一、数理金融模型的神经网络算法（论文文献综述）
胡梦辉[1]（2021）在《神经网络在时序预测中的研究与应用》文中提出时序数据是指一组按时间先后顺序,以恒定的采样频率采集到的数据,通常情况下,指在等间距时间节点上的观测值。时序数据广泛存在于金融、天气、交通、建筑等方面,研究时序数据对社会发展具有重大意义。时序数据预测任务主要分为短期实时预测和长期预测:短期实时预测即根据若干历史数据值,预测下一时刻数据;长期预测即根据若干历史数据值,预测下一时间段内的数据值。本文研究神经网络在时序数据预测中的应用,包括短期实时时间序列预测和长期时间序列预测,主要研究工作有:（1）针对深度回声状态网络每个储备池的大小、权值矩阵的稀疏度都需要靠经验确定以及在每个储备池的大小、稀疏度、输入缩放因子、谱半径等参数都确定的情况下,依然存在储备池随机初始化,内部网络节点随机连接导致其性能不稳定的问题,本文将深度回声状态网络的深度架构和确定性循环跳跃状态网络的拓扑结构融合,提出深度确定性循环跳跃状态网络（deep cycle reservoir with regular jumps,DCRJ）,然后提出了用蝴蝶优化算法（butterfly optimization algorithm,BOA）构建DCRJ模型的建模方法;为了加快DCRJ模型训练速度,本文对BOA算法进行改进,提出基于莱维飞行和反向学习的蝴蝶优化算法（OLBOA）,然后在多个基准函数上测试OLBOA算法的收敛性能和寻优性能。实验表明OLBOA算法的精度和收敛速度较BOA算法有很大提高;最后用OLBOA算法构建DCRJ模型用于短期实时数据预测,并将DCRJ模型与其他模型在多个数据集上做仿真实验。实验表明DCRJ模型相比于DESN模型在不损失预测精度的情况下,稳定性得到很大提高。（2）由于时序数据大部分不具有稳定特性和线性特性,使用单一的传统统计预测和神经网络预测方法并不能达到理想的效果,且在对时间序列进行长期预测的过程中,这种不稳定性随着时间的增长影响越来越大。为此,本文提出CEEMDAN-DCRJ模型用于时序数据长期预测。首先利用CEEMDAN算法对原始时间序列进行分解,然后通过排列熵和Pearson相关系数对CEEMDAN分解得到的分量进行分析,然后将得到的分量用于DCRJ模型构建,用来对时序数据进行长期预测,最终在真实数据集上将该模型与时间卷积神经网络作对比。实验表明经过CEEMDAN分解,再对不同分量构建不同的预测模型,最后进行模态叠加得到预测结果的预测方式可提高预测精度,且CEEMDAN-DCRJ在长期时序预测有很好的效果,预测精度高于CEEMDAN-TCN模型。（3）将DCRJ模型用于桥梁智能管养仿真系统的趋势预测模块,首先介绍了桥梁的相关基础知识以及桥梁挠度和固有频率的测量方法,然后选取某座桥梁的挠度和振动传感器数据做仿真实验,验证DCRJ模型在桥梁挠度和固有频率数据预测方面的可用性,随后提出了桥梁智能管养仿真系统的架构设计方案,最终对此系统的一些功能作描述和展示。
胡聿文[2]（2021）在《基于多技术指标和深度学习模型的股票趋势预测方法研究》文中认为伴随着我国欣欣向荣的经济发展和人民日益增强的投资意识,证券市场特别是股票市场已成为普通大众最熟悉的投资方法。然而,股票市场极易受到宏微观经济、国家利好利空政策、企业自身发展实力好坏和投资者跟风恐惧心理等诸多因素的影响而产生大幅波动,具有高风险性,是一个十分复杂、难以预测的系统。并且我国证券交易所的IPO公司数量正迅猛增长,股票交易日度数据量随之陡增。因此股票市场数据建模预测的难度越来越大,传统的数据分析技术难以处理日益增长的股票相关数据,而近年来热门的深度学习数据分析技术是一种能从大量数据中获得有用的、有价值信息的重要方法,使用该技术对股票趋势进行预测有理论和实践上的重大意义。基于多技术指标和深度学习模型旨在利用股票技术指标算法得到具有专用性的股票技术指标数据,数据中存在着股票价格波动的隐含规律,再使用LASSO回归方法和主成分分析法将股票技术指标数据降维,在保留原有重要信息的同时降低数据维度并消除各项股票技术指标维度间的相关性和数据间的多重共线性,将处理完后的数据作为LSTM神经网络模型的输入数据,降低LSTM神经网络模型在训练端的运算难度,提高LSTM神经网络模型的分析效率与预测精度。同时在LSTM神经网络内部使用贝叶斯优化算法对神经网络结构超参数进行寻优,运用机器算法训练得出LSTM神经网络最优超参数,显着提升模型预测泛化能力。为了使实验具有代表性,在中国股票市场中选择2020年间深圳A股九个概念龙头股的五大类技术指标数据和股票基本数据进行训练以及预测。从对照结果来看,基于多技术指标和深度学习模型预测所得结果相比较于其他组合预测模型,在运算时间、预测精度和预测稳定性上能够取得显着优势,且具有一定的泛用性。
贺鑫[3]（2021）在《基于PLSTM-ATT的虚拟货币投资组合策略设计》文中研究说明比特币自2008年提出以来,之后便引领时代的风潮。作为一种加密货币,其基于区块链技术而产生,具有稀缺性的特点,受到了市场极大的关注,给传统货币带来了一定的冲击。之后,以比特币为代表的虚拟货币也在不断产生,到现今已有3000多种。自从机器学习算法提出以来,许多学者都在研究将机器学习算法应用于金融市场中,期间产生多种算法,促进了量化投资的发展。传统的时序神经网络（也称循环神经网络）在预测领域存在很大的改进空间,对神经网络进行改进来提高预测效果,具有很深远的现实意义。本文通过改进的LSTM（长短期记忆神经网络）模型,记为PLSTM（结合窥视孔的长短期记忆神经网络）,比较多种神经网络,如基础的LSTM、GRU（门限回归单元）等来对多种虚拟货币的价格进行预测,采用tensorflow2.0框架来实现,同时为了更好的预测和训练效率,采用滚动预测和数据量纲归一化来处理数据。由于注意力机制在机器学习领域的优势,本文在四个模型中都分别加入注意力机制,保证学习率（lr=0.001）等其余参数一致,比较在相同迭代次数为300的情况下,来判断在预测价格方面的准确度。最后本文针对某种货币最优的误差率时的结果,加入到Backtrader回测框架中进行组合收益的回测,并从不同交易策略上、以及虚拟货币投资组合和单一虚拟货币的收益情况产生对比,止损率选取5种（1%,2%,2.25%,2.5%和3%）,并从对比的效果进行分析。以比特币为例,改进的PLSTM的在预测精度的迭代效率上都具有一定的改善,在迭代次数相同的情况下（epochs=300）,PLSTM取得最小的RMSE,为355.03,MAE为234.78,在迭代的过程中,loss值第一次小于1e-3时,所用时间最短为4.547385秒,从两个角度都证明了模型的有效性,是一个较好的改进方向。同时发现PLSTM-ATT（PLSTM结合注意力机制）在8个模型中预测精度最高,RMSE为351.18,MAE为229.33,误差率为0.016495。在不同交易策略的回测期间,收益率的大小是不一样的,最高的在于BOLL（布林带）交易策略时10种虚拟的策略,收益增加了1倍。并且止损率的不同可能会导致正负收益的区别,在实际操作的过程中需要更加注重选择。本文通过比较不同神经网络模型和不同交易策略的对比分析,以此来给投资者提供一些算法和策略方面的建议。
