数学建模预测股市走向
基于数学建模和神经网络的股票预测模型研究
基于数学建模和神经网络的股票预测模型研究股票市场的波动一直是商界和投资者所关心的问题。
从历史数据分析到技术指标，还有机器学习以及以神经网络为代表的深度学习技术，各种方法都被用来预测股票市场。
那么，本文所探讨的是基于数学建模和神经网络的股票预测模型研究。
1. 基于数学建模的股票预测模型在股票市场预测方面，基于时间序列分析的ARIMA模型一直被广泛运用。
ARIMA模型是通过寻找上一个时间段内数据的模式来预测下一个时间斜的股票价格。
其它经典模型如指数平滑和趋势模型也都继承了ARIMA模型的基础框架。
除了以上模型，GARCH模型也是自回归时间序列分析的一种扩展形式，它将异常的波动方差考虑进来。
尽管GARCH模型相比ARIMA模型对于股票市场更有可行性，但其参数估计和预测的过程比较复杂，导致实际应用中较为困难。
为了改善以上模型的缺陷，研究者们也进行了很多创新的尝试。
其中，波动率控制方法和即时回归模型，最小二乘回归和交叉熵方法等都取得了很好的效果。
2. 基于神经网络的股票预测模型神经网络在股票市场的预测中也广泛应用。
其可以根据过往股票价格和交易量的变化来进行预测。
并且，有时候神经网络还可以挑选出比起基础经典模型更有效的变量进行预测。
其中，BP神经网络模型是运用最广泛的一种神经网络模型。
这种方法可以学习之前的历史数据，并且通过网络层传递，最后输出确切的预测值。
除了BP神经网络之外，还有一些更高级的神经网络模型，如卷积神经网络和循环神经网络，也可以用来预测股票市场。
3. 数学建模和神经网络模型的整合应用虽然基础的数学统计模型（如ARIMA模型和GARCH模型）和神经网络模型（如BP神经网络）独立运用股票市场预测方面均有很好的表现，但是结合两种模型的运用仍然是一个重要的研究课题。
事实上，近年来很多学者已经尝试将二者相结合，比如，将ARIMA模型预测后的残差序列输入BP神经网络中进一步预测。
有些人将BP神经网络对股票价格变化的预测结果输入GARCH模型中进行方差预测。
股市分析数学建模.
数学建模第二次模拟赛题摘要针对于当前我国股市形势严峻这一情形，我们对国内股票市场的情况进行分析，使得我们能过更好地了解股市的风险程度，进而更好的增强抵抗能力并经得起利益的诱惑。
针对问题一：通过我们详细的查找资料，我们发现市盈率=每股股票价格/每股股票的收益，我们而市盈率以及股票的收益都有固定的值，这样我们就可以知道股票的内在价值了。
同时股票内在价值还有一些其他的模型算法，如：现金流贴现模型（DMM模型）、内部收益率模型（IRR模型）、零增长模型、不变增长模型等。
对于此题我们采用现金流贴现模型来计算股票的内在价值。
针对问题二：我们通过研究中国联通（SH600050）股票的发展走向来验证股票价格与股票内在价值之间的关联，用EXCEL软件作图进行分析比较，发现并不像经典理论所表达的那样“股市中股票价格是围绕股票内在价值上下波动的”。
针对问题三：关于政府救市的言论和措施，一开始没有起效果，主要是因为当时政府当时没有进行大规模的救市，政府在实行政策失误，以便聚集力量等待时机正确果断、准确、强力地出击救市，我们会给出数据分析来验证这一点。
针对问题四：政府救市是为了让股市稳定，让股市走向一个健康发展的道路是毋庸置疑的。
针对问题五：通过我们对历史数据的分析，我们发现当前股票还没调到位，其最有可能调到2700—2800左右。
针对问题六：对于当前的股票，我们发现股市有风险，入市须谨慎。
关键词：股票内在价值零增长模型不变增长模型 excel作图 MATLAB预测股市一、问题重述针对凶险的股市，对其风险程度的了解能更好的使我们增强抵抗能力和经得起其利益的诱惑。
股市里大家熟悉一个叫李大霄的，他在4月8号就说股市在4000点是地球顶，4月21号为止三遍说到顶。
其依据是：当前43%的股票市盈率已经超过100倍，50%的股票超过83%，70%的股票超过51倍，比较严重的特别是创业板已经整体接近100倍，风险比大盘6124时更甚。
应用数学模型在股市预测中的应用研究
应用数学模型在股市预测中的应用研究引言：股市预测一直是投资者和研究人员关注的焦点。
在过去几十年中，随着计算机技术的不断发展和数学模型的应用，预测股市的方法也取得了重大突破。
数学模型的灵活性和准确性使其成为分析市场趋势和预测股价走势的重要工具之一。
本文将介绍几种常见的数学模型，并探讨其在股市预测中的应用。
一、线性回归模型线性回归是一种简单但有效的数学模型，常用于预测股市中的趋势。
该模型基于统计数据建立了自变量和因变量之间的线性关系。
通过观察历史数据，并找出最佳拟合线，可以预测未来的股市走势。
然而，线性回归模型对于复杂的市场变化无法准确预测，因此只适用于短期和相对简单的预测。
二、时间序列模型时间序列模型是一种基于时间相关性的预测方法。
它假设未来的股价取决于过去的股价变化，通过分析历史数据中的趋势、季节性和周期性等特征来预测未来的走势。
常见的时间序列模型包括移动平均模型（MA）、自回归模型（AR）和自回归移动平均模型（ARMA）。
