一、基于BP算法的股票均价预测技术研究（论文文献综述）
蔡晨[1]（2020）在《BAS优化神经网络算法及在非线性系统预测中的应用研究》文中研究指明面对输入及输出因素间具有复杂非线性关系的系统,传统分析方法往往显得无能为力,难以获得预期效果。随着智能分析方法的飞速发展,人工智能算法逐渐应用于各类工程领域复杂系统的预测分析。人工神经网络可以很好的逼近非线性函数,在数据预测中有着重要作用。Elman神经网络作为动态反馈网络的代表相较静态BP神经网络具有一定的优点,但仍然存在易陷入局部极值、预测精度不能达到预测要求的不足。本文利用改进的单体智能算法——天牛须搜索算法（BAS）优化Elman神经网络,选取了岩土工程中爆破振动速度预测这一类问题来进行数据预测的应用。运用不同的自变量降维方法对于数据样本中的影响因素进行筛选分析,基于不同环境下的两种爆破工程速度峰值数据,实现了预测实验。结果表明,改进的神经网络预测方法对非线性工程数据预测具有较好的预测精度和收敛速度,对于不同工程类型的数据预测具有一定的普适价值和实用性。论文的主要工作有:对比其他预测方法选择了具有非线性映射能力和动态反映能力的Elman神经网络作为研究对象,分析了Elman神经网络具有的优缺点。将一种重启参数策略引入到对基础BAS的改进中,在尽量保证其收敛速度的同时,使改进算法能够在一定程度上跳出局部极值从而靠近全局最优解。使用改进后的BAS算法与Elman神经网络结合,针对Elman神经网络对初始权值阈值的依赖,改善了Elman神经网络预测精度不高的缺点。选择了一种复杂的非线性,高随机性,模糊相关性的动态能量爆发工程行为中的爆破振动速度预测问题进行实验分析,进行数据预处理和降维分析,比较了不同的自变量降维方法的效果,结合神经网络特性选择了MIV算法对数据样本的影响因素进行筛选,使用上述改进的预测方法进行实验,与其他智能算法优化的BP、Elman神经网络模型进行对比,实验结果表明新的预测方法能够提高预测精度,提高优化速度,对于不同的工程环境数据预测具有一定的普适价值和实用性。
何智贤[2]（2020）在《基于BP神经网络的柴油价格预测研究》文中认为柴油作为一种石油制品,是工业化社会中不可缺少的能源。由于柴油的用途广泛,柴油价格的波动将会影响到社会的方方面面,尤其是各国的国民经济,所以各国对柴油的价格波动十分关注。如何减少柴油价格波动所造成的负面影响,有效地对柴油价格进行预测,对政府部门以及柴油贸易企业来说显得十分重要。在此情况下,本文采用定性和定量相结合的方法,先识别出柴油价格的影响因素,再对柴油价格进行预测分析。本文首先使用文献分析法阐述理论基础,并对国内外有关柴油价格及其影响因素和BP神经网络的相关研究进行综述。其次,运用德尔菲法进行1轮开放式调研和3轮评价式调研,识别出国内市场供需、炼油能力、柴油进出口、经济政策因素、生产成本、新能源替代、柴油库存、期货投资等8个影响柴油价格的主要因素,量化分析得出各因素的指标包括柴油产量、柴油消费量、柴油产能、出口数量、进口数量、GDP、柴油生产成本、LNG供给情况、柴油库存、ICE柴油价格等10个。在此基础上,运用这10个指标和柴油价格数据基于BP神经网络构建预测模型,并实验确定了模型的各项参数。最后,运用模型对柴油价格做了验证,拟合度为0.99998,再将本文算法与多元回归、SVM模型进行比较,结果表明,BP神经网络的预测效果优于另外两个算法,以本文构建的算法预测了2019年1月-2020年12月柴油价格。本文的研究结果将为政府部门制订政策及制度,以及柴油贸易的企业生产经营提供更为科学的决策参考依据,使研究兼备理论价值和实践意义。
谭雪萍[3]（2019）在《碳期货与关联资产间的相依性变化机理及碳价预测研究》文中提出随着国际碳金融衍生品市场的迅速发展,碳市场的金融属性逐渐凸显,并受投资者和监管者的广泛关注。碳排放权作为一种新兴的大宗商品,不仅具有一定的特殊性,也具有一般的商品属性,因此其价格走势也受到宏观经济基本面的决定性影响,并与能源价格和金融资产价格存在错综复杂的关系。但是,现有文献对碳期货与其关联资产（能源资产与金融资产）间的相依性特征及相依性变化机理的研究尚显不足。现有研究重点关注了碳市场与能源市场间的关系,而忽略了金融市场的影响,也缺乏对相依性变化机理进行揭示,且在碳价预测过程中主要基于碳价历史信息而不是关联资产信息建立预测模型。本文在碳市场金融化的趋势背景下,将欧盟碳期货与其关联资产间的相依性变化作为主要研究对象,基于相依性、信息溢出以及预测间的逻辑关系和相关理论假说,从金融学角度提出三个主要研究问题:（1）碳期货与其关联资产间的相依性是否发生变化?（2）如何从信息溢出视角揭示碳期货与其关联资产间的相依性变化机理?（3）关联资产信息是否可以有效地预测碳价?本文的主要研究内容及结论如下:（1）基于能源与金融资产影响碳价的信息传递路径,本文引入分位数回归模型分别从相依程度和相依结构两个维度对碳期货与关联资产在欧盟排放交易体系三个阶段的相依性特征进行刻画,并通过带结构变点的分位数回归模型测度重大危机事件冲击后的相依性变化。研究表明:碳期货与关联资产间的相依性具有显着的阶段性;相依性只在第一阶段具有对称性;相比于金融资产,能源资产与碳期货的相依性更强,其中煤炭与天然气通过同样的路径影响碳价,金融资产在第一阶段通过能源价格路径间接影响碳价,但在后两个阶段均通过工业生产路径直接影响碳价;全球金融危机、利比亚内战以及美国加息预期等重大危机事件导致了相依性发生,只有石油与碳价的相依性变化具有对称性,且在危机事件发生后,碳市场与煤炭、天然气以及大宗商品市场均存在显着的“市场传染”效应。（2）为了通过动态信息溢出机制揭示时变相依性变化机理,本文从动态视角采用溢出指数法全面科学地研究了“碳期货-能源-金融”系统内部的收益率和波动率溢出动态及方向。研究表明:系统的平均收益率溢出效应强于平均波动率溢出效应,但碳期货与各关联资产间的信息溢出效应均较弱,相比之下,化石能源、大宗商品市场以及股市对碳期货的溢出效应较为显着;系统存在动态信息溢出效应,且与重大危机事件紧密相关;石油和大宗商品指数分别是系统中最活跃的收益率和波动率信息净传递者,而最主要的净收益率和波动率接收者则为碳市场和电力市场;碳市场是大部分关联市场稳定的净收益率接收者,但却是电力市场和垃圾债市场稳定的净收益率传递者,但在波动率层面,碳市场与大部分关联市场存在不稳定的相互作用关系,只有石油和大宗商品市场是碳市场稳定的净波动率传递者。