齐太威[4]（2021）在《基于动态神经网络的多因子量化投资策略研究》文中研究说明量化投资是指通过采用数学方法,对金融数据建立模型,然后通过程序化发出买卖指令,以获得利润的交易方式,从最早提出至今已将近七十年。相比于过去的证券投资方法,量化投资具有更加理性、速度更快等特点。如今,随着深度学习理论的发展,量化投资理论也进一步发展,由于证券市场的影响因素较多且并非完全出自理性,故而证券市场是一种受到多种因素影响的非线性系统,而神经网络可以在非线性预测中表现出独有的优势,所以相比于传统的线性模型预测准确率更高。本文主要探讨动态神经网络在股市预测和量化投资策略中的应用。文章首先对量化投资的概念进行说明,简要介绍其优势和发展趋势,进而阐述证券市场中的理性和非理性因素,然后通过获取A股平安银行2018年5月至2020年11月的数据并处理生成十个比较有代表性的技术分析指标,将数据进行真实性检验,异常值剔除以及标准化后,分别作为多元线性回归、BP神经网络和长短期记忆网络三种模型的输入来预测股票的涨跌。通过比较三种模型在预测准确率上的表现,验证了神经网络在多因子模型中预测较好,并且LSTM网络优于BP神经网络。虽然BP神经网络和LSTM神经网络的预测准确率分别达到了60.5%和65%,但通过模拟交易后的年化收益率仍然不足以使其应用于实践,故而本文又提出一种改进的基于区域转折点的预测方法以及交易策略,进一步提高了预测准确率和量化投资策略的年化收益率,进而,将该模型应用于浦发银行、大同煤业和沪深300指数,其结果证明了该模型具有普遍的应用价值。通过对三种模型的预测对比实验和改进实验并进行应用推广,最终得出以下结论:1.多指标因子的BP神经网络预测效果优于多元线性回归。2.LSTM模型效果更优,三个模型中效果最佳,通过对三种模型预测结果构建交易策略,LSTM模型回测具有最好的年化收益率,但仍有待进一步提高。3.将LSTM用于模式分类,预测准确率进一步提高到83.33%,根据分类结果制定量化投资策略,将年化收益率提高到11.23%。4.基于转折点的预测模型具有普遍的适用性。
夏江流云[5]（2021）在《基于Stacking融合算法的企业贷款违约风险预警模型设计与应用》文中认为随着中国经济下行压力的增大,金融市场环境逐步恶化。企业间竞争变得越发激烈,同时企业进行外部融资的成本也在不断增加,导致市场中的企业贷款频繁发生违约。一方面,企业贷款是我国商业银行等金融机构在资产构成中的重要组成部分,如果发放的企业贷款到期债务人无法偿还本息,势必将严重损害到商业银行等金融机构的盈利水平与稳健经营的能力;另一方面,商业银行审批贷款时,会提高贷款的利率作为风险补偿,从而产生逆向选择的问题,越发地导致中小企业的融资成本增加。所以,构建一个合适的企业贷款违约风险预警模型,把有发生贷款违约可能性的企业识别出来,对于商业银行等金融机构提升资产健康程度,提前防范违约风险的发生,企业强化自身的风险控制能力有着强有力的帮助。目前我国对于贷款违约模型的运用与研究较多的停留于单一模型,缺少堆叠多个异质模型构建贷款违约预测模型的运用与研究的情况。本文利用Python、Excel等分析软件,首先利用数据预处理和特征工程构建模型指标体系。在对非平衡数据使用SMOTE过采样与Tomek Link欠采样相结合的综合采样法处理,得到平衡的样本数据。构建K最近邻、支持向量机、朴素贝叶斯、逻辑回归、Ada Boost、XGBoost、随机森林和Extra Trees 8组分类模型,结合交叉验证法与Grid Search寻找各个模型的最优参数后,择优选出K最近邻、支持向量机、Ada Boost、XGBoost、随机森林和Extra Trees模型,最后通过Stacking算法堆叠融合构建出含有6组模型的两层企业贷款违约风险预警模型。研究表明,贷款违约主体企业在贷款发生违约时其偿债能力、盈利能力、发展能力、经营能力、现金流管理能力、风险水平都明显差于正常贷款主体企业;K最近邻、支持向量机、朴素贝叶斯、逻辑回归、Ada Boost、XGBoost、随机森林和Extra Trees在综合采样法处理过后的平衡数据集中表现更佳。基于Stacking算法堆叠融合K最近邻、支持向量机、Ada Boost、XGBoost、随机森林和Extra Trees模型的融合模型取得了最高的精准率、召回率、F1值和AUC值,说明利用Stacking算法堆叠融合构建的两层企业贷款违约风险预警模型具有优异的分类性能,Stacking算法的多模型堆叠融合策略具有较强的可行性。根据研究结论本文认为:从模型角度应提高我国经济市场的信息公开力度和透明度,使得数据收集更完整,模型的运用中应该加入多维度的数据;从企业主体角度,应该不断加强自身风险发现、防范能力;从商业银行等金融机构角度,提高企业贷款违约风险预警技术,利用金融科技与人工智能来防范风险。
尤睿凡[6]（2021）在《基于时间序列模型与机器学习的组合模型的股票价格指数预测研究》文中研究指明股票价格指数主要是由相关金融服务机构或者证券交易所自行编制的,为了反映我国股票市场整体价格水平和价格变动趋势而采用的股票价格统计相对数,是一种可以反映股票市场整体价格变化的指标。用时间序列分析的方法来研究并预测股票价格指数,可以协助广大投资者制定合理的投资方案,从而获得更大收益。股票价格指数的序列包含了线性部分和非线性部分两方面的不同特征,本文通过利用传统时间序列模型中的ARIMA模型和改进的支持向量回归机的组合研究方法,对股票价格指数进行了研究和预测。在时间序列分析的各类模型中,ARIMA模型具有良好的特性,因而运用较为广泛。但是ARIMA模型无法处理数据中非线性的部分。而支持向量机,可将非线性部分投影至一个新的高维空间中并使其线性可分,从而把非线性问题直接变换为一个非线性的可分问题。沪深300指数作为我国证券市场的重要指数,有着很深远的研究意义。但是作为市场经济中时间性序列的一种,沪深300指数的序列主要受各种因素的影响,数据中线性成分与非线性成分糅合在一起。本文主要采用了组合模型的设计思想,利用ARIMA模型对沪深300指数的收盘价序列线性部分进行了预测,将残差视作数据的非线性部分利用本文改进的支持向量回归算法进行预测,构成混合模型,即先利用ARIMA模型提取数据线性成分,再用改进的支持向量回归算法处理非线性部分。得到预测值后再使用MAE、RMSE和MAPE三种指标对单一的ARIMA模型、单一的改进支持向量回归算法和组合模型以及现有的ARMA-GARCH组合模型的预测效果进行比较。实证分析的结果显示,本文所建立的组合模型的预测结果要好于ARMA-GARCH组合模型,同时也好于两种单一的模型。由于沪深300指数的不可交易性,以及在预测结果下对单一股票进行投资交易仍需要花费大量时间精力,许多对股指的预测研究在得到预测结果并进行对比分析后戛然而止,缺乏对具体投资交易方案的制定与收益率分析。因此,本文的创新点在于,在对沪深300指数的预测基础上,分别根据指数序列和指数基金序列的模型预测结果制定了沪深300指数基金合适的投资方案,并对预测模型收益率进行对比分析。分析表明,无论是使用哪一个数据,组合模型所对应的投资策略产生的收益率更高,并且10日内的收益率超过了 3%,投资收益较大。
