导读:本文包含了股票预测论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,股票,向量,粒子,算法,判别式,天牛。
股票预测论文文献综述写法
任君,王建华,王传美,王建祥[1]（2019）在《基于ELSTM-L模型的股票预测系统》一文中研究指出文章提出了采用支持向量机(SVM)和改进的长短期记忆网络(LSTM)与Lasso方法相结合的两个投资组合模型。选取技术指标作为模型的输入变量,使用改进的网格搜索法和指数衰减法分别改进SVM和LSTM。再通过这两种算法对HS300中所有股票进行涨跌预测,并统计预测为上涨的股票,最后基于变量选择观点的Lasso方法对预测上涨的股票进行筛选和权重计算,构建GSVM-L和ELSTM-L投资组合模型。结果表明:相对于其他组合模型,该模型具有较好的投资收益和较强的抗风险能力,且ELSTM-L模型可以容忍更高的交易成本。(本文来源于《统计与决策》期刊2019年21期）
乔若羽[2]（2019）在《基于神经网络的股票预测模型》一文中研究指出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。(本文来源于《运筹与管理》期刊2019年10期）
宋刚,张云峰,包芳勋,秦超[3]（2019）在《基于粒子群优化LSTM的股票预测模型》一文中研究指出为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化(PSO)的长短期记忆(LSTM)股票价格预测模型(PSO-LSTM),该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。(本文来源于《北京航空航天大学学报》期刊2019年12期）
李珍珍,吴群[4]（2019）在《基于LSTM神经网络的股票预测算法研究》一文中研究指出针对股票在投资领域的影响越来越重要,且其有一定规律可寻。本文通过研究股票的最高价、最低价、收盘价、开盘价、日成交量和成交金额等六个属性,利用LSTM神经网络实现对股票最高价的预测。实验证明LSTM神经网络能够通过学习股票历史数据的变化,利用其内部的选择记忆性,实现短期股票的预测,对投资者有着重要的参考价值。(本文来源于《福建电脑》期刊2019年07期）
王燕,郭元凯[5]（2019）在《改进的XGBoost模型在股票预测中的应用》一文中研究指出随着时代的不断进步,人民生活水平日益提高。在解决温饱问题之余,有了可供投资的余财。越来越多的人将目光转向股市投资,为股市发展提供了资金条件。然而在纷繁复杂的股票市场,如何寻找最优股成为亟待解决的问题。这不仅是投资者单方面的困惑,也是股票预测领域中学者们所关心的重点。通过网格搜索算法对XGBoost模型进行参数优化构建GS-XGBoost的金融预测模型,并将该模型运用于股票短期预测中。分别以中国平安、中国建筑、中国中车、科大讯飞和叁一重工2005年4月至2018年12月28日的每日收盘价作为实验数据。通过实验对比,相较于XGBoost原模型、GBDT模型以及SVM模型,GS-XGBoost模型在MSE、RMSE与MAE叁个评价指标上都表现出较好的预测结果。从而验证,GS-XGBoost金融预测模型在股票短期预测中具有更好的拟合性能。(本文来源于《计算机工程与应用》期刊2019年20期）