（3）其次,为了通过极端风险溢出机制揭示不对称相依性变化机理,本文从静态视角构建二元分位数VAR模型依次对“碳期货-能源-金融”系统内的尾部相依性以及极端风险溢出效应进行检验,并通过分位数脉冲响应函数测量了碳期货的尾部收益率对来自各个关联资产的伪新息冲击的反应强度和持久度。研究表明:英国经济政策不确定性指数与碳价左尾收益率存在稳定的相依性;此外,垃圾债、原油、美国短期国债以及美国经济政策不确定性指数在欧元区经济衰退期也与碳价左尾收益率存在相依性;几乎所有关联资产（除了天然气与英国经济政策不确定性指数）的收益率以及能源资产的左尾收益率均会对碳价左尾产生风险溢出,但只有金融资产的收益率会对碳价右尾产生风险溢出;碳价左右尾收益率对于各个风险源变量的信息冲击表现出异质性的响应模式。（4）此外,为通过测度危机事件对系统内部信息溢出机制的冲击影响揭示市场传染导致的相依性变化机理,本文运用非对称t分布的BEKK-GARCH模型以及波动率脉冲响应函数（VIRFs）揭示了三大危机事件对“碳期货-能源-金融”系统内波动溢出效应的冲击过程。研究表明:雷曼兄弟倒闭事件的影响力最强,不仅显着刺激了系统内大多数资产的波动幅度,还导致碳期货与煤炭、石油、股价以及垃圾债的波动溢出效应显着上升;希腊债务危机只显着增强了碳期货与煤炭、石油价格间的波动相关性;而利比亚石油中断事件只显着增加了碳期货与垃圾债收益率差的波动相关性;随着市场间信息传递效率的提高以及金融一体化程度的加深,当前状态下的碳期货与关联资产间的波动相关性会对雷曼兄弟破产事件类的外部冲击表现出更加强烈的反应。（5）最后,鉴于碳期货与关联资产间存在信息溢出,本文进一步检验了各个关联资产对碳价的预测能力。基于周度数据和三种预测时间跨度,分别通过单变量预测模型和主成分预测模型检验变量预测能力,并通过扩散指数预测模型检验模型预测能力。研究表明:能源类变量的短期预测能力弱于金融类变量;混合类主成分的预测能力最强,但主成分预测模型的样本外预测效果均弱于基准预测模型;所有预测模型都不能在不同的预测时间跨度、数据测量窗口以及预测范式下始终表现出最好的预测能力;因子增强自回归模型（FAAR）和组合预测模型（Combined-ADL）在大多数预测时间跨度及数据测量窗口下表现出最佳的预测能力。以上研究有助于厘清欧盟碳期货市场与关联资产间复杂的相互作用关系,为投资者制定灵活的投资组合策略以及监管者完善碳市场风险管理机制提供丰富的决策依据,并以期为中国碳期货市场的规划与建设提供有力的参考和支持。
李欣宁[4]（2019）在《基于电价预测的零售电价套餐形成方法》文中认为在未来的电力零售市场,用户将拥有挑选、更换售电商的权利,售电公司为规避风险、提高市场占有率,需要向终端电力用户提供科学合理并具有竞争力的售电套餐。同时,新电改背景下市场交易模式和电价形成及传导机制的改变使得销售电价受到更多市场信息的影响,有必要建立更精准的电价预测模型,为决策者掌握市场信息及决策售电市场行为提供辅助支持。销售电价预测作为售电公司进行成本核算的基础,同时也是零售电价套餐设计优化的关键环节。基于电价预测的精确性要求和零售电价套餐的优化需求,论文首先提出计及时序调整的Elman神经网络预测模型,对销售电价进行预测,并依据所预测的销售电价为基础,结合消费者参考价格决策及用户黏性对售电套餐进行优化设计。首先,以所查阅的众多相关文献资料为基础,对国内外已有的电力市场环境下电价预测技术和零售电价套餐的结构、模式进行分析总结,并以德州多类型电力市场中的电价水平和波动情况为例,对销售电价的影响因素进行分析,进而研究零售电价套餐的形成基础;其次,在剖析影响销售电价因素的基础上,提出了计及时序调整的Elman神经网络电价预测模型,该方法采用FastICA主成分分析法提取电价影响的重要信息,并针对负荷特性基于最小类内距离和最大类间距离的原则进行负荷聚类分析,在神经网络的训练算法中引入计及时序调整的训练方法,以提高预测算法的精确性;最后,根据销售电价预测结果,在建立售电公司多模式的电能成本核算模型的基础上,结合国外已有的售电套餐结构和新电改背景,提出基于消费者参考价格决策及用户黏性的售电套餐优化设计,该方法以售电公司总效用函数为目标,从用户参考价格对消费决策的影响入手,考虑用户消费的偏好行为和对价格接受程度的影响,依次建立影响目标函数的单个用户黏性函数、用户群决策矩阵和同化系数模型,并采用改进的交叉粒子群算法,以元胞数组作为存放多个套餐的单位,进行多个最优套餐价格的同时搜索。从有效性和正确性角度对销售电价预测模型以及零售电价套餐的形成、优化方法进行了验证分析。
谷永军[5]（2019）在《基于改进递归神经网络模型的量化投资策略研究》文中研究指明股票市场是一个动态的、非线性的高噪声系统,由于受到政治因素、经济状况以及投资者预期等诸多复杂因素的影响,股票价格的变化往往具有非线性、不可持续的特点。与此同时,随着科学技术的进步和信息传播系统的升级,事件被反应到股票价格上所需的时间越来越短,这导致了股价对相关事件的反应更加灵敏,波动频率更高。但是由于具有获得高额回报的可能性,股票市场一直是金融学、工程学以及数学等学科领域关注的市场。随着科学技术的发展、人们拥有的股票市场理论以及投资技巧水平的成熟,越来越多股票分析和股价预测系统被开发应用于股票投资实践当中。就目前而言,金融市场上主要的股票价格预测技术主要分为基本分析法、技术分析法以及数量分析法三种。数学模型和金融理论的进一步发展使得数量分析法在股票预测中所起的作用越来越大。传统的数量分析模型适合处理线性的、低噪声的时间序列数据,而大部分的金融时间序列数据具有非线性、高噪声等特点。神经网络模型由于具有出色的处理非线性、高噪声数据的能力逐渐被学者和投资者所重视。以往研究者的研究结论表明不同的神经网络模型在选择合适的参数时均能获得不错的结果,但是神经网络模型的结构也非常的重要,因为它直接影响了整个神经网络模型的表现。本文基于前人的研究基础上,利用长短期记忆模型能够学习和保存较远步骤信息的优点,构造出一个改进递归神经网络（ANN-LSTM）模型。