孟丹[7]（2021）在《基于GA-BP神经网络的粮食现货电商交易中企业征信模型的研究》文中研究指明近些年来,粮食电商的兴起与发展,为大宗粮食现货交易增添了新的内容,创造了新的机遇,但同时也带来了新的隐患。由于现货电商的交易模式以及粮食企业的特殊性,一些企业存在着填报虚假资料、虚假出库、资金拖欠、粮食质量不达标、恶意违约等一系列信用风险问题,各种粮食买卖经济纠纷案件频频发生,引起了社会的高度重视。而目前对于信用风险评价的研究大都集中于银行信贷级别,对粮食现货电商交易下企业信用的判别处于一个待探索阶段。针对上述问题,本文基于粮食现货电商交易的自身特点和发展现状,对粮食企业的信用风险展开了研究。对粮食现货电商交易下影响企业信用风险的因素加以全面分析,从庞杂的指标中筛选出能够较为准确地反映粮食企业信用风险状况的定量指标及定性指标,分别从企业综合素质、企业财务状况、企业管理情况以及企业履约状况四个方面共选取了26个指标,构建信用风险评价指标体系;并将BP神经网络应用于征信模型的构建,处理各指标间的非线性关系,针对BP神经网络容易陷入局部最优解的问题,通过引入基于全局搜索的遗传算法,进行权值和阈值的选择优化并建立GA-BP神经网络模型;并在传统遗传算法的基础上,对部分参数设置进行了改进,更有利于找到种群中的最优个体作为BP神经网络的初始权值和阈值,从而更加有效地避免BP神经网络陷入局部最优解,提高模型的准确率。最后利用采集到的数据对所建立的模型进行仿真实验及对比实验,对实验结果进行分析,验证模型的有效性及准确性。本文对粮食现货电商交易中企业征信模型的研究,为粮食电商交易的环境安全提供了保障,也为电商交易中的粮食企业信用风险评价研究提供相应的参考依据。
谢良才[8]（2021）在《基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用》文中提出近十几年来,随着人们利用信息技术采集和分析数据能力的大幅提升以及人工智能技术的快速发展,极大的推动了数据挖掘技术在各类基础科学研究中的快速兴起,尤其是以人工神经网络智能算法为基础的数据挖掘技术应用更为广泛。鉴于此,本文以非线性映射能力、并行处理能力以及容错性能优异且广泛使用的BP神经网络数据挖掘技术为基础,将数据挖掘的方法和思想引入到煤热转化领域的数据规律挖掘之中,以期在煤质基础数据与其热转化特性之间探寻出有价值的内在规律或关系。本文的研究内容主要包括高性能数据挖掘技术的设计和在煤热转化领域实际应用两个方面的研究工作。首先,本文全面阐述了数据挖掘的基本理论与方法。在了解并分析了多种数据挖掘技术的基础上,重点对基于BP神经网络的数据挖掘技术进行了深入的分析与阐述。进一步的,本文针对BP神经网络算法中存在的收敛速度慢、网络初值随机性、易陷入局部极小等不足,提出了一种多算法优势集成、联合优化的改进型算法（HA-BP）,并在非线性函数仿真中得到了充分论证。此外,本文基于HA-BP算法分别设计了HA-BP-3δ异常数据检测模型、HA-BP-MIV变量因素分析模型,它们的可靠性与实用性同样在非线性函数仿真中得到了充分论证。而后,本文将该数据挖掘技术应用于煤质基础数据（工业分析、元素分析、灰成分分析）对煤燃烧发热量、煤热解特性、煤气化灰流动温度的数据规律挖掘（预测目标）研究中。（1）煤工业分析、元素分析与燃烧发热量之间的数据规律挖掘本节以104组我国不同地域（涵盖了华东、华中、华北、华南以及西北地区）的煤质基础分析数据（工业分析、元素分析）以及发热量（Qnet,ad）数据样本为研究基础。首先,采用HA-BP-3δ模型剔除了6组原始训练数据样本。清洗后的样本（原始数据使用率达到93%）,经HA-BP计算的总数据集的平均绝对误差为0.22 MJ/Kg。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,FCad、Cad、Had、Nad以及Sad与煤的发热量呈正相关性,Mad、Aad与煤的发热量呈负相关性。此外,7个因素对煤发热量的影响大小为:Cad>Aad>FCad>Mad>Nad>Sad>Had;其中,Aad、Cad、FCad对煤发热量的累计影响值达到了总贡献率的90.31%。进一步的,基于三个主要因素计算的平均绝对误差为0.47 MJ/Kg。此外,鉴于部分企业缺乏煤质元素分析的数据,进而难以使用该算法挖掘到的内在关系,为此,本文进一步的使用煤质工业分析的Mad、Aad、FCad作为输入变量,借助HA-BP模型对发热量进行了研究。计算结果发现,仅通过工业分析数据计算的发热量总样本集的平均绝对误差为0.36MJ/Kg。（2）煤热解失重特性与工业分析、元素分析数据之间的数据规律挖掘本节以10组不同产地的煤为研究样本,借助HA-BP模型考察了煤（加氢）热解失重特性曲线与其工业分析、元素分析之间的内在关联。为了实现对煤热解失重特性曲线“线”预测的目标,本文首先基于煤热解失重的典型特征,有针对性的提取了部分数据点。经HA-BP计算后,发现训练样本、检验样本的计算值与实验值数据点的相关性R2分别为0.9966、0.9943。在此基础上,提取出挖掘到的内在关系,使用HA-BP-MIV对变量因素进行了分析,分析结果显示,T、Ad、Vd、Hd、Sd对煤热解失重呈现正相关性;Cd、Nd对煤热解失重呈现负相关性。此外,7个因素对煤热解失重结果的影响大小为T>Vd>Cd>Hd>Nd>Sd>Ad;其中,T、Vd、Cd、Hd这4个因素对煤热解失重的累计影响达到了总贡献率的98.26%。进一步的,我们发现基于4个主要因素预测的精度与7因素下的预测精度几乎相当。最后,基于简化后的4个主要因素成功的预测出了未知煤样的热解失重特性曲线（精度为每隔1 ℃）,且整条失重曲线（200～1100 ℃）的绝对误差不超过2.25%。同样的方式,基于4个主要因素也成功的预测出了未知煤样的加氢热解失重特性曲线。（3）气化环境下的煤灰流动温度（FT）与其灰成分之间的数据规律挖掘本节以321组不同类型的煤灰组成以及FT数据样本作为研究基础。首先,采用HA-BP-3δ模型剔除了27组原始训练数据样本。清洗后的样本（原始数据使用率达到92%）,经HA-BP计算的总数据集的平均绝对误差为25 ℃。在此基础上,借助HA-BP-MIV算法分析了各个化学组成对FT的影响。分析结果显示,SiO2、Al2O3、TiO2与FT之间表现出正相关性;CaO、Fe2O3、MgO、K2O+Na2O与FT之间表现出负相关性。此外,7个因素对FT的影响大小为:Al2O3>SiO2>CaO>Fe2O3>K2O+Na2O>TiO2>MgO,进一步的,基于变量因素的分析结果选取了3类典型的煤灰样本,在模拟高温、气化的环境下进行了结渣机理分析,并总结了不同煤灰的结晶特征。基于此,本文将煤灰分为酸性灰、中性灰、碱性灰三个类型,其中酸性灰的FT绝大多数都高于1400 ℃。而后,借助HA-BP-MIV分别对中性灰、碱性灰进行了关键特征参量的分析,并发现探寻到的关键特征参量与FT之间存在着显着的线性相关性。最后,通过实际测试值对基于关键特征参量提出的关系式进行了验证,并取得了良好的效果。这为调控FT助剂类型的选择、添加量的确定以及不同煤种的配煤和配煤比例提供了更为直接、有效的指导。本节提出的单因素、易调控的FT计算模型如下:1:酸性灰,A/B≧6.72,FT>1400℃;2:中性灰,0.96≦A/B<6.72,FT=136x1+1143.9;3:碱性灰,A/B<0.96,FT=116.81x2+1122.3.经本文的研究发现,煤质基础数据与其发热量、热解特性、FT之间确实存在着紧密的内在联系,通过数据挖掘的思想和方法,不仅实现了对煤热转化数据的异常数据诊断以及高效预测,而且实现了基础数据样本的有效增值,更为煤热转化过程中的数理分析、影响因素分析甚至后续的研究主攻方向等提供了新的研究方法和思路。