这些模型适用于预测短期和中期的股价变化，但对于长期趋势的预测准确性较低。
三、人工神经网络模型人工神经网络模型是一种模拟人类大脑学习和决策的数学模型。
它通过构建多层神经元网络来模拟人类大脑中的神经元之间的连接和传递关系。
人工神经网络模型可以学习历史数据中的复杂模式，并在未来的股市中预测股价走势。
由于其强大的非线性处理能力，人工神经网络模型在股市预测中有着广泛的应用。
然而，该模型对于大量的训练数据和参数调整非常敏感，需要合理的输入和处理。
四、蒙特卡洛模拟模型蒙特卡洛模拟模型是一种基于随机抽样的数学模型，可以模拟股价的不确定性。
该模型通过重复随机试验，根据一系列随机生成的股价走势来预测未来的股价。
蒙特卡洛模拟模型适合预测长期和复杂的股价变动，可以考虑到不同的风险因素和外部影响。
然而，该模型对于随机源的选择和模拟参数的设定要求较高，需要合理的假设和模拟方法。
结论：数学模型在股市预测中有着重要的应用价值。
使用数学建模技术预测市场趋势的有效方法
使用数学建模技术预测市场趋势的有效方法在当今信息爆炸的时代，市场趋势的预测对于企业和投资者来说至关重要。
然而，市场的不确定性和复杂性使得准确预测市场走势成为一项极具挑战性的任务。
幸运的是，数学建模技术为我们提供了一种有效的方法来解决这个问题。
本文将探讨使用数学建模技术预测市场趋势的有效方法，并介绍其中一些常用的数学模型。
首先，我们来看看时间序列分析。
时间序列分析是一种基于历史数据的预测方法，通过对过去的数据进行统计和分析，来预测未来的市场趋势。
该方法基于一个关键假设，即未来的市场行为会受到过去的市场行为的影响。
时间序列分析可以帮助我们发现市场的周期性和趋势性，并据此进行预测。
常用的时间序列分析方法包括移动平均法、指数平滑法和ARIMA模型等。
其次，我们来看看回归分析。
回归分析是一种通过建立数学模型来描述变量之间关系的方法。
在市场预测中，回归分析可以帮助我们确定市场走势与其他因素之间的关系。
例如，我们可以建立一个回归模型来分析市场走势与经济指标、利率、政策等因素之间的关系。
通过对这些因素的分析，我们可以预测市场的未来走势。
回归分析在金融领域广泛应用，被认为是一种有效的市场预测方法。
除了时间序列分析和回归分析，还有一些其他常用的数学模型可以用于市场趋势的预测。
例如，神经网络模型是一种模拟人脑神经系统工作原理的数学模型，可以通过学习和训练来预测市场走势。
神经网络模型具有很强的自适应能力，能够从大量的数据中学习并发现隐藏的规律。
此外，支持向量机模型和遗传算法等也被广泛应用于市场预测领域。
尽管数学建模技术在市场预测中具有很大的潜力，但也存在一些挑战和限制。
首先，市场行为受到多种因素的影响，包括经济、政治、社会等因素，这使得建立准确的数学模型变得困难。
其次，市场的不确定性和变动性使得预测结果可能存在误差。
最后，数学模型需要大量的历史数据进行训练和验证，而市场行为的变化可能导致模型的失效。
为了提高市场趋势预测的准确性，我们可以采用以下几种方法。
基于数学建模的金融股票行情预测研究
基于数学建模的金融股票行情预测研究近年来，随着信息技术的普及和金融市场的日益复杂化，金融股票行情预测越来越成为人们关注的焦点。
在金融市场中，股票是重要的投资品种之一，对于投资者而言，股票的价格走势是个重大的问题。
在这样的背景下，基于数学建模的金融股票行情预测逐渐受到业内人士的广泛研究。
本文旨在探讨基于数学建模的金融股票行情预测的研究现状和方法，以及可能出现的问题。
一、研究现状目前，基于数学建模的金融股票行情预测方法主要有以下几种：1. 时间序列模型时间序列模型是经典的预测方法之一，它是利用已知历史数据推算未来情况的一种方法。
主要依靠统计分析来推测未来趋势，常用的模型有ARIMA、GARCH和ARCH等。
这些模型在历史数据较多的情况下表现较为准确，但对于时间序列中存在的非线性趋势和季节性变化较难进行有效预测。
2. 神经网络模型神经网络模型是基于神经科学的模仿，可以自学习和自适应，曾经在金融市场预测中取得了较好的效果。
神经网络的训练过程是逐步调整权重和阈值达到训练的目标。
然而，在实践中发现，神经网络模型在无法处理稀缺数据、数据样本量小和噪声较大的情况下表现并不理想。
3. 支持向量机模型支持向量机模型是机器学习方法中的一种，在金融市场预测中同样得到了广泛的应用。
它适用于非线性、高维、小样本的数据，能够快速准确地拟合高维数据的非线性关系。
但是，支持向量机模型在样本量少时，容易产生过拟合问题。
二、方法应用基于数学建模的金融股票行情预测方法，需要依赖大量的历史数据，以及充分的经验和专业知识。
在实际应用中，必须进行以下几个步骤：1. 数据准备数据准备是预测模型的前置工作，需要收集、清洗和整理大量的历史数据。
金融数据具有复杂性、随机性和多样性，需要在样本数据的选择、筛选、加工和存储方面尽可能提高数据质量。
同时，在数据处理过程中必须注意对数据进行标准化处理，这样可以在一定程度上减轻模型训练和预测的难度。
2. 模型选择在模型选择上，应根据具体情况、任务目标和模型优秀度综合考虑，综合判断哪种模型最适合解决预测问题。
