二种资金流入流出预测模型的比较研究
发布时间：2021-02-19 07:52
随着中国经济的迅猛发展,大量和金融相关的企业正在快速崛起,例如蚂蚁金服旗下的余额宝。上亿的用户导致了余额宝每天都有大量资金的流入和流出,随着用户群的日渐扩大,资金的管理压力也在随之增加。在既要降低资金流动风险又要使得日常业务正常运转的情况下,对未来资金流量的大小作出准确的预测是一件极为重要的事情。查阅相关文献和资料可以知道,如今在实际操作里经常被使用的模型有BP神经网络模型和ARIMA时间序列模型。由于原始数据的量级太大,在使用前,需要将其处理成量级较小的序列数据。这里的BP神经网络采用了一步迭代法进行预测,即每次预测一个结果,再将预测结果和前面的数据结合起来再次进入到下一步的预测,依此循环得到全部的预测结果。在进行预测之前,须要对模型进行训练,训练的好坏依赖于对模型参数的设定,只要训练的模型达到收敛也就是训练过程中的误差一旦达到事先设定的误差时,模型就会停止训练,这时训练好的模型就可以用于接下来的预测。为了使网络模型拟合效果有所比较,接下来再使用时间序列模型进行分析。这里的原始数据是不稳定的时间序列数据,因此需要进行差分变换使其成为稳定的时间序列,再对序列进行白噪声检验和正态性检验,...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：44 页
【学位级别】：硕士
【部分图文】：
图３．１?ＢＰ神经网络的拓扑结构??
?宦畚模崳姡?牐停粒樱裕牛摇?樱牐裕龋牛樱桑樱崳?为：最大循环次数为５０００次，学习精度为０．０００１，学习速率为０．０１，每１００个轮??回显示一次结果。下图３．４为模型结构图。??Ｎ＾ｙｒａｌ?Ｎｅｔｗｏｒｋ?”????Ｕｙ＃ｒ??Ｕｙ＃ｒ????Ｚ?’?１??Ａｌｇｏｒｉｔｈｍｓ??Ｔｒａｉｎｉｎｇ：?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ?ｗｉｔｈ?Ｍｏｍｅｎｔｕｍ?＆．?Ａｄａｐｔｉｖｅ?ＬＲ?（ｔｒａｉｎｇｃｋｌ??Ｐｅｒｆｏｒｍａｎｃｅ：?Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ?Ｉｍｓｅ）??Ｃａｉｃｕｌａｔｉｏｎｓ：?ＭＥＸ??图３．４?ＢＰ神经网络模型结构??３．４．３预测结果分析??当神经网络模型训练完成后，可以得到相应的预测结果和图形，通过图３．５和??３．６可以知道模型的拟合效果。模型的识别率大概在９５％左右的，且训练１００次左??右模型达到收敛状态。如果ｉ？值越和１越接近且均方根误差证的值越小，则说??明模型的训练效果越好。从下图３．５可以知道，申购序列的及＝０．８７、见＝?０．２９０９，??赎出序列的ｉ？?＝?０．９１、ｉ？ＭＳ￡?＝?０．２９１７，其中的均方根误差是通过计算得出。??根据上面的结果，ＢＰ神经网络模型对本章数据的训练精度较高，且模型的拟??合效果也比较准确。为了使得神经网络模型的预测结果有所比较，下面将使用时间??序列模型再对本文的数据进行探索性分析。??Ｔｒａｉｎｉｎｇ：?Ｒ＝０＾６６２８?Ｔｒａｉｎｉｎｇ：?Ｒ＝？．９１２１５??１
?宦畚模崳姡?牐停粒樱裕牛摇?樱牐裕龋牛樱桑樱崳?为：最大循环次数为５０００次，学习精度为０．０００１，学习速率为０．０１，每１００个轮??回显示一次结果。下图３．４为模型结构图。??Ｎ＾ｙｒａｌ?Ｎｅｔｗｏｒｋ?”????Ｕｙ＃ｒ??Ｕｙ＃ｒ????Ｚ?’?１??Ａｌｇｏｒｉｔｈｍｓ??Ｔｒａｉｎｉｎｇ：?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ?ｗｉｔｈ?Ｍｏｍｅｎｔｕｍ?＆．?Ａｄａｐｔｉｖｅ?ＬＲ?（ｔｒａｉｎｇｃｋｌ??Ｐｅｒｆｏｒｍａｎｃｅ：?Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ?Ｉｍｓｅ）??Ｃａｉｃｕｌａｔｉｏｎｓ：?ＭＥＸ??图３．４?ＢＰ神经网络模型结构??３．４．３预测结果分析??当神经网络模型训练完成后，可以得到相应的预测结果和图形，通过图３．５和??３．６可以知道模型的拟合效果。模型的识别率大概在９５％左右的，且训练１００次左??右模型达到收敛状态。如果ｉ？值越和１越接近且均方根误差证的值越小，则说??明模型的训练效果越好。从下图３．５可以知道，申购序列的及＝０．８７、见＝?０．２９０９，??赎出序列的ｉ？?＝?０．９１、ｉ？ＭＳ￡?＝?０．２９１７，其中的均方根误差是通过计算得出。??根据上面的结果，ＢＰ神经网络模型对本章数据的训练精度较高，且模型的拟??合效果也比较准确。为了使得神经网络模型的预测结果有所比较，下面将使用时间??序列模型再对本文的数据进行探索性分析。??Ｔｒａｉｎｉｎｇ：?Ｒ＝０＾６６２８?Ｔｒａｉｎｉｎｇ：?Ｒ＝？．９１２１５??１