张鹏[9]（2021）在《基于深度学习的天津港集装箱吞吐量预测研究》文中研究指明近年来在经济全球化、区域一体化和运输集装箱化等多重背景下,港口发展日益根植于宏观层次的经济和社会制度环境,港口区域发展环境也从传统上小尺度的港-城发展环境扩大至区域尺度内更紧密的发展环境。天津市经济增速放缓和环渤海港口群建设加速等外部环境变化情况直接导致天津港港口物流发展速度下降。本文在了解港口物流影响因素并建立港口吞吐量分析模型的基础上,使用LSTM、GRU和Bi-LSTM等深度学习算法进行建模,得到适合天津港集装箱预测的深度学习模型,通过情景变化系统对天津港未来集装箱吞吐量变化趋势进行解析,针对提升港口物流发展水平提出港口建设和腹地协同策略。具体实现以下研究:首先,针对天津港港口建设和港口腹地协同发展对港口物流相互影响的问题,通过港口吞吐量趋势分析和腹地经济特性分析,获取天津港集装箱吞吐量的影响因素,同时针对时序数列波动性和周期性特征,利用深度学习算法设计了集装箱吞吐量预测模型。通过实证对比得到Bi-LSTM算法构建的预测模型在天津港集装箱吞吐量预测中的稳健程度,实现通过使用港口建设和腹地经济数据预测得到天津港集装箱吞吐量发展趋势。其次,结合港口建设和腹地经济数值的历史发展趋势和政策规划导向,对天津港预测指标进行未来趋势的情景划分,并通过天津港集装箱吞吐量最优预测模型得到2019-2022年天津港集装箱吞吐量在不同影响因素情景变化下的预测结果,通过对情景变化下预测结果的趋势变化分析,深入剖析天津港建设和腹地经济对港口物流的影响情况,探究提升天津港港口物流水平的策略重点。最后,依据港口建设和腹地经济要素在不同情景变化下得到的天津港口集装吞吐量预测结果分析得到的天津港港口物流发展水平趋势,探寻得到天津港物流建设的重点,并针对港口腹地经济情况和港口建设条件提出天津港港口腹地协同发展和智慧港口建设策略。
王永乐[10]（2020）在《基于LSTM的煤炭价格预测模型研究》文中研究指明煤炭作为相关企业的核心产品,其价格预测在企业财务核算上占据重要地位,同时会计预测作为企业经济管理的重要手段,其目的是定量或定性地判断、推测和规划企业内部经济活动的发展变化规律,并对其做出评价,以指导和调节经济活动,谋求最佳经济效果,因此,对煤炭价格的研究对相关企业的财务管理具有深远影响。近年来专家学者们对煤炭价格预测的研究大多以回归拟合和计量经济学等传统的价格预测方法为主,虽然有学者将人工智能方法引入价格预测领域,但也是以BP神经网络为基础进行拓展研究,并没有深入研究LSTM模型在煤炭价格预测中的应用。基于LSTM神经网络为基础的煤炭价格预测模型可以很好的拟合我国短期煤炭价格趋势,进而为决策者提供一定的决策依据。为了搭建符合我国煤炭价格数理统计特性的预测模型,本文以秦皇岛动力煤（Q5500）周市场价为研究对象,从以下四个方面深入研究:（1）对我国煤炭价格的影响因素进行深入分析,得出各变量之间相关性较高且不易量化拟合,因此本文选择煤炭价格这一单变量进行模型构建;（2）对煤炭价格的内在数理特性进行研究,得出其具有非线性等特征传统预测模型对其的拟合效果较差,因此本文选择LSTM神经网络模型作为基础模型;（3）对LSTM模型的原理和思想进行深入分析,得出LSTM也会和其他神经网络一样容易陷入局部最优解且收敛速度较慢的问题;（4）对比前人仅从学习率去优化LSTM模型不能完全解决该问题,本文分别从模型输入端和模型优化函数入手进行改进。经实证检验得出:使用Lookahead优化算法对LSTM模型进行优化,在不降低模型性能的前提下,使得模型的收敛速度大幅提高;基于数据输入端的改进,分别使用小波变换和卡尔曼滤波进行拟合,使得预测误差从基础的3.28元/吨分别降为1.55元/吨和3.04元/吨。以上研究表明,改进后的LSTM系列模型的煤炭价格预测方法具有良好的实用性和预测精度,在去除煤炭价格噪音数据的同时,能很好的保留价格数据本身的趋势性和周期性,为研究大数据背景下的煤炭价格预测问题提供了新思路。
二、数理金融模型的神经网络算法（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、数理金融模型的神经网络算法（论文提纲范文）
（1）神经网络在时序预测中的研究与应用（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 国内外研究现状 |
| 1.2.1 基于数理统计的预测模型研究现状 |
| 1.2.2 基于数据驱动的研究现状 |
| 1.3 本文的研究内容 |
| 1.4 论文结构安排 |
| 第二章 时序预测相关理论与算法 |
| 2.1 时序预测相关算法 |
| 2.1.1 基于数理模型的预测方法 |
| 2.1.2 基于神经网络的时序预测方法 |
| 2.2 蝴蝶优化算法 |
| 2.3 经验模态分解 |
| 2.4 排列熵 |
| 2.5 本章小结 |
| 第三章 基于DCRJ的实时时序数据预测 |
| 3.1 DCRJ算法 |
| 3.1.1 DCRJ算法概述 |
| 3.1.2 DCRJ算法步骤 |
| 3.2 OLBOA算法 |
| 3.2.1 OLBOA算法概述 |
| 3.2.2 OLBOA算法步骤 |
| 3.3 仿真实验 |
| 3.3.1 OLBOA算法性能分析 |
| 3.3.2 DCRJ算法性能分析 |
| 3.4 本章小结 |
| 第四章 基于CEEMDAN-DCRJ的长期时序数据预测 |
| 4.1 CEEMDAN-DCRJ算法 |
| 4.1.1 CEEMDAN算法 |
| 4.1.2 CEEDAN-DCRJ算法实现 |
| 4.2 仿真实验 |
| 4.2.1 评价指标 |
| 4.2.2 数据集介绍 |
| 4.2.3 CEEMDAN分解结果展示 |
| 4.2.4 预测结果分析 |
| 4.3 本章小结 |
| 第五章 时序预测在桥梁智能管养系统中应用实现 |
| 5.1 相关知识介绍 |
| 5.1.1 桥梁知识介绍 |
| 5.1.2 传感器知识介绍 |
| 5.2 仿真实验 |
| 5.2.1 桥梁传感器基本参数介绍 |
