** 更新：网络研讨会录音可从以下网址获得： http://www.mathworks.com/videos/electricity-load-and-price-forecasting-with-matlab-81765.html 此示例演示如何使用 MATLAB:registered: 构建短期电力负荷（和价格）预测系统。 校准两个非线性回归模型（神经网络和袋装回归树），以在给定温度预测、假期信息和历史负载的情况下预测每小时的日前负载。 这些模型在 2004 年至 2007 年 NEPOOL 地区（由 ISO 新英格兰提供）的每小时数据上进行训练，并在 2008 年的样本外数据上进行测试。 该应用程序包括一个（可选）Excel 前端，使用户能够通过 MATLAB 可部署的 DLL 调用经过训练的负载预测模型。 标题为“负荷和价格预测案例研究简介”的文档将指导您完成分析的不同组成部分。 如果您没有所有

内附源数据、代码及word。代码包括：平稳性检验、协整检验、滞后阶数的确定、VAR 模型的拟合、脉冲响应分析、VAR 模型的预测

使用隐马尔可夫模型预测股市（Python完整源码和数据） 隐马尔可夫模型是一种非常有趣的随机过程，在机器学习领域未得到充分利用。 它们对于分析时间序列特别有用。 这与它们将现实世界过程发出的可观察输出转换为可预测和高效模型的能力相结合，使它们成为用于股票市场分析的可行候选者。 股票市场有几个有趣的特性，使建模变得非常重要，即波动性、时间依赖性和其他类似的复杂依赖性。 HMM 适合处理这些复杂情况，因为它们生成模型所需的唯一信息是一组观察结果（在本例中为历史股市数据）。

二手车价格预测 探索具有随机森林和正则化的二手车价格预测模型。 我使用R进行数据可视化，数据插补和模型选择。 涉及的主要软件包是Hmisc，ggplot2，randomForest和glmnet。 我们正在寻求使用随机Forst和正则化技术的特征选择和预测算法。 方法是随机森林，山脊，套索和弹性网回归。 事实证明，弹性模型可以大幅度减少维数，并保持良好的预测能力。

matlab预测股票价格走势 基于深度学习算法的股票市场价格预测与建模框架 MSE、RMSE、NRMSE和R2值通过在整个测试期间将预测股票收盘价与实际股票收盘价进行比较来确定。然后，我们利用预测数据确定预测日的股价变化范围。这些计算是在MATLAB中进行的，我们使用了MATLAB上的深度学习和金融库。

MATLAB实现股票价格预测 源程序代码.zip

【预测模型】时间序列股票价格预测【含Matlab源码 450期】.zip

kaggle黄金价格预测数据，时间序列数据，可以进行机器学习、深度学习分析

资源包含文件：设计报告word和pdf两个版本+源码及数据 box-cox 变换目标值“price”，解决长尾分布。 删除与目标值无关的列，例如“SaleID”，“name”。这里可以挖掘一下“name”的长度作为新的特征。 异常点处理，删除训练集特有的数据，例如删除“seller”==1 的值。 缺失值处理，分类特征填充众数，连续特征填充平均值。 其他特别处理，把取值无变化的列删掉。 异常值处理，按照题目要求“power”位于 0～600，因此把“power”>600 的值截断至 600，把"notRepairedDamage"的非数值的值替换为 np.nan，让模型自行处理。 详细介绍参考：https://blog.csdn.net/sheziqiong/article/details/125362504

论文研究-基于SSA-ELM的大宗商品价格预测研究.pdf,  随着经济全球化的发展，国际期货市场中各大类大宗商品价格波动剧烈，而全球经济形势不明朗以及货币政策不确定使得大宗商品期货价格难以被准确预测.本文选取玉米，原油，黄金分别作为大宗商品农产品类、能源类、金属类的代表对象，基于奇异谱分析方法（singular spectrum analysis，SSA），对商品期货价格进行分解，结合Kmeans动态聚类技术将分解量聚合成不同特征的价格序列，再采用具有优良特性的极限学习机算法（extreme learning machine，ELM）对模型进行训练，得到大宗商品期货价格预测模型.实证结果表明，采用序列分解聚类策略能够显著提高模型预测精度，在价格未来的整体水平和变动方向上都能达到较好的预测效果.