项目名称: 融合多种计算智能技术的股票价格时间序列预测建模研究

项目编号: No.71303067

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 管理科学

项目作者: 李嵩松

作者单位: 哈尔滨工业大学

项目金额: 22万元

中文摘要: 本项目将建立新的融合了多种计算智能技术和隐马尔可夫模型的针对于股票价格时间序列的混合预测模型。通过将计算智能技术中的几个核心方法:人工神经网络ANN,遗传算法GA,模糊逻辑FL,和进化算法EA,逐层递进地加入到基于隐马尔可夫模型所构建的基础预测模型当中,从而改进和完善该预测模型,最终得到拥有较高预测精度并同时也拥有较高预测效率的混合预测模型。本项目将致力于解决以下科学问题:(1)建立新的针对于股票价格时间序列的混合预测模型,解决目前研究中缺少将多种技术混合的预测方法的问题;(2)通过引入计算智能技术中的FL方法,处理股票价格时间序列数据的非线性且非平稳性,提高混合预测模型的预测精度;(3)通过引入计算智能技术中的EA方法,解决混合预测模型在提高预测精度的同时产生大量模糊规则的问题,在最优模糊规则数目和预测准确性之间,找到折中解的范围。最后,通过实证和比较研究,对新混合模型进行检验。

中文关键词: 股票价格时间序列;计算智能;模糊逻辑;进化算法;隐马尔可夫模型

英文摘要: This project will establish a new hybrid forecasting model combined with a variety of computational intelligence technologies and hidden Markov model to predict the stock price time series. This project will put a few core methods of computational intelligence technologies: artificial neural network (ANN), genetic algorithm (GA), fuzzy logic (FL) and evolutionary algorithm (EA), stepwise progression into the basic forecasting model which is built based on hidden Markov model (HMM), to establish the perfect hybrid forecasting model, so as to further improve the prediction accuracy at the same time increase the prediction efficiency. This project will be devoted to solve the following scientific problems: (1) establish a new hybrid forecasting model to fill in the blank of present research, which lacks the hybrid prediction method combining a variety of technologies; (2) deal with the nonlinear and non-stationary of the stock price time series by computational intelligence technology, FL, to improve the prediction accuracy; (3) solve the problem of produce a large number of fuzzy rules when improve the prediction accuracy by computational intelligence technology, EA, and find the range of compromise solutions between the optimal number of fuzzy rules and the prediction accuracy. Finally, through the empirical and

英文关键词: stock price time series;computational intelligence;fuzzy logic;evolutionary algorithm;Hidden Markov Model

成为VIP会员查看完整内容
1

相关内容

时间序列计量经济学
专知会员服务
47+阅读 · 2022年4月8日
NeurIPS 2021 | 微观特征混合进行宏观时间序列预测
专知会员服务
40+阅读 · 2021年11月12日
专知会员服务
97+阅读 · 2021年6月23日
基于机器学习的数据库技术综述
专知会员服务
53+阅读 · 2021年1月2日
金融时序预测中的深度学习方法:2005到2019
专知会员服务
166+阅读 · 2019年12月4日
你真的懂时间序列预测吗?
腾讯大讲堂
104+阅读 · 2019年1月7日
【年度系列】使用LSTM预测股票市场基于Tensorflow
量化投资与机器学习
19+阅读 · 2018年10月16日
基于LSTM深层神经网络的时间序列预测
论智
21+阅读 · 2018年9月4日
时间序列深度学习:状态 LSTM 模型预测太阳黑子(上)
R语言中文社区
19+阅读 · 2018年6月15日
互联网金融中的交易反欺诈模型
炼数成金订阅号
14+阅读 · 2018年3月9日
阿里搜索技术,在AI路上走了多远?
机器学习研究会
11+阅读 · 2017年12月29日
用深度学习预测比特币价格
Python程序员
11+阅读 · 2017年12月23日
回归预测&时间序列预测
GBASE数据工程部数据团队
43+阅读 · 2017年5月17日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
9+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
2+阅读 · 2022年4月20日
Convex-Concave Min-Max Stackelberg Games
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月18日
Dynamic Network Adaptation at Inference
Arxiv
0+阅读 · 2022年4月18日
Arxiv
3+阅读 · 2022年4月18日
Arxiv
20+阅读 · 2021年2月28日
Arxiv
15+阅读 · 2021年2月19日
小贴士
相关资讯
你真的懂时间序列预测吗?
腾讯大讲堂
104+阅读 · 2019年1月7日
【年度系列】使用LSTM预测股票市场基于Tensorflow
量化投资与机器学习
19+阅读 · 2018年10月16日
基于LSTM深层神经网络的时间序列预测
论智
21+阅读 · 2018年9月4日
时间序列深度学习:状态 LSTM 模型预测太阳黑子(上)
R语言中文社区
19+阅读 · 2018年6月15日
互联网金融中的交易反欺诈模型
炼数成金订阅号
14+阅读 · 2018年3月9日
阿里搜索技术,在AI路上走了多远?
机器学习研究会
11+阅读 · 2017年12月29日
用深度学习预测比特币价格
Python程序员
11+阅读 · 2017年12月23日
回归预测&时间序列预测
GBASE数据工程部数据团队
43+阅读 · 2017年5月17日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2011年12月31日
国家自然科学基金
9+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员