- 年份
- 2024(4905)
- 2023(7197)
- 2022(6175)
- 2021(5902)
- 2020(5060)
- 2019(11740)
- 2018(11470)
- 2017(22820)
- 2016(11732)
- 2015(13007)
- 2014(12482)
- 2013(11927)
- 2012(10484)
- 2011(9043)
- 2010(8313)
- 2009(7272)
- 2008(6697)
- 2007(5219)
- 2006(4034)
- 2005(3153)
- 学科
- 济(48250)
- 经济(48204)
- 管理(36480)
- 业(36159)
- 企(31878)
- 企业(31878)
- 方法(29599)
- 数学(27276)
- 数学方法(26926)
- 财(14601)
- 务(11127)
- 财务(11092)
- 财务管理(11073)
- 企业财务(10683)
- 农(10432)
- 业经(9735)
- 中国(9265)
- 贸(8323)
- 贸易(8322)
- 易(8153)
- 技术(7781)
- 制(7544)
- 农业(6890)
- 地方(6811)
- 理论(6731)
- 和(6612)
- 环境(6335)
- 学(6324)
- 划(6140)
- 融(5738)
- 机构
- 大学(154087)
- 学院(153324)
- 管理(69279)
- 济(65700)
- 经济(64719)
- 理学(61976)
- 理学院(61463)
- 管理学(60421)
- 管理学院(60124)
- 研究(40473)
- 中国(30654)
- 财(29832)
- 京(29021)
- 财经(25602)
- 经(23727)
- 科学(22864)
- 中心(21570)
- 业大(20910)
- 经济学(20685)
- 财经大学(19899)
- 江(19167)
- 经济学院(18993)
- 商学(18723)
- 商学院(18561)
- 经济管理(18362)
- 农(18085)
- 范(17261)
- 师范(17087)
- 北京(16954)
- 所(16620)
- 基金
- 项目(115869)
- 科学(94817)
- 基金(89336)
- 研究(83875)
- 家(76611)
- 国家(76070)
- 科学基金(68954)
- 社会(56668)
- 社会科(54010)
- 社会科学(53997)
- 基金项目(48139)
- 自然(45809)
- 自然科(44894)
- 自然科学(44886)
- 自然科学基金(44114)
- 省(43657)
- 教育(39628)
- 划(36824)
- 资助(35913)
- 编号(32802)
- 部(26831)
- 创(25386)
- 重点(25299)
- 国家社会(24404)
- 教育部(24148)
- 成果(23812)
- 人文(23806)
- 创新(23686)
- 发(23288)
- 科研(23131)
共检索到196252条记录
发布时间倒序
- 发布时间倒序
- 相关度优先
文献计量分析
- 结果分析(前20)
- 结果分析(前50)
- 结果分析(前100)
- 结果分析(前200)
- 结果分析(前500)
[期刊] 统计研究
[作者]
杨青 王晨蔚
作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比三种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比三种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。
关键词：
LSTM神经网络 深度学习 股票指数预测
[期刊] 南方金融
[作者]
彭望蜀
本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测。研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型。
[期刊] 商业研究
[作者]
马明 李松
为提高BP神经网络预测模型对混沌时间序列的预测准确性,提出一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法。本文采用时间序列输入输出参数数量构造BP神经网络拓扑结构,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型求得最优解,将该预测方法应用到上证综合指数的时间序列进行有效性验证,结果表明了该方法对上证综合指数具有更好的非线性拟合能力和更高的预测准确性。
[期刊] 商业研究
[作者]
方勇 孙绍荣
在运用神经网络模型对股票价格进行短期预测时,一般的神经网络预测模型都是以价格的时间序列滞后作为输入变量,但是由于影响价格的因素错综复杂,很多因素无法准确测量,而且市场信息的噪音太大,因此预测效果往往不太理想,于是如何选择有效的输入变量就成为一个困扰这项研究的难题。
[期刊] 管理评论
[作者]
崔笑宁 苏丹华 尚维