汪志峰[6]（2019）在《基于小波神经网络与支持向量机的股票预测及优化》一文中研究指出股票市场数据通常具有极强的波动性,对股票市场数据的预测一直以来都是金融领域的重要课题。股票预测即对股票价格指数的运行趋势进行预测,这也是国内外在统计金融领域的研究热点。传统的股票预测方法主要是线性预测法,其中较为常见的就是建立自回归移动平均模型。在金融研究领域,自回归移动模型(ARIMA)是一种主要的预测手段,这是一种线性的预测方法,其对一些平稳数据的预测效果较好,但是对具有强波动性的股票数据往往效果欠佳。由于ARIMA模型的非线性预能力较差导致其始终无法产生较为满意的预测结果,研究者需要寻找更多适用于股票预测的方法。机器学习对金融行业数据的处理有着得天独厚的优势,其能精准分析同一时间内的大量股票数据或财务数据的变动,并很快得出相应的结论,这样使金融市场的运行效率得到显着提高。在股票市场的趋势预测方面,其能运用股价指数的相关特征对股票市场数据进行预测,在财务数据管理方面,机器学习算法可对公司的资产负债表、现金流量表等财务数据进行有效分析。我们需要寻找一些可以对非线性数据具有良好适应性的预测方法,所以拟用机器学习的相关算法,本文采用的是小波神经网络(WNN)和支持向量机(SVM)。小波神经网络是将小波与神经网络结合的理论方法,这种方法融合了两种理论的优点,是一种有效的股票预测方法。支持向量机以坚实的数学理论做支撑,其采用核函数方法可以有效解决一些复杂计算,并应用结构风险最小化原则使得这种方法在金融预测领域广受推崇。使用BP算法的WNN收敛速度慢且易陷入局部最小,为改善模型性能,提高预测精度,拟用用粒子群算法(PSO)优化WNN,优化WNN参数以建立股票预测模型PSO-WNN。为了遵从实验的逻辑性,同样建立股票预测模型PSO-SVM。运用MATLAB进行仿真实验,通过分析实验结果,证明小波神经网络和支持向量机在股票预测中的可行性。设定相关统计指标衡量预测效果,评估优化效果,并分析比较模型在优化后的预测性能,最后综合分析整体的预测性能。(本文来源于《安庆师范大学》期刊2019-06-17）
孙伯原[7]（2019）在《基于神经网络模型的股票预测与研究》一文中研究指出本文从LSTM神经网络出发进行理论研究,对数据挖掘、积累并分类、整理,对先前的神经网络预测系统进行评述。用LSTM算法结合线性代数,作出对预测股票系统模型优化方面的论文,对股市预测和系统优化提供有价值的研究参考。(本文来源于《电子测试》期刊2019年12期）
郜星军[8]（2019）在《基于神经网络的股票预测模型》一文中研究指出股票市场是企业融资的重要平台,也是投资者理财的重要手段,对国家经济发展发挥重要作用,是国家金融体系重要的一部分,但股票市场是把双刃剑,既能获得超额收益,也可能遭受巨大风险,如何合理地对股票未来发展做出预测,是广大投资者迫切关心的问题.近年来,国民经济的快速发展带动股票市场的繁荣,股票个数也随之增多,基本面分析与技术面分析等一些传统的分析预测方法已暴露出很多缺点和不足,越来越多的投资者开始关注用人工智能的一些方法分析处理股票数据,这其中,神经网络就是人工智能应用于股票市场典型代表.本文基于BP神经网络与判别式受限玻尔兹曼机分别构建了两种股票预测模型,对股票未来的价格与走势做分析预测.在组建这两种模型的过程中,本文做了多方面的研究工作,可分为以下叁个部分:第一部分,对天牛须算法进行改进.初始天牛须算法虽然结构简单,运算快捷,但处理多峰函数时易陷入局部解.改进的天牛须算法借鉴群体性算法的特点,适当增加天牛虫个数,用单纯形法对群体进行优化.数值实验结果表明:与初始天牛须算法相比,改进的天牛须算法虽然运算时间有所增加,但寻优精度有较大提高.第二部分,借助改进的天牛须算法良好的寻优性能,对BP神经网络初始参数进行优化,然后再用BP算法对参数做进一步调整,并将之应用于股票未来价格的预测,构建股票价格预测模型.数值实验采用平安银行等6只股票的真实数据,数值实验结果表明,相比于直接用BP神经网络进行预测,本文构造的模型有更好的预测精度.第叁部分,构造基于主成份分析与判别式受限玻尔兹曼机的股票预测模型.先用主成份分析对多个股票因子做降维处理,使在保持原有数据信息的同时降低模型复杂度,再将处理后的主成份输入判别式受限玻尔兹曼机,对股票未来走势做预测.数值实验表明,此模型对股票走势预测正确率达到60%以上,能为广大投资者提供有价值的参考.(本文来源于《广西大学》期刊2019-06-01）