数学模型在股票市场中的应用
数学模型在股票市场中的应用股票市场作为一种复杂而又波动的金融市场，一直以来都备受投资者关注。
随着数学建模技术的不断发展，数学模型在股票市场的应用也逐渐被广泛采用。
本文将探讨数学模型在股票市场中的应用，并分析其优势和局限性。
一、数学模型在股票市场中的应用1. 预测股票价格趋势：数学模型可以通过对股票历史价格和交易量等数据进行分析，建立相应的模型来预测未来股票价格的趋势。
其中，常用的数学模型包括时间序列分析、回归分析、复杂网络分析等。
通过这些模型的运用，投资者可以更准确地判断出股票价格的上升或下降趋势，从而做出相应的买卖决策。
2. 量化交易策略：数学模型可以帮助投资者设计并实施一系列的量化交易策略。
量化交易是指通过数学模型对市场进行量化分析，并根据分析结果制定具体的买卖规则。
这种策略能够避免人为情绪的干扰，使投资决策更加客观和科学。
例如，常见的量化交易策略包括均值回归策略、动量策略、配对交易策略等。
3. 风险管理和资产配置：数学模型在股票市场中的另一个应用是风险管理和资产配置。
通过对不同资产类别的风险收益特征进行建模分析，投资者可以合理配置资产，实现风险的最大化和收益的最优化。
常见的数学模型包括马科维茨投资组合模型、风险价值模型等。
二、数学模型在股票市场中的优势1. 精确性：数学模型能够对大量的股票市场数据进行深入分析，从而得出相对准确的预测结果。
相比于传统的主观判断，数学模型更加客观和精确。
2. 实时性：数学模型可以通过实时获取和处理数据，使投资者能够及时把握市场变化，做出相应的决策。
这对于股票市场这种波动性较大的金融市场来说尤为重要。
3. 系统性：数学模型能够建立完整的分析框架和体系，将大量的数据进行整合和处理。
这有助于投资者从整体上认识市场，避免盲目决策。
三、数学模型在股票市场中的局限性1. 假设限制：数学模型在建立过程中往往需要对市场做出一些理想化的假设，如市场的随机性、正态分布等。
而实际市场往往存在着各种非理性因素，这些因素可能导致模型的失效。
用MATLAB软件对股票做线性预测的数学建模(毕业设计)
基于MATLAB股票市场的线性预测摘要本毕业设计借助MATLAB的技术工具软件对股票价格的数据信号图进行分析，来构造一个线性预测器。
并用MATLAB生成一个豪华的界面，把线性预测的结果直观、明了的变现出来。
本设计内容在理解信号与系统基本原理的前提下，利用MATLAB设计了一个线性预测系统，该系统利用一个离散时间有限脉冲响应（FIR）滤波器来解决属于预测建模等问题。
这是一个基于MATLAB计算机仿真的股票线性预测模型，它用股票的开盘、收盘、最高、最低四种价位为源信号进行预测，可以用选择滤波器的阶数来调整它的精确度，能够做到预测误差最小。
本设计分为四个部分：第一部分介绍了股票预测的现实意义及发展现状；第二部分主要阐明线性预测的方法；第三部分简述MATLAB及图形用户界面的相关知识；第四部分给出预测过程及结果。
关键词：线性预测系统、MATLAB、离散时间有限脉冲响应（FIR）滤波器MATLAB-based linear prediction of the stock marketAbstract：This graduation project carries on the analysis with the aid of the MATLAB technical tool software to the stock price data signal chart, comes a structure linear predictor. And produces a luxurious contact surface with MATLAB, the linear prediction result direct-viewing, the perspicuity changes appears.This design content in the understanding signal and under the system basic principle premise, has designed a linear prediction system using MATLAB, this system uses a discrete time limited pulse to respond the (FIR) filter to solve belongs to questions and so on forecast modeling. This is one based on the MATLAB computer simulation stock linear prediction model, it uses the stock the opening price, closing, high, the lowest four kind of prices to carry on the forecast for the source signal, may