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。