| 5.2.2 实验对比 |
| 5.3 系统需求分析 |
| 5.3.1 社会需求分析 |
| 5.3.2 系统功能性分析 |
| 5.4 系统架构 |
| 5.4.1 系统运行环境 |
| 5.4.2 趋势分析模块架构图 |
| 5.5 桥梁健康预测仿真系统展示 |
| 5.5.1 系统界面展示 |
| 5.5.2 系统测试结果展示 |
| 5.6 本章小结 |
| 总结与展望 |
| 论文工作小结 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间主要工作 |
（2）基于多技术指标和深度学习模型的股票趋势预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究概述 |
| 1.2.1 技术分析法概述 |
| 1.2.2 基本面分析法概述 |
| 1.2.3 数据分析方法概述 |
| 1.3 论文主要研究内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.4 论文结构安排 |
| 第二章 相关技术 |
| 2.1 股票价格概论 |
| 2.2 基于多维技术指标的股票价格趋势表示方法 |
| 2.2.1 股票技术指标理论 |
| 2.2.2 基于多维技术指标的股票趋势特征表示 |
| 2.3 股票价格预测技术分析方法 |
| 2.3.1 LASSO回归 |
| 2.3.2 主成分分析法(PCA) |
| 2.3.3 KMO和 Bartlett’s球型检验 |
| 2.3.4 长短期记忆神经网络(LSTM) |
| 2.3.5 贝叶斯优化(Byesian Optimization) |
| 2.4 本章小结 |
| 第三章 LSTM神经网络及其分析 |
| 3.1 理论依据分析 |
| 3.2 LSTM神经网络的不足 |
| 3.3 改进方法 |
| 3.4 本章小结 |
| 第四章 基于多技术指标和深度学习模型的设计 |
| 4.1 数据预处理 |
| 4.1.1 数据标准化 |
| 4.1.2 LASSO回归 |
| 4.1.3 提取主成分 |
| 4.2 基于贝叶斯优化神经网络模型设计 |
| 4.2.1 网络拓扑结构设计 |
| 4.2.2 网络激活函数设计 |
| 4.2.3 神经网络参数设计 |
| 4.2.4 贝叶斯优化LSTM模型超参数 |
| 4.3 评价指标选取 |
| 4.4 本章小结 |
| 第五章 基于多技术指标和深度学习模型的股票价格预测 |
| 5.1 样本选取 |
| 5.1.1 样本数据处理 |
| 5.1.2 样本数据LASSO回归 |
| 5.1.3 样本主成分分析 |
| 5.2 基于贝叶斯优化超参数的LSTM模型 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文工作展望 |
| 参考文献 |
| 在校期间发表论文情况 |
| 致谢 |
（3）基于PLSTM-ATT的虚拟货币投资组合策略设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线图 |
| 1.4 本文主要贡献 |
| 第二章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 投资组合理论 |
| 2.1.2 量化投资理论 |
| 2.1.3 行为金融学理论 |
| 2.1.4 机器学习与神经网络理论 |
| 2.1.5 相关理论总结 |
| 2.2 相关文献综述 |
| 2.2.1 虚拟货币投资组合文献综述 |
| 2.2.2 LSTM的改进与量化投资 |
| 2.2.3 相关文献述评 |
| 第三章 虚拟货币投资组合策略分析与构思 |
| 3.1 虚拟货币交易策略设计的提出 |
| 3.1.1 虚拟货币交易现状与特点 |
| 3.1.2 构建虚拟货币投资组合的必要性 |
| 3.1.3 机器学习预测模型的选择 |
| 3.2 虚拟货币投资组合策略的设计思路 |
| 3.3 虚拟货币投资组合策略的理论框架 |
| 3.3.1 虚拟货币价格预测的特征选择 |
| 3.3.2 虚拟货币的价格预测-神经网络模型 |
| 3.3.3 虚拟货币投资组合权重的计算方案 |
| 3.3.4 虚拟货币交易策略理论 |
| 3.3.5 虚拟货币投资组合策略评价方法 |
| 3.3.6 Backtrader回测框架简介 |
| 第四章 虚拟货币投资组合策略设计方案 |
| 4.1 数据的描述 |
| 4.1.1 数据的来源与分组 |
| 4.1.2 数据的描述性统计与可视化 |
| 4.2 LSTM模型的改进 |
| 4.3 虚拟货币价格的预测分析 |
| 4.3.1 滚动预测与归一化处理 |
| 4.3.2 虚拟货币投资组合权重的构建 |
| 4.4 虚拟货币组合策略设计框架 |
| 第五章 虚拟货币投资组合交易策略的有效性评价 |
| 5.1 多种神经网络模型预测精度的有效性评价 |
| 5.1.1 未加Attention机制的模型预测的有效性评价 |
| 5.1.2 加入Attention机制的模型预测的有效性评价 |
| 5.2 不同策略下的虚拟货币投资组合策略的有效性评价 |
| 5.2.1 SMA交易策略的有效性评价 |
| 5.2.2 BOLL交易策略的有效性评价 |
| 5.2.3 MACD交易策略的有效性评价 |
| 5.3 虚拟货币交易策略风险提示 |
| 第六章 结论 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
（4）基于动态神经网络的多因子量化投资策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 量化投资策略研究背景及意义 |
| 1.2 神经网络以及量化投资的发展现状 |
| 1.2.1 神经网络的发展现状 |
| 1.2.2 量化投资的发展现状 |
| 1.3 本文组织结构及创新点 |
| 2 相关理论基础 |
| 2.1 股市中的理性和非理性因素 |
| 2.1.1 有效市场假说 |
| 2.1.2 行为金融学 |
| 2.2 证券分析方法 |
| 2.2.1 基本面分析 |
| 2.2.2 技术分析 |
| 2.3 相关金融理论模型 |
| 2.3.1 资本资产定价模型 |
| 2.3.2 套利定价模型 |
| 2.4 基于机器学习的多元线性回归 |
| 2.5 理性与线性的关系 |
| 2.6 人工神经网络 |
| 2.6.1 人工神经网络产生非线性结果的原理 |
| 2.6.2 BP神经网络 |
| 2.7 动态神经网络简介 |
| 2.8 量化投资过程 |
| 2.9 量化投资策略概述 |
| 2.10 本章小结 |
| 3 动态神经网络在量化投资策略中的应用 |
| 3.1 动态神经网络对股市的适用性验证 |
| 3.1.1 循环神经网络 |
| 3.1.2 长短期记忆网络 |
| 3.2 实验环境 |
| 3.3 实验数据集的获取及预处理 |