use the selective filter the exponent number to adjust its precision, can achieve the forecast error to be smallest.This design divides into four parts: The first part introduced the stock forecast practical significance and the development present situation; Second part of main exposition linear prediction method; The third part summarizes MATLAB and the graphical user interface related knowledge; The fourth part gives the forecast process and the result.Key words：Linear predictive systems, MATLAB, discrete-time finite impulse response (FIR) filter目录第一章．绪论一．本设计研究的目的及意义 (1)二．主要研究内容及其发展现状 (2)三．论文的主要内容及章节安排 (2)第二章．股票线性预测方法一．关于线性预测及其FIR滤波器 (3)二．股票线性预测原理 (3)三．预测模型 (5)第三章. MATLAB及图形用户界面简介一．MATLAB简介 (7)二．GUI 图形用户界面简介 (9)三．GUI建立的两大方法及其比较 (10)第四章. MATLAB程序设计及预测结果一．主要程序编辑 (14)二．计算机仿真股票线性预测模型 (15)结论 (22)致谢 (23)参考文献 (24)附录 (25)前言随着计算机技术和信息科学的飞速发展，信号处理已经逐渐成为信息科学的重要组成部分。
股票走势预测数学建模
股票走势预测数学建模
股票走势预测是金融领域的一个重要课题。
随着数据处理技术和数学建模方法的不断发展，越来越多的人开始将数学建模应用于股票走势预测中。
数学建模在股票预测中的主要方法包括时间序列分析、回归分析、神经网络和机器学习等。
时间序列分析是利用历史数据来预测未来的方法，回归分析则是通过分析股票与其他经济指标的关系来预测走势。
神经网络和机器学习则是利用人工智能技术来预测股票走势。
无论使用何种方法进行数学建模，都需要对数据进行准确的处理和分析。
这包括对股票价格、交易量、市场情绪等多个方面进行综合分析。
同时，还需要考虑到宏观经济因素、政治因素等外部因素对股票走势的影响。
股票走势预测数学建模是一个复杂的过程，需要多个学科领域的专业知识相互配合。
尽管如此，数学建模在股票预测中的应用依然是一个值得探讨和研究的领域。
- 1 -。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数学建模预测股市走向对于i=2:nYC(I)= yuce(I)-yuce(I-1)；目标YC(1)= yuce(1)YC = YC ‘；yuze zhi = YC-4 * max 1；向度武卡= ABS(yuche zhi-X0’)；xdl =向度武卡。
/(X0’)p =总和(xdl)/(n-1)；P0=1-p附录5:max 1 = max(x0)x00 = x0+4 * max 1；n =长度(X00)I = 1:n雷佳(I)=总和(X00(1:I))；目标对于i=1:n-1YC(1)= yuce(1)YC = YC ‘；yuze zhi = YC-4 * max 1；向堆乌卡= ABS(yuche zhi-X0’)；r=(最小值(香堆武查)+0.5 *最大值(香堆武查))。
/(最大值为+0.5 *的乡镇卫生院(乡镇卫生院))；15S11 =(X0-总和(X0)/n)。
；s1 =总和(S11)；S1=sqrt(s1/(n-1))s22=(相对舞-总和(相对舞)/n)。
；s2 =总和(s22)；S2=sqrt(s2/(n-1)) C=S2/S1e=abs(相对值-总和(相对值)/n) S0=0.6745*S1计数= 0；如果e(i)>S0，i=1:ncount = count+1；结束计数附件6:max 1 = max(x0)x00 = x0+4 * max 1；n =长度(X00)I = 1:n雷佳(I)=总和(X00(1:I))；目标对于k=0:n-1yuce(k+1)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446；目标e1 =雷佳-尤奇；对于i=1:ne11(I)=总和(E1(1:I))；目标对于i=1:n-1jun zhi(I)=(e11(I)+e11(I+1))/5；目标junzhi=[junzhi’ ones(n-1，1)]；yn = E1(2:n)；a =(jun zhi ‘ * jun zhi)(-1)* jun