×
董文华;赵春娜

基于Hausdorff分数灰色卷积模型和神经网络的股价预测。 （英语） Zbl 1471.91533号

数学。Biosci公司。工程师。 18，第4号，3323-3347（2021）.
摘要：股票价格预测可以指导投资者的投资决策。由于股票数据的高维和长记忆特性，很难预测。带卷积的分数灰色模型（FGMC（1，m））可以用于预测时间序列，因为它具有记忆能力和处理高维数据的能力。然而，FGMC（1，m）模型有一些缺点，包括计算复杂、信息丢失和背景值近似。本文利用Hausdorff分数阶导数和Newton-Cotes公式对这些缺点进行了优化，得到了Hausdorvf分数阶灰卷积模型（HFGMC（1，m））。本文提出了HFGMC（1，m）-LLE-BP模型。HFGMC（1，m）提供了一种解决方案，可以降低累积生成矩阵计算的复杂性，并保留序列的全局信息。采用牛顿-库特斯公式计算背景值，解决了近似背景值的不足。用HFGMC（1，m）模型预测序列的线性分量，用BP神经网络预测序列的非线性分量。此外，由于股票数据的高维和非线性特性，使用局部线性嵌入（LLE）算法去除高维非线性数据中的冗余信息。实验结果表明，HFGMC（1，m）-LLE-BP模型对不同趋势下的股价预测是有效的。

MSC公司：

91G15型 金融市场
26A33飞机 分数导数和积分
68T07型 人工神经网络与深度学习
91G80型 其他理论的金融应用

关键词：

股票价格预测;FGMC（1，m）;Hausdorff分数导数;Sewton-Cotes配方;LLE算法;BP神经网络
PDF格式BibTeX公司 XML格式引用
\textit{W.Dong}和\textit{C.Zhao}，数学。Biosci公司。工程18，编号4，3323--3347（2021；Zbl 1471.91533）
全文： DOI程序
OA许可证

