检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

s&p500指数的宏观经济多因素模型

S&P500指数的宏观经济多因素模型

基于小波神经网络的s&p500短期走势预测

第三届（2008）中国管理学年会——创业与中小企业管理分会场

作者：陈莹潘和平电子科技大学预测研究中心西南财经大学中国金融研究中心国际金融预测研究所 swingtum Institute of Intelligent Finance Australia

本文以无套利定价模型的思想为基础,用统计分析的方法,检验了10个宏观经济指标和美国标准股指s&p500的关系。这10个经济指标是:就业情况报告、制造业的供应管理调查、每周失业救济申请报告、消费者物价指数、生产者物价指数、零售额、... 详细信息

本文以无套利定价模型的思想为基础,用统计分析的方法,检验了10个宏观经济指标和美国标准股指s&p500的关系。这10个经济指标是:就业情况报告、制造业的供应管理调查、每周失业救济申请报告、消费者物价指数、生产者物价指数、零售额、工业产量、消费者信心和消费者情绪调查、耐用品的前一季度先期报告和国内生产总值。在数据融合的基础上,我们用了相关系数分析、图形对比分析和回归分析三种方法来发掘它们之间可能存在的联系。这项研究为发现经济波动与股市波动之间的动态关系提供了客观基础。

关键词：套利定价模型多因素模型宏观经济指标 s&p500 股指预测

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

西北农林科技大学学报（社会科学版） 2002年第6期2卷 26-29页

作者：王洪刚韩文秀天津大学管理学院天津30072

将小波神经网络应用于 s&p5 0 0短期走势预测 ,应用从 1 998年 3月 2 0日至 1 999年 4月 2 6日 s&p5 0 0的每周数据 ,建立小波神经网络预测模型。训练后的小波神经网络不仅能准确地拟合 s&p5 0 0的历史数据 ,而且能较精确地预测未来的... 详细信息

将小波神经网络应用于 s&p5 0 0短期走势预测 ,应用从 1 998年 3月 2 0日至 1 999年 4月 2 6日 s&p5 0 0的每周数据 ,建立小波神经网络预测模型。训练后的小波神经网络不仅能准确地拟合 s&p5 0 0的历史数据 ,而且能较精确地预测未来的短期走势。结果表明 s&p5 0

关键词：小波神经网络短期走势 s&p500 共扼梯度美国股票市场标准普尔500家指数

基于GARCH模型的股票收盘价预测实证分析——以s&p500为例

在线全文

学校读者我要写书评

暂无评论

通讯世界 2019年第8期26卷 344-345页

作者：朱慧慧河南财经政法大学

本文以2010年5月5日至2019年5月5日s&p500股票收盘价为研究对象,应用GARCH模型,将s&p500股票收盘价的水平模型和波动模型结合起来进行实证分析,实证分析结果表明拟合GARCH,对股票投资者在一段时间内预测收益率是否有较大的波动,有较好... 详细信息

本文以2010年5月5日至2019年5月5日s&p500股票收盘价为研究对象,应用GARCH模型,将s&p500股票收盘价的水平模型和波动模型结合起来进行实证分析,实证分析结果表明拟合GARCH,对股票投资者在一段时间内预测收益率是否有较大的波动,有较好的预测作用,希望为投资者做决策提供一定参考意见。

关键词： s&p500 GARCH模型收盘价预测

基于深度学习的s＆p 500每日收盘价预测

在线全文

学校读者我要写书评

暂无评论

基于深度学习的S＆P 500每日收盘价预测

作者：贝骏豪（Kenneth paul Burnette II）哈尔滨工业大学

学位级别：硕士

长期以来,股票市场预测一直是投资者,交易员和经济学家的关注重点。经济预测使经济学家可以为政府官员和企业主提出建议,但是当前的模型主要基于通货膨胀,利率,工业生产,消费者信心,工人生产率,零售销售和失业率。本文着重于经济预测的... 详细信息