zhi ‘ * yn ‘附件7:16对于k=245:488x(k+1-245)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标对于k=1:243榆次(k)= X(k+1)-X(k)-12806；目标地块([1:243)，榆次)附件8:k = 245:488x(k+1-245)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标对于k=1:243榆次(k)= X(k+1)-X(k)-12806；目标对于k=1:244x1(k)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标对于k=1:243yuce 1(k)= X1(k+1)-X1(k)-12806；目标X0=[2987 2972.22887.7 2904.5 2989.9 3141.42957.12972.42923 2935.92803.1 3035.92954 2960.7 2836 2878.3 3061.72922.52833.82836.42803.3 2950.7 2997.3 3143.72842.8 2960.3 3014.1 3096.42822.2 3035.72882 2921.83036.3 3080.9 3033.72930.53070.43137.43043.73142.83064.93014 3041.8 3071.83056.3 3051 3039.73068.83075.8 3032.5 3097.4 3185.9 3063.8 3019.6 2897.73046 3056.4 3149.6 3148.5 3001.4 2987.5 2834.5 2860.8 2889.6 2930.4 3087.2 3085.3 3118 3124.53194.1 3077.2 3027.2 2905.83095 3065.9 3194.3 3023.9 2978.4 2871.33107.23172.8 3169.1 3008.1 3008.4 2873.1 2834.9 2890.5 2935.53165.1 3152.1 2999.2 2994.6 2873.1 2791.8 2858.3 2885.33163.7 3104.4 3008.1 2993.53201.6 3049.2 3006.7 2865.93140.23070.72983.62838.128302833 2856.9 2769.2 2893.52874.2 2880.7 2832.4 2834.72746.5 2890.62772.8 2946.52775.5 2950.22816.2 2943.92877.12926.82896.92928 2943.7 2953.8 2950.2 2929.6 2926.617]；2902 2816.1 2646.5 2635.1 2648.1 2600.1 2477.5 2831 2852.32669.9 2661.6 2587.6 2563.82836.8 2703.9 2739.4 2635.3 2632.12829.5 2831.6 2805.8 2805 2810.82680.72750.52654.32645.8 2675.2 2596.3 2553.4 2471.12716 2751.2 2736.2 2617.3 2558.82731.7 2724.52698.7 2616.1 2548.5 2546.82688.3 2588.4 2506.8 2556.32689.1 2602.6 2529.7 2496.62677.22596.62505.52490.32456 2460.12523.92535 2554.6 2542.62442 2427.3 2626.9 2583.8 2500.62482.8 2551.1 2590.6 2585.1 2587 2622.82649.62444.42648.2 2579.7 2473.52628.8 2531.1 2444.92622.6 2529.62644.7 2597.1 2598.7 2648.62527 2508.62440.9 2290.32511.2 2425.6 2309.72493 2496 2526.8 2400.8 2294.32437 2444.12295.52356 2334.92269.42273.32285 2330.8 2277 2304.12323.9 2321.5秀珍之= X0(2:244)-yuce 1；榆次=秀珍之+榆次；地块([1:243)，榆次)附件9:k = 245:488x(k+1-245)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标对于k=1:243榆次(k)= X(k+1)-X(k)-12806；目标对于k=1:244x1(k)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标对于k=1:243yuce 