| 3.4 模型训练 |
| 3.4.1 基于机器学习的多元线性回归 |
| 3.4.2 基于BP神经网络的股票预测 |
| 3.4.3 基于LSTM的股票预测 |
| 3.5 构建交易策略与回测检验 |
| 3.6 实验结果对比分析 |
| 3.7 本章小结 |
| 4 动态神经网络模式识别在交易策略中的应用 |
| 4.1 模式识别方法概述 |
| 4.2 一种基于 LSTM 神经网络的模式识别方法 |
| 4.3 模型的输入和输出 |
| 4.4 制定交易策略并回测 |
| 4.5 基于转折点的量化投资策略的应用推广 |
| 4.5.1 模型在浦发银行数据上的应用 |
| 4.5.2 模型在大同煤业数据上的应用 |
| 4.5.3 模型在沪深 300 指数上的应用 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 附录1 攻读硕士学位期间参与的项目和发表论文 |
| 附录2 主要英文缩写语对照表 |
（5）基于Stacking融合算法的企业贷款违约风险预警模型设计与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外对贷款违约风险相关研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究思路与研究方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 本文的创新与不足之处 |
| 第2章 企业贷款违约现状概述与企业贷款违约风险理论 |
| 2.1 我国企业贷款违约现状 |
| 2.2 企业贷款违约风险理论 |
| 第3章 机器学习分类算法理论 |
| 3.1 单分类算法 |
| 3.1.1 K最近邻 |
| 3.1.2 支持向量机 |
| 3.2 集成学习算法 |
| 3.2.1 随机森林算法 |
| 3.2.2 ExtraTrees算法 |
| 3.2.3 AdaBoost算法 |
| 3.2.4 XGBoost算法 |
| 3.3 Stacking模型融合算法 |
| 第4章 数据预处理与特征工程 |
| 4.1 数据来源 |
| 4.2 数据预处理 |
| 4.2.1 数据清洗 |
| 4.2.2 数据缺失值处理 |
| 4.2.3 数据离群点处理 |
| 4.2.4 数据缩放处理 |
| 4.2.5 独热编码 |
| 4.2.6 数据平衡化—SMOTE算法 |
| 4.3 特征工程 |
| 4.3.1 互信息法 |
| 4.3.2 Wrapper包装法 |
| 4.3.3 单变量特征选择 |
| 第5章 预警模型指标体系构建与描述性统计 |
| 5.1 指标体系概述 |
| 5.2 描述性统计 |
| 5.2.1 企业贷款整体比例情况 |
| 5.2.2 偿债能力 |
| 5.2.3 经营能力 |
| 5.2.4 盈利能力 |
| 5.2.5 现金流管理能力 |
| 5.2.6 风险水平 |
| 5.2.7 发展能力 |
| 第6章 基于Stacking算法的模型构建与应用 |
| 6.1 模型评估指标体系 |
| 6.1.1 混淆矩阵 |
| 6.1.2 受试者工作特征 |
| 6.1.3 模型评估方式 |
| 6.2 模型参数优化与模型比较 |
| 6.2.1 模型参数优化 |
| 6.2.2 模型比较 |
| 6.3 构建Stacking算法堆叠融合模型与性能评估 |
| 6.3.1 Stacking模型构建 |
| 6.3.2 模型结果分析 |
| 6.3.3 Stacking第一层模型的特征重要性度量 |
| 6.3.4 Stacking第一层模型贡献度评估 |
| 6.3.5 样本外数据检验 |
| 第7章 结论与建议 |
| 7.1 结论 |
| 7.2 建议 |
| 参考文献 |
| 致谢 |
（6）基于时间序列模型与机器学习的组合模型的股票价格指数预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与问题提出 |
| 1.1.1 研究背景 |
| 1.1.2 问题提出 |
| 1.2 研究目的与研究意义 |
| 1.3 研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容 |
| 1.5 研究方法 |
| 1.5.1 股票价格指数预测的常用方法 |
| 1.5.2 本文研究思路与研究方法 |
| 第二章 组合模型的理论基础 |
| 2.1 时间序列模型的基本理论 |
| 2.1.1 几种时间序列模型的基本介绍 |
| 2.1.2 ARIMA模型的建模步骤 |
| 2.2 机器学习理论 |
| 2.2.1 原始SVM模型理论 |
| 2.2.2 改进的SVM模型 |
| 2.2.3 改进的支持向量机的回归形式 |
| 2.2.4 核函数的选取 |
| 2.3 本章小结 |
| 第三章 组合模型的建立 |
| 3.1 时间序列模型的建立 |
| 3.1.1 样本筛选与说明 |
| 3.1.2 金融时间序列预处理 |
| 3.1.3 平稳模型定阶 |
| 3.2 改进的SVM回归算法建立 |
| 3.3 组合模型的建立 |
| 3.4 本章小结 |
| 第四章 模型预测实证研究 |
| 4.1 模型预测结果 |
| 4.2 实证研究结果分析 |
| 4.3 本章小结 |
| 第五章 基于组合模型的股指基金收益分析 |
| 5.1 股指基金的选取 |
| 5.2 股指基金交易策略制定 |
| 5.3 模型收益率对比 |
| 5.3.1 基于沪深300指数序列的不同模型收益率对比 |
| 5.3.2 基于沪深300指数基金序列的不同模型收益率对比 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（7）基于GA-BP神经网络的粮食现货电商交易中企业征信模型的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外粮食电商交易研究现状 |
| 1.2.2 国内外信用风险评价研究现状 |
| 1.2.3 BP神经网络在信用评价中的应用现状 |
| 1.3 主要研究内容及创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文创新点 |
| 1.4 论文组织安排 |
| 1.5 本章小结 |
| 第2章 相关理论与技术介绍 |
| 2.1 BP神经网络 |
| 2.1.1 BP神经网络的基本原理 |
| 2.1.2 BP神经网络的算法流程 |
| 2.1.3 影响因素分析 |
| 2.1.4 BP神经网络的优缺点 |
| 2.2 遗传算法 |
| 2.2.1 遗传算法简介 |
| 2.2.2 遗传算法的机理 |
| 2.2.3 遗传算法的基本要素 |
| 2.2.4 遗传算法的流程 |
| 2.2.5 遗传算法的特点 |
| 2.3 遗传算法对BP神经网络的优化 |
| 2.3.1 总体优化思路 |