林升[9]（2019）在《基于LSTM的股票预测研究》一文中研究指出股市是国家经济的重要组成部分,随着近年来人民生活水平的提高,进行股票投资的人不断增多。股票预测是每个投资者都在进行尝试的一项研究,普通投资者通过技术分析手段确认选股进行交易,技术分析师通过基本面、技术面和消息面多方结合进行推荐,而科研人员则是通过建立数学模型来对股票数据进行分析。随着深度学习的爆发以及循环神经网络在时间序列中取得良好的表现,LSTM作为循环神经网络中的经典模型受到了广泛的关注,具有广阔的应用前景。股票数据表现为经典的金融时间序列,利用神经网络对股票数据进行预测是近年来的研究热点。随着算法交易、量化投资等理念的兴起,越来越多的人开始利用神经网络对股票数据进行预测。但神经网络隐藏层的构建至今没有较好的指导理论,众多研究人员都是依靠自己摸索,或者在前人的经验上获取模型的结构以及参数设置。本文基于“历史总会重演”的观点,对同行业中的股票间常出现“同涨同跌”现象进行研究,通过结合Pearson相关系数和动态时间规整两种算法来对股票相关性特征的提取进行设计。在线性关系中利用Pearson对股票中存在的长、短周期进行获取,而在非线性关系中则利用动态时间规整,并将获取到的信息转化为相关性特征。在此基础上,设计了结合相关性特征的LSTM股票预测方法,利用Dense、PReLU、Dropout等多种神经网络算法结构构造出多种不同的LSTM模型,并探讨了不同模型结构及参数设置的股票预测效果。实验结果表明,本文提出的分类预测方法比传统的SVM、BP模型在正确率有3%以上的改进;而回归预测方法则比传统的LinearRegression、BP模型在RMSE、R~2、误差值以及自设计的盈利值等多个指标上均有更好表现。(本文来源于《广州大学》期刊2019-05-01）
褚文华[10]（2019）在《BP人工神经网络在股票预测中的应用》一文中研究指出投资越大风险越大,如何建立一个精确度和运算速度相对较高的股市预测模型对于金融投资者具有重大理论意义和实际应用价值.将人工神经网络应用到股票预测上面成为一个新的趋向.将用人工神经网络求解股票预测中的难题成分分析,建立叁层BP神经网络并且分析收敛速度,得到当选择的数据合理且具有很好的性质时,拟合效果会更加准确,最终得到股票在短时间内的向.从而说明BP神经网络对于股票价格的预测具有可行性和合理性,进而对提高股民的收益做出帮助.(本文来源于《哈尔滨商业大学学报(自然科学版)》期刊2019年02期）
股票预测论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
股票预测论文参考文献
[1].任君,王建华,王传美,王建祥.基于ELSTM-L模型的股票预测系统[J].统计与决策.2019
[2].乔若羽.基于神经网络的股票预测模型[J].运筹与管理.2019
[3].宋刚,张云峰,包芳勋,秦超.基于粒子群优化LSTM的股票预测模型[J].北京航空航天大学学报.2019
[4].李珍珍,吴群.基于LSTM神经网络的股票预测算法研究[J].福建电脑.2019
[5].王燕,郭元凯.改进的XGBoost模型在股票预测中的应用[J].计算机工程与应用.2019
[6].汪志峰.基于小波神经网络与支持向量机的股票预测及优化[D].安庆师范大学.2019
[7].孙伯原.基于神经网络模型的股票预测与研究[J].电子测试.2019
[8].郜星军.基于神经网络的股票预测模型[D].广西大学.2019
[9].林升.基于LSTM的股票预测研究[D].广州大学.2019
[10].褚文华.BP人工神经网络在股票预测中的应用[J].哈尔滨商业大学学报(自然科学版).2019