)研究院, 2021(01)
- [5]基于Stacking融合算法的企業(yè)貸款違約風(fēng)險(xiǎn)預(yù)警模型設(shè)計(jì)與應(yīng)用[D]. 夏江流云. 江西財(cái)經(jīng)大學(xué), 2021(10)
- [6]基于時(shí)間序列模型與機(jī)器學(xué)習(xí)的組合模型的股票價(jià)格指數(shù)預(yù)測(cè)研究[D]. 尤睿凡. 山東大學(xué), 2021(12)
- [7]基于GA-BP神經(jīng)網(wǎng)絡(luò)的糧食現(xiàn)貨電商交易中企業(yè)征信模型的研究[D]. 孟丹. 沈陽(yáng)師范大學(xué), 2021(09)
- [8]基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘技術(shù)探究及其在煤熱轉(zhuǎn)化數(shù)據(jù)規(guī)律分析中的應(yīng)用[D]. 謝良才. 西北大學(xué), 2021(12)
- [9]基于深度學(xué)習(xí)的天津港集裝箱吞吐量預(yù)測(cè)研究[D]. 張鵬. 天津理工大學(xué), 2021(08)
- [10]基于LSTM的煤炭?jī)r(jià)格預(yù)測(cè)模型研究[D]. 王永樂(lè). 西安科技大學(xué), 2020(12)
標(biāo)簽：神經(jīng)網(wǎng)絡(luò)算法論文; lstm論文; 預(yù)測(cè)模型論文; 深度學(xué)習(xí)論文; 算法交易論文;