【参考文献】：
期刊论文
[1]基于ARMA-GARCH模型的资金流预测方法[J]. 周海峰. 软件导刊. 2017(01)
[2]ARMA模型在小麦价格指数预测中的应用[J]. 许凤华,魏媛. 统计与决策. 2015(08)
[3]基于ARIMA的电力视频流量分析和预测[J]. 崔振辉,李林川,赵承利,杨挺. 天津大学学报(自然科学与工程技术版). 2015(01)
[4]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
[5]基于AR模型的海洋环境噪声仿真预测研究[J]. 齐立新,贾云龙,唐海川. 海洋技术. 2010(02)
[6]ARIMA模型在社会消费品零售总额预测中的应用[J]. 张晓峰,李博. 商场现代化. 2007(32)
[7]Combination prediction method of chaotic time series[J]. ZHAO DongHua, RUAN Jiong & CAI ZhiJie Institute of Mathematics and Laboratory of Nonlinear Model and Method, Fudan University, Shanghai 200433, China. Chinese Science Bulletin. 2007(04)
[8]ARIMA模型在福建省GDP预测中的应用[J]. 赵蕾,陈美英. 科技和产业. 2007(01)
[9]基于时间序列的BP神经网络的滑坡预测预报及其在Matlab中的实现[J]. 刘莉,贺聪. 中国水运(理论版). 2006(12)
[10]BP网络应用于黄河水质的预测研究[J]. 陈丽华,常沁春,陈兴国,胡之德. 兰州大学学报. 2003(02)
硕士论文
[1]基于时间序列模型的天津市房地产市场研究[D]. 邓琳佳.天津大学 2016
[2]人工神经网络在金融时间序列数据预测中的应用研究[D]. 羊巍.贵州大学 2009
本文编号：3040820
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：44 页
【学位级别】：硕士
【部分图文】：
图３．１?ＢＰ神经网络的拓扑结构??
?宦畚模崳姡?牐停粒樱裕牛摇?樱牐裕龋牛樱桑樱崳?为：最大循环次数为５０００次，学习精度为０．０００１，学习速率为０．０１，每１００个轮??回显示一次结果。下图３．４为模型结构图。??Ｎ＾ｙｒａｌ?Ｎｅｔｗｏｒｋ?”????Ｕｙ＃ｒ??Ｕｙ＃ｒ????Ｚ?’?１??Ａｌｇｏｒｉｔｈｍｓ??Ｔｒａｉｎｉｎｇ：?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ?ｗｉｔｈ?Ｍｏｍｅｎｔｕｍ?＆．?Ａｄａｐｔｉｖｅ?ＬＲ?（ｔｒａｉｎｇｃｋｌ??Ｐｅｒｆｏｒｍａｎｃｅ：?Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ?Ｉｍｓｅ）??Ｃａｉｃｕｌａｔｉｏｎｓ：?ＭＥＸ??图３．４?ＢＰ神经网络模型结构??３．４．３预测结果分析??当神经网络模型训练完成后，可以得到相应的预测结果和图形，通过图３．５和??３．６可以知道模型的拟合效果。模型的识别率大概在９５％左右的，且训练１００次左??右模型达到收敛状态。如果ｉ？值越和１越接近且均方根误差证的值越小，则说??明模型的训练效果越好。从下图３．５可以知道，申购序列的及＝０．８７、见＝?０．２９０９，??赎出序列的ｉ？?＝?０．９１、ｉ？ＭＳ￡?＝?０．２９１７，其中的均方根误差是通过计算得出。??根据上面的结果，ＢＰ神经网络模型对本章数据的训练精度较高，且模型的拟??合效果也比较准确。为了使得神经网络模型的预测结果有所比较，下面将使用时间??序列模型再对本文的数据进行探索性分析。??Ｔｒａｉｎｉｎｇ：?Ｒ＝０＾６６２８?Ｔｒａｉｎｉｎｇ：?Ｒ＝？．９１２１５??１