本文主要分为六章:第一章简要介绍本文的研究背景、研究意义以及国外内关于神经网络模型用于股票预测的研究进展;第二章介绍股票预测理论知识、分析神经网络的结构以及算法;第三章对本文所使用的数据进行简要的描述和预处理以消除缺失值和异常值的影响,并且利用降维技术构造相关性最强、影响程度最高的特征变量;第四章对本文设计的ANN-LSTM模型进行学习和训练,并且以ANN模型作为对比,将训练好的模型用于嘉实沪深300股票指数基金收盘价涨跌方向的预测,以测试集准确率和损失函数作为主要衡量标准;第五章基于两种模型的预测结果制定量化投资策略,并且设定两种基准策略来衡量模型的实际应用能力;第六章对本文的研究结论进行总结,并且提出本文研究的不足之处以及后续的改进思路。通过实证分析发现,本文设计的ANN-LSTM模型在用于嘉实沪深300股票指数基金价格的预测时获得比ANN模型更高的预测精度,同时在量化投资策略研究中,我们设计的ANN-LSTM模型同样展现出较好的实际应用能力,表现为获得了更高的累计收益率和风险调整收益率。此外,我们将样本数据以2015年股灾发生时作为时间节点划分为两个阶段,结果显示ANN-LSTM模型在股票市场处于震荡修复期或平稳期时比在股票市场处于高涨时期时能获得更好的表现。
梁元欣[6]（2016）在《基于决策树与神经网络的钼金属价格预测模型研究》文中研究指明钼是一种十分重要的有色金属资源,用途广泛且很难替代,但其市场价格受制因素众多,具有很强的波动性与敏感性,也因此使得预测难度较大。然而,提前预测价格变动趋势可使企业更加积极主动地采取有效的应对措施,合理制定生产、销售计划,凸显资源价值,进而更好地保护国家和企业的利益。现有针对钼金属价格进行分析和预测的方法一般无法较好地对其变化规律进行准确刻画。大多数学者均是仅利用过去若干年内的钼金属价格,通过数学建模的方式找出价格规律,或是仅利用影响价格的因素对钼金属价格未来的走势进行定性分析。前者所得出的结果往往不够客观,对异变或突发状况的发生不具备良好的应变能力,而后者无法得出具体的预测价格区间。因此,本文针对以上方法中存在的不足,将两种思路的优势结合起来:（1）对制约钼金属价格的因素进行探究,将诸多影响因素按其特点进行归类,分析它们与价格变动之间的关系;（2）探讨和分析利用决策树和神经网络进行钼金属价格预测的可行性,并在两种方法中找出适合做预测的算法;（3）在以上众多因素中筛选出具有代表性且可量化的因素,构建钼金属价格的预测样本集,并根据决策树CART算法和穷举CHAID算法以及MLP、RBF、GRNN神经网络算法,分别建立钼金属价格预测模型;（4）利用控制变量的方法,即基于同一算法,根据模型生成条件的不同,分别进行建模;（5）利用上述模型对钼金属价格进行预测,先对同类方法模型所得出的预测结果进行对比分析,通过绘制预测结果与实际价格的对比分析图、各模型预测结果的误差对比分析图,以及运用统计学方法对各组误差值进行统计量分析,得出该类别中最优的算法和模型,再将两类方法中各自最优的结果进行对比分析,进而给出预测结果。实证分析表明,利用决策树和神经网络算法均能对钼金属价格进行较为客观的预测。其中,利用决策树CART算法和MLP神经网络进行预测,其结果的相对误差平均值均不超过2%。该方法不仅能够实现对影响钼价格因素的重要性分析,还能得出较为可靠的预测结果,同时拓宽了算法的适用范围,对钼金属价格预测方法的研究有一定的借鉴价值。
韩莉[7]（2016）在《基于LM-BP神经网络股票预测研究》文中指出股票市场经过数载发展,在市场经济中占据了越来越重要的地位。股票市场的建立和发展,不仅受国家经济的影响,也为国家的经济建设时时刻刻在做着贡献。然而,股票投资市场并不十分稳定和平稳,成交量和价格方面总有着意料外的波动。股票市场是股票投资者进行交易的平台,无形中在投资者和筹资者之间搭建了利润提升的桥梁。在股票市场上,筹资者公开募股,发行股票,为长期的资金来源提供了保障;与此同时,投资者通过购买公开募股的股票,相当于与公司共发展,上市公司的优劣直接会影响投资者的收益。由于投资者们的心理状态以及投资偏好都不尽相同,故也会选择不同的投资组合,也会承担不同的投资风险。然而,这样的投资也不是一直稳赚不赔的,股票市场波动性很大,投机成分强,股票市场缺乏效率,稳定性差,这些都会危及到股票本身的进一步发展。股票市场的效率体现在上市公司能够合理分配资金并将资金的利用率提升到最大,从而争取更多利润的能力。可是,大量的实证证明,股票市场并不是十分有效的。然而,股价的走势也有一定的规律性可言,这体现在这种走势可以通过非线性函数进行描述,那么也就是可以预测的。影响股价的因素多种多样,对股票所起的作用也复杂多变,为了更加准确的进行预测,将人工神经网络引入到了金融预测领域。原则上,对于连续函数,神经网络能在一定的精度范围内实现良好的训练。人工神经网络可以解决黑箱问题,它回避了数据变化的内在原因,更加科学地通过特定的学习样本进行机器训练,建立一种模型来描述输出与输入变量之间的联系。因此,研究基于神经网络的股票预测问题,不仅具有理论意义,也具有重要的现实意义和参考价值。本文对现有的股票预测方法、BP神经网络及其存在的问题、LM-BP神经网络算法、LM-BP神经网络对股价预测等问题进行了系统研究。在研究过程中,取得的成果主要有:（1）对股票市场特点和股票预测方法进行分析,指出了这种方法的优缺点。（2）针对股票价格预测数据量大,应用标准BP神经网络运算速度慢的问题,推导给出了LM-BP神经网络算法,并设计开发了LM-BP神经网络计算程序。（3）应用LM-BP神经网络预测了美国纳斯达克证券交易所挂牌上市的智联招聘股票的开盘价、最高价、最低价、收盘价走势。预测结果表明,预测精度较高,开盘价格平均相对误差为0.88%,最高价平均相对误差为1.25%,最低价平均相对误差为1.26%,收盘价平均相对误差为1.4%。（4）在预测的基础上,计算给出了移动平均线（MA）、乖离率（BIAS）、相对强弱指标（RSI）、随机指标（KDJ）、人气指标（BOV）、威廉指标（W&R）,并画出了移动平均线（MA）、乖离率（BIAS）、相对强弱指标（RSI）、随机指标（KDJ）、人气指标（BOV）、威廉指标（W&R）曲线,为投资者决策提供参考。最后,本文对股票市场预测问题进行了展望。