| 2.3.2 优化步骤 |
| 2.4 本章小结 |
| 第3章 信用风险评价指标体系的建立 |
| 3.1 粮食现货电商交易及其企业特点 |
| 3.1.1 粮食现货电商交易及其特点 |
| 3.1.2 粮食企业特点 |
| 3.2 信用风险评价指标选择及其体系构建的原则 |
| 3.2.1 信用风险评价指标选择的原则 |
| 3.2.2 信用风险评价指标体系构建的原则 |
| 3.3 信用风险评价指标体系的建立 |
| 3.3.1 信用评价指标的选取 |
| 3.3.2 指标权重的计算 |
| 3.3.3 定性指标的量化 |
| 3.4 信用评价等级划分表 |
| 3.5 本章小结 |
| 第4章 GA-BP神经网络企业征信模型的构建 |
| 4.1 基于GA-BP神经网络的企业征信模型的设计思想 |
| 4.2 基于GA-BP神经网络的企业征信模型的构建流程 |
| 4.3 BP神经网络设计 |
| 4.3.1 隐藏层层数的确定 |
| 4.3.2 输入层与输出层节点数的确定 |
| 4.3.3 隐藏层节点数的确定 |
| 4.3.4 设定初始权值和阈值 |
| 4.3.5 传递函数的选择 |
| 4.3.6 学习率的选择 |
| 4.3.7 其他运行参数的设定 |
| 4.3.8 各层之间的权值与阈值调整公式 |
| 4.4 遗传算法设计 |
| 4.4.1 编码方式设计 |
| 4.4.2 种群初始化 |
| 4.4.3 适应度函数的设计 |
| 4.4.4 选择操作设计 |
| 4.4.5 交叉操作设计 |
| 4.4.6 变异操作设计 |
| 4.4.7 交叉和变异概率设计 |
| 4.5 本章小结 |
| 第5章 仿真实验及结果分析 |
| 5.1 数据的采集与预处理 |
| 5.2 模型仿真实验 |
| 5.2.1 BP神经网络模型的仿真实验 |
| 5.2.2 GA-BP神经网络模型的仿真实验 |
| 5.3 结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 个人简历及在校期间科研成果 |
| 致谢 |
（8）基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用（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 常见的煤热转化方式 |
| 1.3 国内、外数据挖掘的研究及应用现状 |
| 1.4 数据挖掘的由来 |
| 1.5 数据挖掘的任务及基本过程 |
| 1.5.1 数据挖掘的任务 |
| 1.5.2 数据挖掘的基本过程 |
| 1.6 常用的数据挖掘的方法 |
| 1.7 人工神经网络 |
| 1.7.1 主要的人工神经网络模型 |
| 1.8 本文的组织框架及研究内容 |
| 第二章 BP神经网络的算法理论及其算法优化探究 |
| 2.1 BP神经网络概述 |
| 2.2 BP神经网络的运行机制 |
| 2.2.1 BP神经网络的理论推理过程 |
| 2.3 BP神经网络的优缺点 |
| 2.3.1 BP神经网络的优点 |
| 2.3.2 BP神经网络的缺点 |
| 2.4 BP神经网络算法的优化分析 |
| 2.4.1 自身算法的直接改进 |
| 2.4.2 与其它智能算法的联用 |
| 2.4.3 多算法优势集成的设计与实现(HA-BP) |
| 2.5 BP神经网络算法优化的检验 |
| 2.5.1 建模与分析 |
| 2.5.2 BP神经网络的计算效果分析 |
| 2.5.3 A-BP神经网络的计算效果分析 |
| 2.5.4 GA-BP神经网络的计算效果分析 |
| 2.5.5 PSO-BP神经网络的计算效果分析 |
| 2.5.6 HA-BP神经网络的计算效果分析 |
| 2.5.7 各模型计算效果对比 |
| 2.6 本章小结 |
| 第三章 异常数据检测(剔除)及变量因素分析(选择) |
| 3.1 异常数据检测(剔除) |
| 3.1.1 异常数据检测方法 |
| 3.1.2 非线性函数仿真验证 |
| 3.1.3 检测效果分析 |
| 3.2 变量因素的分析与选择 |
| 3.2.1 特征参量的选取方法 |
| 3.2.2 HA-BP-MIV算法的实现过程 |
| 3.2.3 HA-BP-MIV算法的仿真验证 |
| 3.3 本章小结 |
| 第四章 煤燃烧发热量的预测探究 |
| 4.1 引言 |
| 4.2 样本情况 |
| 4.3 基于工业分析、元素分析数据预测发热量的建模与探究 |
| 4.3.1 发热量计算的建模与分析 |
| 4.3.2 发热量的预测以及异常数据检测 |
| 4.3.3 影响发热量的变量因素分析 |
| 4.3.4 主要因素提取与计算效果分析 |
| 4.4 基于工业分析数据计算发热量的探究 |
| 4.5 本章小结 |
| 第五章 煤(加氢)热解失重特性曲线的预测探究 |
| 5.1 引言 |
| 5.2 煤样情况 |
| 5.3 基于工业分析、元素分析的煤热解失重特性预测模型 |
| 5.3.1 热解失重实验 |
| 5.3.2 特征数据点的选择与模型建立 |
| 5.3.3 变量分析与筛选 |
| 5.3.4 主要因素的计算效果分析 |
| 5.3.5 热解失重曲线的预测 |
| 5.4 基于工业分析、元素分析的煤加氢热解失重特性预测模型 |
| 5.4.1 加氢热解失重实验 |
| 5.4.2 特征数据点的选择与模型建立 |
| 5.4.3 变量分析与筛选 |
| 5.4.4 主要因素的计算效果分析 |
| 5.4.5 加氢热解失重曲线的预测 |
| 5.5 本章小结 |
| 第六章 煤灰流动温度(FT)的预测探究 |
| 6.1 引言 |
| 6.2 样本情况 |
| 6.3 基于煤灰组成数据预测FT的建模与探究 |
| 6.3.1 预测FT的建模与分析 |
| 6.3.2 FT的预测以及异常数据检测 |
| 6.3.3 影响FT的变量因素分析 |
| 6.3.4 主要因素提取与计算效果分析 |
| 6.4 典型灰样的结渣机理探究及结渣晶相的特征总结 |
| 6.4.1 典型灰样的基础数据测试 |
| 6.4.2 AFTs的测试与分析 |
| 6.4.3 典型灰样的XRD分析 |
| 6.4.4 混合样的灰渣XRD分析 |
| 6.4.5 反应机理的热力学分析 |
| 6.4.6 灰渣样的SEM-EDS分析 |
| 6.4.7 灰样的相图分析 |
| 6.4.8 新生成的矿物对共混灰FT的影响 |
| 6.5 煤灰的分类预测研究 |
| 6.5.1 结渣晶相的特征总结与煤灰的分类 |
| 6.5.2 影响FT的关键因素探究 |
| 6.5.3 “关键特征参量”对FT的影响与关系式的提出 |
| 6.5.4 关系式的验证 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 总结 |
| 7.2 特色与创新 |