1(k)= X1(k+1)-X1(k)-12806；目标X0=[2987 2972.22887.7 2904.5 2989.9 3141.42957.12972.42923 2935.92803.1 3035.92954 2960.7 2836 2878.3 3061.72922.52833.82836.42803.3 2950.7 2997.3 3143.72842.8 2960.3 3014.1 3096.42822.2 3035.72882 2921.83036.3 3080.9 3033.72930.53070.43137.43043.73142.83064.93014 3041.8 3071.83056.3 3051 3039.73068.83075.8 3032.5 3097.43046 3056.4 3087.2 3085.3 3118 3124.5 3095 3065.9 3107.2 18]；3149.6 3148.5 3001.4 2987.5 2834.5 2860.8 2889.6 2930.4 3172.8 3169.1 3008.1 3008.4 2873.1 2834.9 2890.5 2935.5 3165.1 3152.1 2999.2 2994.6 2873.1 2791.8 2858.3 2885.3 3163.7 3104.4 3008.1 2993.53194.1 3077.2 3027.2 2905.83185.9 3063.8 3019.6 2897.73194.3 3023.9 2978.4 2871.33201.6 3049.2 3006.7 2865.93140.23070.72983.62838.128302833 2856.9 2769.2 2893.52874.2 2880.7 2832.4 2834.72746.5 2890.62772.8 2946.52775.5 2950.22816.2 2943.92877.12926.82896.92750.52654.32928 2943.7 2836.8 2703.9 2739.4 2635.3 2632.1 2953.8 2950.2 2929.6 2926.62902 2816.1 2646.5 2635.1 2648.1 2600.1 2477.5 2831 2852.32669.9 2661.6 2587.6 2563.82829.5 2831.6 2805.8 2805 2810.82680.72645.8 2675.2 2596.3 2553.4 2471.12716 2751.2 2736.2 2617.3 2558.82731.7 2724.52698.7 2616.1 2548.5 2546.82688.3 2588.4 2506.8 2556.32689.1 2602.6 2529.7 2496.62677.22596.62505.52490.32456 2460.12523.92535 2554.6 2542.62442 2427.3 2626.9 2583.8 2500.62482.8 2551.1 2590.6 2585.1 2587 2622.82649.62444.42648.2 2579.7 2473.52628.8 2531.1 2444.92622.6 2529.62644.7 2597.1 2598.7 2648.62527 2508.62440.9 2290.32511.2 2425.6 2309.72493 2496 2526.8 2400.8 2294.32437 2444.12295.52356 2334.92269.42273.32285 2330.8 2277 2304.12323.9 2321.5秀珍之= X0(2:244)-yuce 1；榆次=秀珍之+榆次；yuce 1(1)= yuce(1)+20；yuce 1(2:243)= yuce(2:243)；yuce 2(1)= yuce(1)+30；yuce 2(2:243)= yuce(2:243)+10；情节([1: 243)，恶心1，[1: 243)，恶心2)附件10:清楚潘受=[2987 2972.22836.4 2930.5 3070.4 3137.4 3043.72887.7 2904.5 2989.9 3141.42957.1 2803.3 2950.7 2997.3 3143.72972.4 2842.8 2960.3 3014.1 3096.42923 2935.9 2822.2 3035.72954 2960.72922.52833.82803.1 3035.92836 2878.3 3061.72882 2921.83036.33080.93033.73107.23064.93014 3041.8 3071.83056.3 3051 3039.73068.83075.8 3032.5 3097.43046 3056.4 3087.2 3085.3 3118 3124.5 3095 3065.9 19。