吕笑颜[8]（2015）在《基于IWO算法的神经网络模型的研究及应用》文中提出股票市场被誉为国民经济的晴雨表和报警器,因其高收益和高风险并存的特性而倍受各级政府及广大投资者的关注,因此对股市的分析预测方法的研究具有重要的理论意义和实际应用价值。本文以辽宁省人才项目“基于非线性映射定量组合预测系统的研究与开发”为依托,以国内企业的股票价格为预测对象,对改进前向神经网络的学习算法及预测模型进行了深入的探究。神经网络因其很强的非线性逼近能力和自学习、自适应等特性,使得其在股价预测方面表现出很强的优势。但传统基于标准BP算法的神经网络具有收敛速度慢、易于陷入局部极小值、预测精度不高等缺点,为了克服BP算法的缺陷,我们引入一种较新颖的群智能优化算法——入侵杂草优化（Invasive Weed Optimization,IWO）算法,给出基于IWO的神经网络学习算法及其改进算法,并在此基础上对基于这些算法的神经网络预测模型及应用进行了深入的研究。本文的主要研究内容包括以下几个方面:1.在对影响股价变动的因素、股价预测的相关评价指标、国内外股票预测方法等综述的基础上,针对神经网络的预测功能,总结了前向神经网络的学习算法及各种智能优化算法在前向神经网络学习中的应用情况,为确定将入侵杂草优化算法融入神经网络并建立预测模型的研究方向提供了基础资料。2.在对前向神经网络学习算法及IWO算法深入研究的基础上,为了克服BP算法的缺陷,首先给出了基于IWO的神经网络学习算法及预测模型;为了进一步提高IWO寻优精度、加快寻优速度,解决其易陷入局部最优等缺陷,在不改变IWO正态空间扩散性的基础上,利用传统复合形法对IWO进行改进,给出了一种复合形法指导搜索的入侵杂草优化（CIWO）算法,将CIWO用于训练神经网络,并建立了基于CIWO算法的神经网络预测模型;针对IWO算法存在着易陷入局部最优,后期寻优精度不高等缺陷,导致IWO算法训练神经网络往往存在着精度不高的问题,我们结合IWO算法的种群多样性及差分进化的启发式全局搜索特点,提出一种差分进化入侵杂草（DEIWO）算法用于训练前向神经网络,得到基于DEIWO的神经网络学习算法,并给出了基于DEIWO算法的神经网络预测模型。3.以湖南企业三一重工（600031）股票为研究对象对上述预测模型进行实例仿真,基于IWO算法的神经网络预测模型比BP神经网络预测模型有更高的预测精度;基于CIWO算法和DEIWO算法的神经网络学习算法从不同角度改进了基于IWO算法的神经网络学习算法,所建立的神经网络模型分别从不同程度提高了基本IWO算法神经网络的性能,其预测模型在实例仿真中均有较高的预测精度。通过比较分析进一步表明了几种改进模型的可行性和有效性。
张希影[9]（2014）在《基于遗传算法优化的BP神经网络股票价格预测》文中指出随着社会经济的发展，人们对投资理财的关注度持续升温，投资股市已成为越来越多人的选择。然而，由于股票市场受经济、政策以及投资者心理等诸多复杂因素的影响，是一个高度复杂的非线性动力系统，具有典型的不确定性的特点，致使股票投资虽然高回报但同样要面临高风险，一旦预测不准势必会造成投资者资金的损失。所以对投资者来说需要一种有效的分析方法来辅助决策，尽可能的将风险降到最低。自从股市诞生以来就涌现出了很多的预测方法，传统的预测方法大多建立在长期、大样本的数据统计分析基础之上，所以对中长期的股市预测比较准确。但是股市是一个复杂的非线性动力系统，传统的预测方法在面对风云变幻的短期股市价格预测上有些力不从心。人工神经网络具有很强的非线性逼近能力、自学习和自适应等特性，因而非常适用于解决股市预测领域中的一些问题。近年来，应用人工神经网络对股市预测的研究已成为国内外学者研究的热点，并取得了较好的效果。本文选择了算法成熟、应用广泛的BP神经网络来对股票价格进行预测，但是BP神经网络存在收敛速度慢、易陷入局部极小点等不足，针对这些不足本文引入遗传算法来其权值和阈值进行优化，以达到较好的训练效果。本文分别对BP神经网络和基于遗传算法的BP神经网络进行了实验，实验预测结果分析表明：经遗传算法优化的BP神经网络收敛速度和预测精度都有提高，引入遗传算法对BP神经网络进行优化可以防止BP神经网络陷入局部极小点，达到较好的训练效果，因此基于遗传算法优化的BP神经网络对股价进行预测是可行的。
陈建新[10]（2013）在《基于时间价值的神经网络的股票价格预测》文中提出股票属于一种高风险、高收益的投资，已成为现代生活中不可缺少的一部分，因此投资者们时刻关心股市，分析股市，研究价格趋势。股票市场中随机因素很多，导致股票价格波动表现出很强的不确定性，以致传统预测技术的效果并不理想。于是，建立一个合理的股票价格预测模型，具有重要的理论意义和实践价值。本文通过深入分析股票原理，比较常见的股票预测方法，探讨BP神经网络在股票预测上的可行性。从原理上讲，神经网络是对股票交易的历史数据学习后实现对未来股票价格的预测。具体而言，BP网络通过对股票的历史数据的学习,不断地修正相应的权值、阀值，最终建立一个相对合理的模型。本文研究的是投机的超短线股票交易，与传统的投资理念有明显区别；预测的结果是来源于多次预测结果的分析，而非特指某一次预测。本文提出了一种创新的研究思想——引入基于时间价值的动态权重误差函数，设计出一种基于时间价值的神经网络模型。本文认为：BP模型通过引入动态权重的方法，可以改变了原来BP模型单纯的拟合训练集数据，更灵活地择优而达到预测效果。据此，本文采用MATLAB软件选定医药行业的股票进行仿真实验。实证结果表明:与传统预测方法和BP神经网络相比，本文提出的模型准确率较高，明显降低预测误差，进一步提高了网络的泛化能力和模型预测精度，优化了股票价格预测效果。为了验证模型的经济和社会效益，本文设计了一种现实中可实现的模拟交易操作（T+0模型），验证了基于时间价值的BP模型的价值。
二、基于BP算法的股票均价预测技术研究（论文开题报告）
（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于BP算法的股票均价预测技术研究（论文提纲范文）
（1）BAS优化神经网络算法及在非线性系统预测中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 预测方法研究现状及概述 |
| 1.2.1 传统预测方法 |
| 1.2.2 智能预测方法 |
| 1.3 神经网络的发展及其研究现状 |
| 1.3.1 Elman神经网络的研究现状 |
| 1.4 BAS研究现状 |
| 1.5 本文主要研究内容 |
| 1.6 本文组织结构与章节安排 |