?宦畚模崳姡?牐停粒樱裕牛摇?樱牐裕龋牛樱桑樱崳?为：最大循环次数为５０００次，学习精度为０．０００１，学习速率为０．０１，每１００个轮??回显示一次结果。下图３．４为模型结构图。??Ｎ＾ｙｒａｌ?Ｎｅｔｗｏｒｋ?”????Ｕｙ＃ｒ??Ｕｙ＃ｒ????Ｚ?’?１??Ａｌｇｏｒｉｔｈｍｓ??Ｔｒａｉｎｉｎｇ：?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ?ｗｉｔｈ?Ｍｏｍｅｎｔｕｍ?＆．?Ａｄａｐｔｉｖｅ?ＬＲ?（ｔｒａｉｎｇｃｋｌ??Ｐｅｒｆｏｒｍａｎｃｅ：?Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ?Ｉｍｓｅ）??Ｃａｉｃｕｌａｔｉｏｎｓ：?ＭＥＸ??图３．４?ＢＰ神经网络模型结构??３．４．３预测结果分析??当神经网络模型训练完成后，可以得到相应的预测结果和图形，通过图３．５和??３．６可以知道模型的拟合效果。模型的识别率大概在９５％左右的，且训练１００次左??右模型达到收敛状态。如果ｉ？值越和１越接近且均方根误差证的值越小，则说??明模型的训练效果越好。从下图３．５可以知道，申购序列的及＝０．８７、见＝?０．２９０９，??赎出序列的ｉ？?＝?０．９１、ｉ？ＭＳ￡?＝?０．２９１７，其中的均方根误差是通过计算得出。??根据上面的结果，ＢＰ神经网络模型对本章数据的训练精度较高，且模型的拟??合效果也比较准确。为了使得神经网络模型的预测结果有所比较，下面将使用时间??序列模型再对本文的数据进行探索性分析。??Ｔｒａｉｎｉｎｇ：?Ｒ＝０＾６６２８?Ｔｒａｉｎｉｎｇ：?Ｒ＝？．９１２１５??１
【参考文献】：
期刊论文
[1]基于ARMA-GARCH模型的资金流预测方法[J]. 周海峰. 软件导刊. 2017(01)
[2]ARMA模型在小麦价格指数预测中的应用[J]. 许凤华,魏媛. 统计与决策. 2015(08)
[3]基于ARIMA的电力视频流量分析和预测[J]. 崔振辉,李林川,赵承利,杨挺. 天津大学学报(自然科学与工程技术版). 2015(01)
[4]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
[5]基于AR模型的海洋环境噪声仿真预测研究[J]. 齐立新,贾云龙,唐海川. 海洋技术. 2010(02)
[6]ARIMA模型在社会消费品零售总额预测中的应用[J]. 张晓峰,李博. 商场现代化. 2007(32)
[7]Combination prediction method of chaotic time series[J]. ZHAO DongHua, RUAN Jiong & CAI ZhiJie Institute of Mathematics and Laboratory of Nonlinear Model and Method, Fudan University, Shanghai 200433, China. Chinese Science Bulletin. 2007(04)
[8]ARIMA模型在福建省GDP预测中的应用[J]. 赵蕾,陈美英. 科技和产业. 2007(01)
[9]基于时间序列的BP神经网络的滑坡预测预报及其在Matlab中的实现[J]. 刘莉,贺聪. 中国水运(理论版). 2006(12)
[10]BP网络应用于黄河水质的预测研究[J]. 陈丽华,常沁春,陈兴国,胡之德. 兰州大学学报. 2003(02)
硕士论文
[1]基于时间序列模型的天津市房地产市场研究[D]. 邓琳佳.天津大学 2016
[2]人工神经网络在金融时间序列数据预测中的应用研究[D]. 羊巍.贵州大学 2009
本文编号：3040820
本文链接：https://www.wllwen.com/kejilunwen/yysx/3040820.html