长期以来,股票市场预测一直是投资者,交易员和经济学家的关注重点。经济预测使经济学家可以为政府官员和企业主提出建议,但是当前的模型主要基于通货膨胀,利率,工业生产,消费者信心,工人生产率,零售销售和失业率。本文着重于经济预测的另一个重要方面:股市趋势。在我们的研究中,我们将使用最先进的深度学习算法来预测未来30天标准普尔500指数的价值。本研究并非旨在创建股票市场交易算法。相反,这项研究旨在预测标准普尔500指数中的经济趋势。在我们的研究中,我们使用了其中三种深度学习算法。在相等的基础上对它们进行比较,并尽可能使用相同的数据集和参数。我们的第一个算法是长短期记忆（LsTM）算法。第二个模型是改进的门控循环单元（GRU）,第三个模型是双向GRU（Bi-GRU）。在我们的研究中,我们展示了 Bi-GRU算法模型提高的准确性。如论文中所示,随着这些功能从LsTM到GRU再到Bi-GRU的发展,这些模型获得了增强的预测能力,这是我们编程增强的每一步都可以提高模型的可预测性和准确性。股票市场预测的机器学习应用程序中的大多数研究都使用LsTM算法进行预测。我们采用最新的TensorFlow算法结构,并将其应用于标准普尔500指数的历史数据,并尝试使用Yahoo Finance的公开数据集来预测该指数在未来30天的未来收盘价。我们的发现很有希望。近年来,机器学习和人工智能的发展改变了股票市场的预测并使之现代化。在全球范围内,到2025年,人工智能市场的规模预计将达到3,009亿美元。人工智能算法已经发展到这样的程度,即当客户准备好进行购买时,亚马逊就可以高度肯定地知道这一点。客户知道,并且亚马逊拥有一项专利,可以将即将购买的商品在可能进行购买之前运送到最近的加工设施。这些预测不是人类做出的。它们是由机器学习算法制成的。这些算法正在影响我们生活中不断增长的部分,无论是在网络上,还是在无人驾驶汽车行驶的道路上。金融部门还使用机器学习算法来预测市场趋势,而这正是本文所关注的。股市预测被定义为试图确定公司股票或在交易所交易的其他金融工具的未来价值的行为。数据科学家可以使用机器学习算法来预测任意数量的时间序列事件,包括股票市场指数值。近年来,计算能力和深度学习方法开创了预测模型的新潮流。这些新模型是对以前用于股票市场预测的统计方法的巨大改进。在给定可靠的数据集和无数变量（例如公众情绪,Twitter主题标签和历史数据）的情况下,深度学习算法模型对于金融股票市场预测特别有用。成功预测股票的未来价值有可能产生可观的利润。股市预测受多种因素的影响,例如政治,经济,公众舆论和业务绩效。由于这种复杂性,股票市场的波动一直是股票市场预测的历史障碍。如今,深度学习人工智能算法已消除了成功的障碍。本文提出了三种最先进的深度学习算法,以预测未来30天标准普尔500指数的价值。我们为什么要在未来30天学习?这是其他研究中用来测试模型准确性的通用研究指标。从理论上讲,这是一个很好的指标,因为我们可以轻松地对其进行测试而不会太过遥远。这是一个完美的中间立场:度量标准不能太短也不能太长。深度学习是一项人工智能任务,它模拟人脑在处理数据和创建用于决策的模式方面的工作。深度学习是人工智能（AI）中机器学习的一个子集,它具有能够从无结构或无标签数据中学习而无需监督的网络。研究人员可以使用深度学习方法在数据中找到自己无法找到的模式。人工神经网络已在金融领域进行了广泛的研究,并且有许多关于该主题的研究发表。但是,很少有使用我们特定类型的图像分类算法的研究发表。我们的GRU,双向GRU和Dilated CNN算法最常见于图像分类任务,而不是时间序列数据。使用这些模型,我们能够在预测s＆p 500的未来价值时实现高达87%的预测准确性。金融是计算量最大的领域之一,但最常用的模型（随机模型,有监督模型和无监督模型,计量经济学模型等）在很大程度上受到过度拟合,启发式和样本结果差的问题的影响。这些不良的预测结果很大程度上是由于复杂的非线性问题。经过验证的深度学习研究可能会有所帮助。深度学习算法非常适合复杂的非线性问题解决和预测,以及形成非线性关系,同时可以自定义拟合以避免过度拟合数据。但是,有一种流行的理论指出,我们不应该能够始终如一地预测市场并表现得比随机模型更好。这就是有效的市场假设。我们的工作将使用这些算法来反驳有效的市场假设。在我们的研究中,我们使用三种机器学习算法。在平等的基础上对它们进行比较,并在适用的情况下使用相同的数据集和参数。我们的第一个算法是长短期记忆（LsTM）算法。第二个是带有修改的门控循环单元（GRU）的LsTM,而我们的第三个模型是双向GRU。正如我们在研究中所见,随着这些功能的加入,模型获得了增强的预测能力。我们发现,在s＆p 500预测中,门控循环单位的性能优于Ls