| 第二章 相关理论概述 |
| 2.1 智能算法概述 |
| 2.1.1 智能算法的分类 |
| 2.1.2 智能算法的特点 |
| 2.1.3 智能算法存在的问题 |
| 2.2 神经网络理论概述 |
| 2.2.1 神经网络的分类 |
| 2.2.2 神经网络的基本结构 |
| 2.3 Elman神经网络理论概述 |
| 2.3.1 Elman神经网络的基本结构 |
| 2.3.2 Elman神经网络的数学表达 |
| 2.3.3 Elman神经网络的学习算法 |
| 2.3.4 Elman神经网络的参数影响 |
| 2.3.5 Elman神经网络存在的问题 |
| 2.4 天牛须搜索算法理论概述 |
| 2.4.1 天牛须搜索算法的基本思想 |
| 2.4.2 天牛须搜索算法的数学表达 |
| 2.4.3 天牛须搜索算法的运行过程 |
| 2.4.4 天牛须搜索算法的性能 |
| 第三章 改进BAS优化Elman神经网络算法研究 |
| 3.1 天牛须搜索算法的改进 |
| 3.1.1 重启策略 |
| 3.1.2 改进后的优劣分析 |
| 3.2 改进BAS算法优化Elman神经网络算法 |
| 3.2.1 基于RBAS优化Elman神经网络的学习算法 |
| 3.2.2 RBAS-Elman的学习步骤 |
| 3.2.3 数值试验 |
| 第四章 改进BAS优化Elman模型在爆破振动预测中的应用 |
| 4.1 研究背景及意义 |
| 4.1.1 爆破振动速度预测的研究现状 |
| 4.2 数据来源及预处理 |
| 4.3 自变量降维方法比较分析 |
| 4.3.1 灰色关联分析法 |
| 4.3.2 MIV算法(Mean of Impact Value,MIV) |
| 4.4 实验环境与相关参数设置 |
| 4.4.1 模型性能指标的选取 |
| 4.4.2 对比算法模型的选取 |
| 4.5 爆破振动速度预测效果及对比分析 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 对未来的展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间研究成果 |
（2）基于BP神经网络的柴油价格预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 主要创新点 |
| 第二章 文献综述 |
| 2.1 理论基础 |
| 2.1.1 管理理论 |
| 2.1.2 价格理论综述 |
| 2.2 国内外柴油相关研究现状综述 |
| 2.2.1 成品油价格研究 |
| 2.2.2 柴油价格的影响因素 |
| 2.2.3 柴油价格研究 |
| 2.3 BP神经网络的相关研究 |
| 2.3.1 BP神经网络理论基础 |
| 2.3.2 对神经网络在应用方面的研究 |
| 2.3.3 对神经网络在算法改进方面的研究 |
| 2.3.4 BP神经网络对于柴油价格的适用性分析 |
| 2.4 本章小结 |
| 第三章 影响柴油价格的因素识别 |
| 3.1 基于德尔菲法的柴油价格影响因素分析 |
| 3.1.1 德尔菲法实施的主要步骤 |
| 3.1.2 专家小组的选定 |
| 3.1.3 资料的多次循环收集及处理 |
| 3.2 识别结果分析及影响因素含义解释 |
| 3.2.1 识别结果分析 |
| 3.2.2 影响因素的阐释 |
| 3.3 本章小结 |
| 第四章 基于BP神经网络的柴油价格预测模型的构建 |
| 4.1 人工神经网络原理 |
| 4.1.1 基本神经元 |
| 4.1.2 网络结构 |
| 4.2 BP神经网络原理 |
| 4.2.1 BP神经网络模型 |
| 4.2.2 算法实现 |
| 4.3 样本数据的选取及预处理 |
| 4.4 BP神经网络模型的确定 |
| 4.4.1 数据的输入和输出 |
| 4.4.2 网络的参数确定 |
| 4.4.3 网络的算法确定 |
| 4.5 本章小结 |
| 第五章 基于BP神经网络的实现与预测 |
| 5.1 BP神经网络的实现 |
| 5.1.1 柴油价格预测的基本思想 |
| 5.1.2 网络的算法确定 |
| 5.2 BP神经网络的训练 |
| 5.3 实际值和预测值的分析 |
| 5.4 模型对比 |
| 5.5 柴油价格预测 |
| 5.5.1 输入数据的处理预测 |
| 5.5.2 柴油价格预测 |
| 5.6 本章小结 |
| 第六章 管理启示 |
| 6.1 研究成果 |
| 6.2 相关对策建议 |
| 6.2.1 给政府部门的建议 |
| 6.2.2 给柴油企业的建议 |
| 6.3 研究的不足与展望 |
| 6.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录1 访谈提纲（因素识别） |
| 附录2 调查问卷（因素筛选） |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）碳期货与关联资产间的相依性变化机理及碳价预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.5 主要创新点 |
| 1.6 本章小结 |
| 2 文献综述 |
| 2.1 碳价驱动因素及相依性研究 |
| 2.2 关联资产间的信息溢出效应研究 |
| 2.3 关联资产间尾部相依性及极端风险溢出效应研究 |
| 2.4 碳价预测研究 |
| 2.5 本章小结 |
| 3 概念界定与相关理论基础 |
| 3.1 重要概念界定 |
| 3.2 大宗商品金融化及金融市场一体化相关理论 |
| 3.3 基于经济基础假说的相依性和信息溢出效应形成机理 |
| 3.4 相依性变化的理论基础及理论解释 |
| 3.5 本章小结 |
| 4 碳期货与关联资产间的相依性特征及相依性变化研究 |
| 4.1 碳市场与关联市场间的信息传导路径 |
| 4.2 分位数回归与模型构建 |
| 4.3 变量选取与数据预处理 |
| 4.4 EU ETS不同阶段的相依性特征分析 |
| 4.5 基于结构变点的相依性变化分析 |
| 4.6 本章小结 |
| 5 碳期货与关联资产间的动态信息溢出效应研究 |
| 5.1 溢出指数法 |