参考文献：

[1] 史世忠，刘文林，金明林，基于ARMA和BP神经网络组合模型和马尔可夫模型的股价预测，信息处理。管理。, 4 (2013), 215-221.
[2] M、 使用机器学习技术预测股票收盘价，Proc。计算。科学。，167, 599-606 (2020) ·doi:10.1016/j.procs.2020.03.326
[3] G、 一种新的个人股票趋势预测指标，Eng.Appl。Artif公司。整数。，82, 1-12 (2019) ·doi:10.1016/j.engappai.2019.03.019
[4] E.Sin，L.Wang，使用神经网络集成预测比特币价格，in第十三届自然计算、模糊系统和知识发现国际会议, (2017), 666-671.
[5] M.Zhu，L.Wang，使用支持向量回归和使用遗传算法优化的多层感知器的智能交易2010年国际神经网络联合会议, (2010), 1-5.
[6] G.Q.Dong，K.Fataliyev，L.Wang，使用反向传播神经网络的一步和多步提前股票预测这个第九届信息、通信和信号处理国际会议, (2013), 1-5.
[7] D、 神经网络和BP算法在股价模式分类和预测中的应用研究，Futur。通用。公司。系统。，115872-879（2021）·doi:10.1016/j.未来.2020.10.009
[8] K.K.Teo，L.Wang，Z.Liu，混沌时间序列预测的小波包多层感知器：权重初始化的影响，in国际计算科学会议，施普林格，柏林，海德堡，（2001），310-317·Zbl 0983.68776号
[9] H、 中国股市长期记忆波动，物理。统计力学。申请。，389, 1425-1433 (2020)
[10] S、 分数微积分的记忆效应，J.乐山师范大学，30，1-4（2015）
[11] W、 结合灰色关联分析的灰色模型GMC（1，n）预测方法：互联网接入人口预测案例研究。数学。计算。，169, 198-217 (2005) ·Zbl 1078.68549号 ·doi:10.1016/j.amc.2004.10.087
[12] 十、 参数优化的GMC（1，n）模型及其应用，J.Grey Syst。，29, 122-138 (2017)
[13] T、 灰色预测模型GM（1，n）的研究，应用。数学。计算。，218, 4903-4916 (2012) ·Zbl 1266.62075号 ·doi:10.1016/j.amc.2011.10.055
[14] W、 用于短期天然气消耗预测的新型灰色-伯努利模型，应用。数学。型号。，84, 393-404 (2020) ·Zbl 1481.91133号 ·doi:10.1016/j.apm.2020.04.006
[15] Q、 一种新的灰色Riccati-Bernoulli模型及其在清洁能源消耗预测中的应用，工程应用。Artif公司。整数。，95, 103863 (2020) ·doi:10.1016/j.engappai.2020.103863
[16] 十、 应用新型非线性多元灰色贝努利模型预测中国旅游收入，J.Compute。申请。数学。，347, 84-94 (2019) ·Zbl 1407.62427号 ·doi:10.1016/j.cam.2018.07.044
[17] W、 利用新型分数阶非线性灰色贝努利模型Renew预测中国短期可再生能源消费。能源，14070-87（2019）·doi:10.1016/j.renene.2019.03.006
[18] U.öahin，T.⁄ahin利用分数阶非线性灰色Bernoulli模型预测意大利、英国和美国新冠肺炎确诊病例的累计数量，混沌孤子分形, 138 (2020), 109948.
[19] X、 基于核的非线性多元灰色模型Appl。数学。型号。，56, 217-238 (2018) ·Zbl 1480.62197号 ·doi:10.1016/下午.2017.12.010
[20] 五十、 一种新的灰色预测模型及其在滑坡位移预测中的应用。软计算。，95, 106543 (2020) ·doi:10.1016/j.asoc.020.106543
[21] 十、 基于动态背景算法的多变量灰色模型预测区间序列。数学。型号。，80, 99-114 (2020) ·Zbl 1481.62075号 ·doi:10.1016/下午.2019.11.032
[22] W、 新型分数灰色模型FAGMO（1，1，k）在预测中国核能消费中的应用，能源，165，223-234（2018）·doi:10.1016/j.energy.2018.09.155
[23] W、 具有共形分数导数的连续灰色模型，混沌孤子分形，139110285（2020）·Zbl 1490.62293号 ·doi:10.1016/j.chaos.2020.110285
[24] 十、 整合分数灰色系统模型，ISA Trans。，96, 255-271 (2020) ·doi:10.1016/j.isatra.2019.07.009
[25] 马晓霞，谢明明，吴文清，曾斌，王毅，吴晓霞，新型分数阶离散多元灰色系统模型及其应用，申请。数学。模型。, 70 (2019) 402-424. ·Zbl 1464.62389号
[26] J、 用于求解Hausdorff导数扩散方程的改进机器学习技术，分形，28，160-169（2020）
[27] J、 基于混合灰色理论的风速预测研究，能源学报，39，3544-3549（2018）
[28] S、 通过局部线性嵌入降低非线性维数，《科学》，2902323-2326（2000）·doi:10.1126/science.290.5500.2323
[29] G、 麦克莱兰德，分布式表示，并行分布式处理：认知微观结构的探索，语言，63，45-76（1986）
[30] Z、 基于LLE-BP神经网络模型的股价预测。统计力学。申请。，553, 124197 (2020) ·doi:10.1016/j.physa.2020.124197
[31] J、 信息流时滞经济——股票市场案例，物理学。统计力学。申请。，391, 1388-1394 (2012) ·doi:10.1016/j.physa.2011.09.024
[32] J、 局部线性嵌入加性噪声，模式识别。莱特。，123, 45-52 (2019)
[33] S、 灰度图像中使用局部线性嵌入的人脸检测，计算。视觉。图像下划线。，105，1-20（2007年）·doi:10.1016/j.cviu.2006.06.009
[34] E、 使用ARIMA-ANN混合模型Renew对墨西哥三个不同地区的风速进行预测。能源，352732-2738（2010）·doi:10.1016/j.rene.2010.04.022
[35] C、 基于ARI-MA-LS-SVM、神经计算组合模型的股价预测。申请。，32, 5379-5388 (2020) ·doi:10.1007/s00521-019-04698-5
[36] H、 将变分模式分解和注意力-GRU网络相结合的混合模型用于股价指数预测，数学。Biosci公司。工程师，17，7151-7166（2020）·Zbl 1471.91549号 ·doi:10.3934/月.2020367
[37] Y、 神经网络中直接输入输出连接的优点：股票指数预测的Elman网络。，547, 1066-1079 (2021) ·Zbl 1479.91385号 ·doi:10.1016/j.ins.2020.09.031
[38] Y、 使用CEEMDAN-LSTM模型预测股票指数价格，北美经济。财务。，57, 101421 (2021) ·doi:10.1016/j.najef.2021.101421
[39] S、 基于监管披露文本挖掘的长期股指预测，Decis。支持系统。，112, 88-97 (2018) ·doi:10.1016/j.dss.2018.06.008
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且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。