| 7.3 展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（9）基于深度学习的天津港集装箱吞吐量预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究目的与方法 |
| 1.2.1 研究目的 |
| 1.2.2 研究方法 |
| 1.2.3 主要创新点 |
| 1.3 技术路线和研究内容 |
| 1.3.1 技术路线 |
| 1.3.2 研究内容 |
| 第二章 文献综述 |
| 2.1 港口物流相关研究文献 |
| 2.1.1 港口物流影响因素研究 |
| 2.1.2 港口物流竞争力研究 |
| 2.1.3 港口物流与腹地关系研究 |
| 2.2 港口吞吐量预测相关研究文献 |
| 2.2.1 基于数理统计的港口物流预测研究 |
| 2.2.2 基于机器学习的港口物流预测研究 |
| 2.2.3 基于深度学习的港口物流预测研究 |
| 2.3 文献评述 |
| 第三章 天津港口物流与腹地经济发展现状分析 |
| 3.1 天津港口物流现状分析 |
| 3.1.1 天津港概述 |
| 3.1.2 天津港口物流发展现状 |
| 3.1.3 天津港港口吞吐量时序分析 |
| 3.2 天津港腹地发展现状分析 |
| 3.2.1 港口腹地概述 |
| 3.2.2 天津港港口腹地划定 |
| 3.2.3 天津港腹地经济发展现状分析 |
| 3.3 天津港集装箱吞吐量主要影响因素分析 |
| 3.3.1 天津港集装箱吞吐量影响因素筛选 |
| 3.3.2 港口发展水平对集装箱吞吐量的影响 |
| 3.3.3 腹地经济水平对集装箱吞吐量的影响 |
| 第四章 天津港集装箱吞吐量预测 |
| 4.1 实验设计 |
| 4.1.1 预测思路 |
| 4.1.2 实验方法 |
| 4.1.3 实验数据 |
| 4.2 天津港集装箱吞吐量预测模型构建 |
| 4.2.1 实验数据预处理 |
| 4.2.2 预测模型架构 |
| 4.2.3 模型参数与功能指标 |
| 4.2.4 深度学习预测模型构建 |
| 4.3 天津港集装箱吞吐量预测结果分析 |
| 4.3.1 天津港集装箱预测结果分析 |
| 4.3.2 预测模型性能评估 |
| 4.3.3 预测模型灵敏度分析 |
| 第五章 天津港港口物流与腹地经济协同发展策略研究 |
| 5.1 不同情境下的天津港集装箱吞吐量预测 |
| 5.1.1 情景分类 |
| 5.1.2 预测结果及分析 |
| 5.1.3 天津港港口物流发展问题分析 |
| 5.2 天津港港口建设策略 |
| 5.2.1 加速智慧港口建设 |
| 5.2.2 拓展港航业产业链 |
| 5.3 天津港港口与腹地协同发展策略 |
| 5.3.1 构建贯通腹地的运输网络 |
| 5.3.2 打造海铁多式联运航运枢纽 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（10）基于LSTM的煤炭价格预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 基于计量经济学的价格预测方法 |
| 1.2.2 基于人工智能模型的价格预测方法 |
| 1.2.3 文献述评 |
| 1.3 研究内容、方法及思路 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究思路 |
| 2 LSTM模型预测原理 |
| 2.1 煤炭价格短期预测的方法 |
| 2.2 神经网络简介 |
| 2.2.1 神经网络的组成 |
| 2.2.2 神经网络的激活函数 |
| 2.2.3 神经网络的分类 |
| 2.3 LSTM模型及特征 |
| 2.3.1 循环神经网络的原理 |
| 2.3.2 循环神经网络模型的优势及问题 |
| 2.3.3 LSTM神经网络理论分析 |
| 2.3.4 LSTM神经网络优势及问题 |
| 3 煤炭价格影响因素及统计特性 |
| 3.1 影响煤炭价格的因素 |
| 3.1.1 生产成本 |
| 3.1.2 煤炭产量 |
| 3.1.3 煤炭消费 |
| 3.1.4 替代能源 |
| 3.1.5 库存变化 |
| 3.1.6 煤炭进出口 |
| 3.1.7 国际市场煤炭价格 |
| 3.1.8 政治经济因素 |
| 3.2 煤炭价格的数理统计特性 |
| 3.2.1 非平稳 |
| 3.2.2 周期性和趋势性 |
| 3.2.3 高噪音性 |
| 3.2.4 非线性 |
| 3.2.5 波动性和波动周期性 |
| 3.2.6 非随机性 |
| 3.2.7 低频性 |
| 3.3 预测模型选择分析 |
| 4 模型建立 |
| 4.1 WT-LSTM模型的构建 |
| 4.1.1 小波变换 |
| 4.1.2 应用分析 |
| 4.2 Kalman-LSTM模型的构建 |
| 4.2.1 kalman滤波基础理论 |
| 4.2.2 应用分析 |
| 4.3 Lookahead-LSTM模型的构建 |
| 4.3.1 问题分析 |
| 4.3.2 Lookahead算法 |
| 4.3.3 应用分析 |
| 5 模型检验 |
| 5.1 实验样本说明 |
| 5.2 实验准备 |
| 5.2.1 数据准备 |
| 5.2.2 LSTM模型准备 |
| 5.2.3 相关模型参数说明 |
| 5.3 模型对比分析 |
| 5.3.1 预测准确度对比 |
| 5.3.2 拟合趋势性对比 |
| 5.3.3 训练耗时对比 |
| 5.3.4 拟合误差对比 |
| 5.4 模型应用评价 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间的研究成果 |
四、数理金融模型的神经网络算法（论文参考文献）
- [1]神经网络在时序预测中的研究与应用[D]. 胡梦辉. 江南大学, 2021(01)
- [2]基于多技术指标和深度学习模型的股票趋势预测方法研究[D]. 胡聿文. 江西财经大学, 2021(09)
- [3]基于PLSTM-ATT的虚拟货币投资组合策略设计[D]. 贺鑫. 上海师范大学, 2021(07)
- [4]基于动态神经网络的多因子量化投资策略研究[D]. 齐太威. 武汉邮电科学研究院, 2021(01)
- [5]基于Stacking融合算法的企业贷款违约风险预警模型设计与应用[D]. 夏江流云. 江西财经大学, 2021(10)
- [6]基于时间序列模型与机器学习的组合模型的股票价格指数预测研究[D]. 尤睿凡. 山东大学, 2021(12)
- [7]基于GA-BP神经网络的粮食现货电商交易中企业征信模型的研究[D]. 孟丹. 沈阳师范大学, 2021(09)
- [8]基于BP神经网络的数据挖掘技术探究及其在煤热转化数据规律分析中的应用[D]. 谢良才. 西北大学, 2021(12)
- [9]基于深度学习的天津港集装箱吞吐量预测研究[D]. 张鹏. 天津理工大学, 2021(08)
- [10]基于LSTM的煤炭价格预测模型研究[D]. 王永乐. 西安科技大学, 2020(12)