| 5.2 变量选取与数据预处理 |
| 5.3 静态信息溢出效应分析 |
| 5.4 动态信息溢出效应分析 |
| 5.5 碳期货与关联资产间的配对净溢出效应分析 |
| 5.6 稳健性检验 |
| 5.7 本章小结 |
| 6 碳期货与关联资产间的极端风险溢出效应研究 |
| 6.1 分位数VAR方法 |
| 6.2 变量选取及数据预处理 |
| 6.3 极端低分位点的实证结果分析 |
| 6.4 极端高分位点的实证结果分析 |
| 6.5 本章小结 |
| 7 重大危机事件对系统内波动溢出效应的冲击研究 |
| 7.1 多元GARCH模型及波动率脉冲响应函数 |
| 7.2 变量选取及数据预处理 |
| 7.3 基于两元BEKK-GARCH模型的时变波动相关性测度 |
| 7.4 重大事件的冲击效应分析 |
| 7.5 本章小结 |
| 8 基于关联资产信息的碳价预测研究 |
| 8.1 变量选取与数据预分析 |
| 8.2 预测模型构建与预测方法 |
| 8.3 能源及金融风险因子的预测能力对比分析 |
| 8.4 基于数据收缩技术的样本外预测结果分析 |
| 8.5 本章小结 |
| 9 研究结论及政策启示 |
| 9.1 主要研究结论 |
| 9.2 相关政策启示 |
| 9.3 研究不足与展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于电价预测的零售电价套餐形成方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电价预测研究现状 |
| 1.2.2 零售电价套餐形成研究现状 |
| 1.3 论文研究思路及研究内容 |
| 第2章 电价预测与零售电价套餐的理论基础 |
| 2.1 电价预测理论基础 |
| 2.1.1 电力价格的波动性分析 |
| 2.1.2 电力价格的影响因素 |
| 2.1.3 市场阶段对电价预测的新要求 |
| 2.2 零售电价套餐的理论基础 |
| 2.2.1 售电公司市场交易模式 |
| 2.2.2 零售电价套餐结构 |
| 2.3 本章小结 |
| 第3章 计及时序调整的Elman神经网络电价预测模型 |
| 3.1 模型的选择 |
| 3.2 Elman神经网络电价预测模型的建立 |
| 3.2.1 基于负熵最大化的电价影响因素有效信息提取 |
| 3.2.2 基于最小类内距离和最大类间距离原则的日负荷曲线聚类分析 |
| 3.3 计及时序调整的Elman神经网络电价预测模型的求解 |
| 3.3.1 递归神经网络的训练算法 |
| 3.3.2 时序调整的实现 |
| 3.4 本章小结 |
| 第4章 基于消费者参考价格决策及用户黏性的售电套餐优化设计 |
| 4.1 售电公司多模式的电能成本核算 |
| 4.2 基于用户黏性的售电公司总效用函数的建立 |
| 4.2.1 黏性函数模型的建立 |
| 4.2.2 用户群决策矩阵模型 |
| 4.2.3 售电公司总效用模型的建立 |
| 4.3 基于同化系数的消费者IRP的用户决策模型 |
| 4.3.1 同化系数及其对消费者IRP决策模型的影响 |
| 4.3.2 用户的IRP决策模型 |
| 4.4 交叉粒子群算法的售电套餐优化计算 |
| 4.4.1 交叉粒子群算法 |
| 4.4.2 算法步骤及流程 |
| 4.5 本章小结 |
| 第5章 销售电价预测及零售电价套餐形成算例分析 |
| 5.1 销售电价预测结果分析 |
| 5.1.1 负荷曲线分类结果 |
| 5.1.2 Elman神经网络训练及预测结果分析 |
| 5.2 零售电价套餐优化结果分析 |
| 5.2.1 电价套餐初计算 |
| 5.2.2 结果分析 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于改进递归神经网络模型的量化投资策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景 |
| 1.2 国内外相关研究综述 |
| 1.2.1 股市可预测性研究 |
| 1.2.2 神经网络模型用于股市预测 |
| 1.3 研究目的和意义 |
| 1.4 本文的研究内容、创新点以及章节安排 |
| 2.股市预测与神经网络概述 |
| 2.1 股票预测理论概述 |
| 2.1.1 股票价值与股票指数 |
| 2.1.2 股票预测方法 |
| 2.1.3 股价预测过程中的相关问题 |
| 2.2 神经网络概述 |
| 2.2.1 人工神经网络(ANN) |
| 2.2.2 递归神经网络(RNN) |
| 2.2.3 神经网络的训练过程 |
| 2.2.4 误差反向传播算法 |
| 3.数据描述及预处理 |
| 3.1 数据描述 |
| 3.2 异常值和缺失值处理 |
| 3.3 主成分分析 |
| 4.实证分析 |
| 4.1 实证目标 |
| 4.2 实证方案设计 |
| 4.3 实证结果 |
| 5.量化投资策略 |
| 5.1 全样本期间的交易策略 |
| 5.2 两阶段的交易策略 |
| 6.结论 |
| 参考文献 |
| 附录 |
| 后记 |
| 致谢 |
| 在读期间科研成果目录 |
（6）基于决策树与神经网络的钼金属价格预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内外现有研究述评 |
| 1.3 研究内容、方法及路径 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法及路径 |
| 2 钼金属价格影响因素分析 |
| 2.1 钼金属价格波动特点分析 |
| 2.2 影响钼金属价格的宏观因素 |
| 2.2.1 国家产业政策调整与进出口配额限制的全局性影响 |
| 2.2.2 全球金融危机与经济发展周期的客观性影响 |
| 2.2.3 社会劳动力需求及社会经济指标变化的直接性影响 |
| 2.2.4 生态环境改善需求与矿山开采条件制约的现实性影响 |
| 2.2.5 其他多种因素的影响 |
| 2.3 影响钼金属价格的微观因素 |
| 2.3.1 钼矿的分布与储量 |
| 2.3.2 钼金属市场供求关系 |
| 2.3.3 相关钼矿产品产量与价格 |