本文针对互联网财经新闻中对于股票市场涨跌的舆论观点，进行文本分析和建模，建立了股票市场领域情感词典，用于对互联网财经新闻文本数据进行积极、消极与中立情绪的情感分析。在情感分析过程中考虑否定副词和转义词，随后建立情感特征并采用时间卷积长短时记忆神经网络对沪深300股票指数进行预测。本文利用Word2Vec方法对大量互联网财经新闻进行训练，以半监督的方式构建互联网新闻语境股票市场领域中文情感词典，该词典能够有效地对股票市场相关新闻中所蕴含的股市涨跌观点和情绪进行识别。为充分利用文本和时序特征，本研究提出了时间卷积与长短时记忆网络相结合的模型TCN-LSTM。经过实证分析对比发现，TCN-LSTM模型的方向预测和短期数值预测效果优于其他深度学习模型。本研究提出了面向特定舆情主题的情感词典构建方法，建立了用于股市预测的互联网新闻情感词典。同时，也发展了利用深度学习方法进行金融时间序列预测的新方法。时间卷积和长短时记忆机制的集成解决了特征提取时局部和长期的权衡问题，对深度学习在金融预测领域应用效果的提高有较为重要的意义。
[期刊] 统计与决策
[作者]
郝勇 刘继洲
本文运用BP人工神经网络,在MATLAB平台上,进行公用事业指数波动规律的预测和分析,能利用公用事业指数前三天的收盘价,预测第四天的收盘价,并且预测值达到一定精度。
关键词：
分类指数 神经网络 MATLAB 预测
[期刊] 运筹与管理
[作者]
乔若羽
针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism)给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。
关键词：
股票预测 深度学习 神经网络 注意力机制
[期刊] 统计与决策
[作者]
薛佳佳
针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,文章提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。将该预测模型运用于股票指数预测,实证结果表明:该模型预测精度高,平均预测误差为0.52%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的使用价值。
[期刊] 统计与决策
[作者]
肖冬荣 杨子天
文章将粒子群优化算法用于神经网络预测模型的学习训练,并且将这种方法用于股票预测中。实验结果表明,基于粒子群训练的神经网络学习算法更易于实现,且准确率较高。
关键词：
粒子群优化算法 神经网络 股票预测
[期刊] 统计与决策
[作者]
魏文轩
在研究神经网络算法和主成分分析理论的基础上,针对股票市场的高度非线性特征,结合主成分分析预处理方法,对原始交易数据进行降维,减少数据规模,提出一种改进的RBF神经网络模型对股票市场进行预测。通过实验对比表明,文章提出的模型具有收敛速度快、预测准确度高等特点,应用前景较好。
[期刊] 统计与决策
[作者]
于卓熙 秦璐 赵志文 温馨
广义回归神经网络能够大大降低人为因素带来的误差,具有更加精准的预测效果。针对股票价格数据的非线性、非平稳性问题,文章运用主成分分析法对影响股票价格的指标进行降维,基于广义回归神经网络模型对股票价格进行预测研究。并将模型预测结果与股票价格的ARIMA建模预测结果进行对比,以均方误差和平均绝对误差百分比作为评价指标。对比结果表明,在价格预测方面,基于广义回归神经网络的预测模型要优于ARIMA模型,可以获得更准确的结果。
[期刊] 运筹与管理
[作者]
贺毅岳 刘磊 高妮
针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律，影响VWAP策略执行效果的问题，本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先，运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数（IMF）；其次，对各维度分解中高频IMF进行去噪与重构，构建基于LSTM-Attention神经网络的日内交易量分布预测模型，并深入分析股票指数不同走势阶段下模型预测的有效性；最后，分别采用M-LSTM、ARIMA以及SVR等主流方法，对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明：M-LSTM预测误差更小，是一种更有效的股票指数日内交易量分布预测方法。
[期刊] 数量经济技术经济研究
[作者]
许雪晨 田侃
研究目标:探讨如何对媒体报道、公司新闻等非结构化数据进行文本分析,并应用于股票价格波动预测。研究方法:提出一种基于金融文本情感分析的指数预测模型SA-BERT-LSTM,对沪深300指数的涨跌进行预测。研究发现:情感分析特征能够有效提高模型预测的准确率;相比三种对照模型(BP神经网络、支持向量机、XGBoost),SA-BERT-LSTM模型预测精度更高;该模型同样适用于个股价格预测。研究创新:将BERT模型应用到财经新闻情感分析中,将情感特征与股市行情交易数据结合,有效提高了股指趋势预测的准确率。研究价值:本文将文本情感引入金融市场预测领域的尝试,有助于促进人工智能、机器学习在经济学中的研究与应用,为推进国家人工智能战略落地实施提供参考。
文献操作()
导出元数据
文献计量分析
导出文件格式：WXtxt
删除