关键词：机器学习美国股市 s&p500 人工智能股市预测

使用ARIMA-GARCH模型进行分析s&p 500指数预测的准确性研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

支点 2023年第S1期 103-105页

作者：张颖鑫张颖晶东华大学江苏科技大学苏州理工学院

本文研究ARIMA-GARCH模型是否可以做到忽略外部因素,仅仅使用内部因素建模,以此获得的预测值是否也有较高的准确性。基于美国不同货币政策,分别在加息、维持货币利率、降息三种不同的情况下,使用ARIMA-GARCH模型对s&p 500指数三个时间... 详细信息

本文研究ARIMA-GARCH模型是否可以做到忽略外部因素,仅仅使用内部因素建模,以此获得的预测值是否也有较高的准确性。基于美国不同货币政策,分别在加息、维持货币利率、降息三种不同的情况下,使用ARIMA-GARCH模型对s&p 500指数三个时间段建立时间序列预测模型,并从此得出预测结果,与真实结果进行比较,得出在维持低利率水平不变的情况下该模型的预测效果最好,最后结合外部因素和特殊情况综合判断得出,该模型的准确性在外部因素影响方向单一或由于不同外部因素相互制约的情况下最好。

关键词：货币政策 ARIMA GARCH s&p500 准确性

在线全文

学校读者我要写书评

暂无评论

房地产信托投资基金在我国的发展前景

科技进步与对策 2003年第18期 146-147页

作者：贺翔宁波大学商学院

在我国的房地产资本市场上,因为缺少合适的投资工具,大量的民间游离资金不能进入房地产领域。引入房地产信托投资基金,不仅能提供投资于房地产市场的渠道,改善房地产市场的资本结构,从更深层次上讲,还能够促进资源的优化配置。

关键词：投资基金 REIT 权益性REIT s&p500

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

碳信息披露对企业价值的影响研究

会计之友 2019年第16期 66-70页

作者：杜子平李根柱天津科技大学经济与管理学院天津科技大学金融工程与风险管理研究中心

运用多元回归模型对碳信息披露与企业价值相关性进行研究。结果显示:碳信息披露不仅可以提高当期企业价值,而且对下期企业价值也有提升作用;在以行业特征作为划分标准的分组检验中发现,与碳密集型企业相比,碳非密集型企业的碳信息披露... 详细信息

运用多元回归模型对碳信息披露与企业价值相关性进行研究。结果显示:碳信息披露不仅可以提高当期企业价值,而且对下期企业价值也有提升作用;在以行业特征作为划分标准的分组检验中发现,与碳密集型企业相比,碳非密集型企业的碳信息披露更有利于企业价值的提升。文章不仅讨论了企业进行碳信息披露的市场价值效应,而且分析了其形成原因,这为企业进行碳信息披露的合理性和有效性提供了理论支撑,也说明了发展绿色低碳战略的重要意义,同时对于我国如何促进企业碳信息披露提供了建议。

关键词：碳信息披露 s&p500 企业价值跨期影响

Unprecedented stock Market Recovery ——Did The Fed’s Monetary policy Response protect the United states’ Financial Markets to the COVID-19 Crisis?

在线全文

学校读者我要写书评

暂无评论

Unprecedented Stock Market Recovery ...