| 2.3.4 产业规模与技术发展 |
| 2.3.5 行业成本利润状况 |
| 3 钼金属价格预测算法的理论分析 |
| 3.1 模型构建的理论支撑与算法选择的依据 |
| 3.2 决策树算法基本理论 |
| 3.2.1 CART算法 |
| 3.2.2 CHAID算法和穷举CHAID算法 |
| 3.2.3 QUEST算法 |
| 3.2.4 运用决策树算法进行预测的设计思路 |
| 3.3 神经网络算法基本理论 |
| 3.3.1 BP算法与MLP神经网络 |
| 3.3.2 RBF算法 |
| 3.3.3 GRNN算法 |
| 3.3.4 运用神经网络算法进行预测的设计思路 |
| 3.4 决策树与神经网络算法的比较分析 |
| 4 基于决策树与神经网络算法的钼金属价格预测模型设计 |
| 4.1 钼金属价格预测样本集的构建 |
| 4.2 钼金属价格预测的决策树建模 |
| 4.2.1 基于CART算法的钼金属价格预测模型 |
| 4.2.2 基于穷举CHAID算法的钼金属价格预测模型 |
| 4.3 钼金属价格预测的神经网络建模 |
| 4.3.1 基于MLP神经网络的钼金属价格预测模型 |
| 4.3.2 基于RBF神经网络的钼金属价格预测模型 |
| 4.3.3 基于GRNN神经网络的钼金属价格预测模型 |
| 5 实例预测与结果分析 |
| 5.1 钼金属价格的统计量分析 |
| 5.2 CART与穷举CHAID算法的预测结果分析 |
| 5.3 MLP、RBF与GRNN神经网络算法的预测结果分析 |
| 5.4 决策树与神经网络算法预测结果的比较分析 |
| 6 结论 |
| 参考文献 |
| 附录 Ⅰ 攻读硕士学位期间的研究成果 |
| 附录 Ⅱ 钼金属价格预测模型 |
| 致谢 |
（7）基于LM-BP神经网络股票预测研究（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 1 前言 |
| 1.1 课题的研究背景 |
| 1.2 本文研究目的与意义 |
| 1.3 股票价格预测的国内外现状 |
| 1.4 本文研究内容方法和技术路线 |
| 2 概念确定与预测方法分析 |
| 2.1 股票基础概念 |
| 2.1.1 股票的概念和性质 |
| 2.1.2 股价的影响因素 |
| 2.1.3 股票术语和技术指标 |
| 2.1.4 国内外股票市场的对比及面临问题 |
| 2.2 股价预测的基本方法 |
| 2.2.1 基本分析法 |
| 2.2.2 技术分析法 |
| 2.2.3 数量分析法 |
| 2.3 股票预测方法的选择 |
| 3 标准BP神经网络及其分析 |
| 3.1 人工神经元模型 |
| 3.2 神经网络分析 |
| 3.3 神经网络的学习方式 |
| 3.4 BP神经网络基本结构 |
| 3.5 标准BP神经网络训练过程 |
| 3.6 标准BP神经网络存在的不足 |
| 3.7 BP神经网络用于预测时存在的问题分析 |
| 4 LM-BP神经网络 |
| 4.1 牛顿法的基本原理 |
| 4.2 LM-BP神经网络算法 |
| 4.3 雅克比矩阵的计算 |
| 4.4 隐含层到输出层权值偏导数计算 |
| 4.5 输出层阈值偏导数计算 |
| 4.6 输入层到隐含层权值偏导数计算 |
| 4.7 隐含层阈值偏导数计算 |
| 5 基于BP神经网络的时间序列预测方法预测股票研究 |
| 5.1 时间序列和时间序列预测的概念 |
| 5.2 基于BP神经网络时间序列预测方法 |
| 5.2.1 确定网络结构 |
| 5.2.2 基于BP神经网络的时间序列的输入输出模式 |
| 5.3 基于BP神经网络股票预测 |
| 5.3.1 网络结构 |
| 5.3.2 输入输出模式 |
| 5.4 算法流程图 |
| 6 基于BP神经网络的股票预测研究 |
| 6.1 问题描述 |
| 6.2 样本的输入输出模式 |
| 6.3 训练样本与测试样本的确定 |
| 6.4 网络训练及拟合精度分析 |
| 6.5 股票价格预测 |
| 7 股票相关指标计算及变化趋势分析 |
| 7.1 移动平均线趋势变化及分析 |
| 7.2 人气指标趋势变化及分析 |
| 7.3 乖离率趋势变化及分析 |
| 7.4 相对强弱指标趋势变化及分析 |
| 7.5 威廉指标趋势变化及分析 |
| 8 结论与展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的学术论文 |
（8）基于IWO算法的神经网络模型的研究及应用（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究背景及意义 |
| 1.3 国内外研究综述 |
| 1.3.1 基于人工神经网络的股价预测的发展现状 |
| 1.3.2 改进前向神经网络学习算法的研究现状及趋势 |
| 1.3.3 杂草算法研究现状 |
| 1.4 本文的内容组织结构 |
| 第二章 前向神经网络的学习算法 |
| 2.1 引言 |
| 2.2 BP神经网络学习算法 |
| 2.2.1 BP算法的原理分析 |
| 2.2.2 BP算法的程序实现 |
| 2.3 BP学习算法的缺陷及其改进算法 |
| 2.4 智能学习算法优化前向神经网络学习算法 |
| 2.5 入侵杂草优化算法 |
| 2.5.1 杂草生态学 |
| 2.5.2 入侵杂草优化算法 |
| 2.5.3 IWO算法的全局收敛性 |
| 2.6 差分进化算法 |
| 2.6.1 基本差分进化算法 |
| 2.6.2 差分进化算法流程 |
| 2.6.3 差分进化算法特点 |
| 2.6.4 DE算法扩展模式 |
| 2.6.5 DE算法参数介绍 |
| 2.7 复合形法 |
| 2.8 本章小结 |
| 第三章 基于入侵杂草算法的神经网络学习算法 |
| 3.1 引言 |
| 3.2 前向神经网络的基本原理 |
| 3.3 基于IWO算法的神经网络学习算法 |
| 3.3.1 IWO算法训练神经网络的可行性 |
| 3.3.2 IWO算法训练神经网络的优点 |
| 3.3.3 基于IWO算法训练神经网络的基本方法 |
| 3.3.4 基于IWO算法训练神经网络的步骤 |
| 3.4 基于CIWO算法的神经网络学习算法 |
