English
资源说明：Guresen, E. , Kayakutlu, G. , & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38 , 10389–10397 .
标题中的"Using Artificial Neural Network Models in Stock Market Index Prediction"指的是利用人工神经网络（ANN）模型来预测股票市场指数。在金融领域，特别是股票市场，预测指数走势是投资者、分析师和金融机构的重要任务，因为它有助于决策者制定投资策略。描述中提到的研究由Guresen、Kayakutlu和Daim进行，他们探讨了神经网络模型在股票市场指数预测中的效用，对比了多层感知机（MLP）、动态人工神经网络（DAN2）以及结合广义自回归条件异方差性（GARCH）的混合神经网络模型。
文章关键词包括“Financial time series (FTS) prediction”（金融时间序列预测），“Recurrent neural networks (RNN)”（循环神经网络），“Dynamic artificial neural networks (DAN2)”（动态人工神经网络）以及“Hybrid forecasting models”（混合预测模型）。这些概念表明研究涵盖了多种类型的神经网络模型，并尝试将它们应用于复杂的时间序列数据，如股票市场的日交易数据。
文章摘要指出，近年来，许多神经网络模型和混合模型被提出用于提高股票市场预测的准确性，试图超越传统的线性和非线性方法。具体来说，研究比较了MLP、DAN2和采用GARCH技术的混合神经网络模型。通过均方误差（MSE）和平均绝对偏差（MAD）这两个指标，使用NASDAQ股票交易所的真实日交易数据对这些模型进行了评估。
1. 人工神经网络（ANN）模型在股票预测中的应用：
- 多层感知机（MLP）：这是一种前馈神经网络，具有至少一个隐藏层，能处理非线性关系，适用于股票市场的复杂数据。
- 动态人工神经网络（DAN2）：这类网络能够考虑时间序列数据的动态变化，更好地捕捉市场趋势。
- 混合模型：结合了GARCH模型，该模型用于描述和预测资产回报率的波动性，从而提供新的输入变量，增强预测能力。
2. 金融时间序列预测的重要性：
- 预测金融市场波动有助于投资者理解市场动态，及时调整投资组合，降低风险。
- 在日益波动的金融市场和全球化资本流动背景下，准确的预测对于商业银行和投资银行的资产管理至关重要。
3. 统计评价指标：
- 均方误差（MSE）：衡量模型预测值与实际值之间差异的平方和的平均值，反映了模型预测的精确度。
- 平均绝对偏差（MAD）：计算的是预测值与实际值之间的绝对差值的平均值，它不敏感于极端值，提供了另一种度量预测准确性的方法。
总结，这项研究揭示了神经网络模型在股票市场指数预测中的潜力，通过比较不同模型的性能，为金融从业者提供了更多选择。然而，实际应用中，预测结果仍受多种因素影响，如市场情绪、政策变化、全球经济环境等，因此模型的预测能力应与其他分析工具结合使用，以提高决策质量。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
