×
孙燕秋

将脑风暴优化算法与灰色神经网络相结合的混合方法用于股指预测。 （英语） Zbl 1406.91514号

文章摘要。申请。分析。 2014年，文章ID 759862，10 p.（2014）.
股票指数预测对于投资者和政府机构来说都是一个重要的工具。然而，由于股指固有的大波动性、高噪声和非线性，股指预测一直是一项具有挑战性的任务。本文旨在充分利用灰色模型处理小样本数据和神经网络处理非线性拟合问题的优势，在脑风暴优化（BSO）方法和灰色神经网络（GNN）模型的基础上，开发一种新的混合股指预测模型BSO-GNN。此外，新开发的BSO-GNN利用BSO算法对灰色神经网络中的参数进行初始化，通过解决局部最优和预测精度低的问题，具有很大的能力克服了传统随机初始化参数GNN模型的不足。在归一化和非归一化预处理情况下，评估了所提出的BSO-GNN模型的性能。上海证券交易所（SSE）综合指数、深圳综合指数和沪深300指数开盘价预测的实验结果表明，BSO-GNN模型在股指预测中有效且稳健，优于单个GNN模型。

引用于1文件

MSC公司：

91G99型 精算科学和数学金融
62P05号 统计学在精算科学和金融数学中的应用
62M20型 随机过程推断和预测
68T05型 人工智能中的学习和自适应系统

关键词：

脑风暴优化算法;灰色神经网络;股票指数预测
PDF格式BibTeX公司 XML格式引用
\textit{Y.Sun}，文章摘要。申请。分析。2014年，文章ID 759862，10 p.（2014；Zbl 1406.91514）
全文： DOI程序

参考文献：

[1] de Faria，E.L。；阿尔伯克基，M.P。；Gonzalez，J.L。；卡瓦尔坎特，J.T.P。；Albuquerque，M.P.，《通过神经网络和自适应指数平滑方法预测巴西股市》，《应用专家系统》，36，10，12506-12509（2009）·doi:10.1016/j.eswa.2009.04.032
[2] 沈伟（Shen，W.）。；郭，X。；吴，C。；Wu，D.，使用人工鱼群算法优化的径向基函数神经网络预测股票指数，基于知识的系统，24，3，378-385（2011）·doi:10.1016/j.knosys.2010.11.001
[3] 卢，C.-J。；Wu，J.-Y.，一种用于股指预测的高效CMAC神经网络，应用专家系统，38，12，15194-15201（2011）·doi:10.1016/j.eswa.2011.05.082
[4] 王俊杰。；王建中。；张志刚。；Guo，S.-P.，基于混合模型的股指预测，Omega，40，6，758-766（2012）·doi:10.1016/j.omega.2011.07.008
[5] 南卡罗来纳州纳亚克。；米斯拉，B.B。；Behera，H.S.，用于股票期货指数预测的混合化学反应优化和人工神经网络，第一届计算机科学新兴趋势和应用国际会议论文集（ICETACS’13）
[6] Huarng，K。；于洪康，股票指数预测的二类模糊时间序列模型，《物理学A：统计力学及其应用》，353，1-4，445-462（2005）·doi:10.1016/j.physa.2004.11.070
[7] 辛格，P。；Borah，B.，基于M因子模糊时间序列和粒子群优化的股指价格预测，国际近似推理杂志，55，3，812-833（2014）·Zbl 1316.91036号 ·doi:10.1016/j.ijar.2013.09.014
[8] Chen，T.-L。；程，C.-H。；Teoh，H.-J.，基于多周期自适应模型的高阶模糊时间序列预测股市，《物理学A：统计力学及其应用》，387，4，876-888（2008）·doi:10.1016/j.physa.2007.10.04
[9] Chu，H.-H。；Chen，T.-L。；程，C.-H。；Huang，C.-C.，股指预测的模糊双因素时间序列，应用专家系统，36，1，165-171（2009）·doi:10.1016/j.eswa.2007.09.037
[10] Wong，W.-K。；Bai，E。；Chu，A.W.-C.，模糊时间序列预测的自适应时变模型，IEEE系统、人与控制论汇刊B：控制论，40，6，1531-1542（2010）·doi:10.1109/TSMCB.2010.2042055
[11] 黄，S.-C。；Wu，T.-K.，将基于遗传算法的时间尺度特征提取与SVM相结合用于股指预测，专家系统与应用，35，4，2080-2088（2008）·doi:10.1016/j.eswa.2007.09.027
[12] Yu，L。；陈，H。；王，S。；Lai，K.K.，用于股市趋势挖掘的进化最小二乘支持向量机，IEEE进化计算汇刊，13，1，87-102（2009）·doi:10.1109/TEVC.2008.928176
[13] Huang，S.-C.，用小波域核偏最小二乘回归预测股票指数，应用软计算杂志，11，8，5433-5443（2011）·doi:10.1016/j.asoc.2011.05.015
[14] Kao，L.-J。；Chiu，C.-C。；卢，C.-J。；Chang，C.-H.，将基于小波的特征提取与MARS和SVR相结合的股票指数预测混合方法，决策支持系统，54，3，1228-1244（2013）·doi:10.1016/j.dss.2012.11.012
[15] MATLAB中文论坛，MATLAB中30个与神经网络相关的案例分析
[16] Elaiw，A.M。；夏，X。；Shehata，A.M.，采用混合DE-SQP方法的热电动态经济调度与排放限制，摘要与应用分析，2013（2013）·兹比尔1309.91107 ·doi:10.1155/2013/120849
[17] 尹，X。；孙，Y。；Wang，C.，基于PSO-SVM的捷联惯性导航系统定位误差预测方法，抽象与应用分析，2013（2013）·电话：10.1155/2013/737146
[18] 张伟。；苏，Z。；张，H。；Zhao，Y。；Zhao，Z.，基于SSA和智能优化算法的混合风速预测模型研究，摘要与应用分析，2014（2014）·doi:10.1155/2014/693205
[19] 刘，L。；王，Q。；刘，M。；Li，L.，适用于小型经济数据集的智能优化滚动灰色预测模型，摘要与应用分析，2014（2014）·Zbl 1468.62426号 ·数字对象标识代码：10.1155/2014/641514
[20] Shi，Y.，Brain Storm Optimization Algorithm，第二届群智能国际会议论文集
[21] 克鲁兹·拉米雷斯，M。；埃尔瓦斯·马丁内斯，C。；桑切兹·莫内德罗，J。；Gutiérrez，P.A.，《引导有序分类多目标进化算法的指标》，神经计算，135，21-31（2014）
[22] de Cássia dos Santos Navarro da Silva，R。；保拉·罗德里格斯Mini，V。；纳瓦罗·达席尔瓦，A。；António Mini，L.，描述性感官测试所需的法官人数，《食品质量与偏好》，31，22-27（2014）
[23] 张伟。；吴杰。；Wang，J。；赵伟。；Shen，L.，风速预测四种改进方法的性能分析，应用能源，99，324-333（2012）·doi:10.1016/j.apenergy.2012.05.029
[24] 吴杰。；Wang，J。；Chi，D.，中国内蒙古地区风能潜力评估，可再生能源和可持续能源评论，21，215-228（2013）·doi:10.1016/j.rser.2012.12.060
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。