作者： HENDRIKs GLENN LEONARDUs ADRIANA 上海财经大学

学位级别：硕士

美国金融市场经历了历史上最快的重跌,以及空前的快速复苏。美联储宣布并实施了一系列货币政策以保护其金融市场。本文旨在回答以下问题:美联储的货币政策应对措施是否成功保护了美国的金融市场免受COVID-19危机的影响。本文使用下列各... 详细信息

美国金融市场经历了历史上最快的重跌,以及空前的快速复苏。美联储宣布并实施了一系列货币政策以保护其金融市场。本文旨在回答以下问题:美联储的货币政策应对措施是否成功保护了美国的金融市场免受COVID-19危机的影响。本文使用下列各种方法分析了货币政策是否是股市复苏的决定性因素。本文描述了s＆p500,VIX,EpU和COVID-19之间的相关关系。本文运用简单线性回归分析研究了这些变量之间关系的性质和特征,并运用多元线性回归分析回答了主要研究问题。结果表明,变量之间具有很强的相关性,并且彼此之间具有符合预期的影响。从这些结果可以看出,美联储确实通过降低VIX保护了其金融市场,并通过其货币政策促进了s＆p500指数的回升。

关键词： s&p500 COVID-19 Monetary policy Fed VIX EpU Financial Markets

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

邻域重叠社团结构的动态证券网络研究

邻域重叠社团结构的动态证券网络研究

作者：杨欢华东师范大学

学位级别：硕士

在社会网络、神经网络、万维网络、通信网络等中,存在着一种特性——社团结构。所以,复杂网络社团结构探测研究,对于拓扑结构分析、功能的理解、网络动力学行为预测等有着重要的意义。是众多科学家研究兴趣所在。社团结构的划分可... 详细信息

在社会网络、神经网络、万维网络、通信网络等中,存在着一种特性——社团结构。所以,复杂网络社团结构探测研究,对于拓扑结构分析、功能的理解、网络动力学行为预测等有着重要的意义。是众多科学家研究兴趣所在。社团结构的划分可分为邻域重叠社团划分和非邻域重叠社团划分。现在许多邻域重叠社团结构探测算法能够快速而准确地实现中小规模的网络划分,但是网络中存在一些节点,它们完全映射,即两两相连,如果这种结构的团簇（cluster）数量增加,节点和边的可见度下降,许多算法不能兼容。基于上述问题,本文提出了基于完全子图（clique）的邻域重叠社团结构探测算法,针对具有社团结构的加权网络模型进行研究。以s＆p500和CsI300两个具有重叠结构的证券网络为研究对象,利用邻域重叠社团结构探测算法,去研究证券市场的特性,如网络拓扑结构、聚类特性、重叠节点等。论文主要贡献如下： 1.在进行社团划分时,划分步骤为：（1）寻找网络中clqiues作为社团核心。（2）合并完全子图。（3）划分非clique节点。本文对合并完全子图步骤进行改进,提出利用重叠程度参数指标合并完全子图,再利用cliques之间的连接度指标进一步合并的理论。在处理“非clique节点”时,提出四种划分方法,寻找最优划分达到最佳划分效果。 2.对沪深300（CsI300）和s＆p500在金融危机前和金融危机下进行社团的划分,寻找重叠节点。通过比较在金融危机冲击下的新兴市场（CsI300）和成熟市场（s＆p500）,他们的共同点是：社团数目明显下降。说明随着全球化进一步加深,两个市场行业格局不再明显。同时,也发现了一些不同之处：美国市场的金融大震荡,使得社团结构完全破坏,而中国市场还有一定的社团结构。说明两市场受到金融危机冲击程度的不同。结合实际,发现CsI300海运行业、全国煤炭消费行业在金融危机下受到了非常大的冲击。s＆p500中医药行业在金融危机的冲击下多数比较乐观。 3.以CsI300从2005年1月到2010年12月的股票收盘价为研究对象,通过分析社团结构的时间演化趋势和社团之间重叠节点的变化规律。发现：社团结构从清晰到模糊,再到清晰的分布特性。CsI300在2005年没有重叠节点,随着时间的推移,重叠节点的个数呈递增的趋势。在2008年,重叠节点个数达到了一个峰值。随后,节点个数呈下降的趋势。本论文研究得到了国家自然科学基金项目的支持,项目名称《开放式空间加权网络的拓扑演化及其优化设计》,项目编号：11075057。

关键词：邻域重叠完全子图连接度 CsI300 s&p500