| 3.4.1 复合形入侵杂草算法 |
| 3.4.2 CIWO算法训练神经网络的基本思想 |
| 3.4.3 CIWO算法训练神经网络的步骤 |
| 3.5 基于DEIWO算法的神经网络学习算法 |
| 3.5.1 基于差分进化的入侵杂草算法 |
| 3.5.2 DEIWO算法训练神经网络的基本思想 |
| 3.5.3 DEIWO算法训练神经网络的步骤 |
| 3.6 本章小结 |
| 第四章 基于入侵杂草算法的神经网络预测模型的建立 |
| 4.1 基于入侵杂草算法的神经网络预测模型的基本思想 |
| 4.2 神经网络用于预测的基本步骤 |
| 4.3 基于入侵杂草算法的神经网络预测模型 |
| 4.3.1 网络结构的设计 |
| 4.3.2 预测模型的数据问题 |
| 4.3.3 预测模型的建立 |
| 4.4 本章小结 |
| 第五章 预测模型的应用 |
| 5.1 引言 |
| 5.2 基于入侵杂草算法神经网络进行股票预测的实现 |
| 5.2.1 入侵杂草优化算法神经网络用于股票预测的基本步骤 |
| 5.2.2 原始数据选取 |
| 5.2.3 基于IWO算法的预测模型建立及结果分析 |
| 5.2.4 基于CIWO算法的预测模型建立及结果分析 |
| 5.2.5 基于DEIWO算法的预测模型建立及结果分析 |
| 5.2.6 几种预测模型预测结果的比较分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（9）基于遗传算法优化的BP神经网络股票价格预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要研究内容 |
| 2 股票预测的理论和方法 |
| 2.1 股票相关理论概述 |
| 2.1.1 影响股票价格的因素 |
| 2.1.2 股票价格预测中存在的问题 |
| 2.1.3 股价预测的基础 |
| 2.2 股价预测的方法 |
| 2.2.1 基本分析法 |
| 2.2.2 技术分析法 |
| 2.2.3 现代股票预测方法 |
| 2.3 股市中常用的技术指标和术语 |
| 3 BP 神经网络 |
| 3.1 神经网络概述 |
| 3.1.1 神经网络模型 |
| 3.2 BP 神经网络 |
| 3.2.1 BP 神经网络模型 |
| 3.2.2 BP 算法 |
| 3.2.3 BP 神经网络的优缺点 |
| 4 基于遗传算法优化的 BP 神经网络 |
| 4.1 遗传算法 |
| 4.1.1 遗传算法基本要素 |
| 4.1.2 遗传算法流程 |
| 4.1.3 遗传算法的特点 |
| 4.2 遗传算法对 BP 神经网络的优化 |
| 5 基于遗传算法优化的 BP 神经网络的股价预测 |
| 5.1 实验样本数据的选取与处理 |
| 5.2 BP 神经网络的设计 |
| 5.2.1 网络层数的设计 |
| 5.2.2 各层神经元数目的确定 |
| 5.2.3 初始化参数的选取 |
| 5.3 遗传算法参数的选取 |
| 5.4 基于遗传算法的 BP 神经网络股价预测的 AForge.NET 框架的实现 |
| 5.4.1 AForge.NET 框架简介 |
| 5.4.2 预测模型的建立 |
| 5.4.3 BP 网络的 AForge.NET 实现 |
| 5.4.4 遗传算法优化的 BP 神经网络的实现 |
| 5.5 实验结果分析 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 四川长虹股票数据 |
| 致谢 |
| 作者在攻读硕士期间发表的论文 |
（10）基于时间价值的神经网络的股票价格预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪言 |
| 1.1 选题的研究背景 |
| 1.2 选题的研究意义 |
| 1.3 国内外研究的现状 |
| 1.4 本文的研究内容与结构 |
| 2 股票价格预测理论与方法 |
| 2.1 股票价格预测的理论 |
| 2.2 股票价格预测方法 |
| 2.3 本章小结 |
| 3 时间价值论与神经网络概述 |
| 3.1 时间价值理论 |
| 3.2 神经网络的概述 |
| 3.3 BP 神经网络 |
| 3.4 本章小结 |
| 4 基于时间价值BP网络的股价预测模型的建立 |
| 4.1 基于时间价值的 BP 神经网络应用于股票价格预测的可行性 |
| 4.2 BP 神经网络模型结构与流程图 |
| 4.3 基于时间价值 BP 网络预测股价模型的建立 |
| 4.4 基于时间价值 BP 网络的建立 |
| 4.5 本章小结 |
| 5 实验仿真及对比分析 |
| 5.1 实验的准备工作 |
| 5.2 实验仿真结果分析 |
| 5.3 与标准 BP 网络和传统预测方法的对比 |
| 5.4 模型交易模拟 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
四、基于BP算法的股票均价预测技术研究（论文参考文献）
- [1]BAS优化神经网络算法及在非线性系统预测中的应用研究[D]. 蔡晨. 昆明理工大学, 2020(05)
- [2]基于BP神经网络的柴油价格预测研究[D]. 何智贤. 华南理工大学, 2020(06)
- [3]碳期货与关联资产间的相依性变化机理及碳价预测研究[D]. 谭雪萍. 中国矿业大学, 2019(09)
- [4]基于电价预测的零售电价套餐形成方法[D]. 李欣宁. 华北电力大学(北京), 2019(01)
- [5]基于改进递归神经网络模型的量化投资策略研究[D]. 谷永军. 西南财经大学, 2019(07)
- [6]基于决策树与神经网络的钼金属价格预测模型研究[D]. 梁元欣. 西安建筑科技大学, 2016(07)
- [7]基于LM-BP神经网络股票预测研究[D]. 韩莉. 东北农业大学, 2016(02)
- [8]基于IWO算法的神经网络模型的研究及应用[D]. 吕笑颜. 辽宁科技大学, 2015(06)
- [9]基于遗传算法优化的BP神经网络股票价格预测[D]. 张希影. 青岛科技大学, 2014(04)
- [10]基于时间价值的神经网络的股票价格预测[D]. 陈建新. 广东财经大学, 2013(02)