在過去的幾年中,各種研究人員和金融分析師強調(diào)了非線性分析在金融市場活動中的意義�？紤]到一種新的金融分析方法似乎是必要的—金融市場的非線性分析集成。神經(jīng)網(wǎng)絡(luò)計算領(lǐng)域的開發(fā)者提供了一種新的基于數(shù)學(xué)工作的金融非線性分析方法,由于該方法其自身良好的學(xué)習(xí),糾錯能力和非線性逼近能力,在時序列預(yù)測中發(fā)揮了重要的作用。 預(yù)測是時序列研究的應(yīng)用之一,金融時序列數(shù)據(jù)是時序列的重要組成部分,并且與人們的生活密切相關(guān)。研究金融時序列預(yù)測可以對人們的風(fēng)險投資、國家對經(jīng)濟的調(diào)控起到一定的參考作用。 本文首先介紹了目前常用的時序列預(yù)測模型,隨后介紹了各種神經(jīng)網(wǎng)絡(luò)模型,并著重介紹了基于RBF神經(jīng)網(wǎng)絡(luò)的金融時序列預(yù)測模型,同時指出RBF神經(jīng)網(wǎng)絡(luò)存在的缺陷,并在此基礎(chǔ)上提出來了改進的RBF神經(jīng)網(wǎng)絡(luò)模型。改進的模型主要在RBF中心點和徑向基寬度的選取上進行了調(diào)整,將原有的最近鄰聚類中以第一個進入該聚類的輸入向量作為中心點調(diào)整為以該類中所有向量的平均向量作為該聚類的中心點向量,對徑向基寬度的選擇則采用迭代最優(yōu)化選取的方式進行選擇。 將改進的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于金融時序列的預(yù)測,并通過比較采用原來的RBF神經(jīng)網(wǎng)絡(luò)所做的預(yù)測,發(fā)現(xiàn)改進的網(wǎng)絡(luò)在預(yù)測的準(zhǔn)確性和訓(xùn)練的效率上都有所提高。驗證了該算法的可行性 最后對改進的算法可能存在的過擬合現(xiàn)象進行調(diào)整,消除隱含層中冗余的中心點,降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度,提升對未知模型預(yù)測的性能。每新增一個中心點時則動態(tài)的與已經(jīng)有的中心點進行對比,判斷是否冗余。當(dāng)兩個中心點的向量內(nèi)積逼近于1時,則動態(tài)的刪除其中的一個中心點,將這個輸入向量歸于最近距離的聚類中。通過實驗,我們發(fā)現(xiàn)通過消除過擬合,能很好的刪除冗余的中心點。
【學(xué)位單位】：北京化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2010
【中圖分類】：F830;TP183
【部分圖文】：

5.2.1預(yù)測工具介紹金融時序列預(yù)測系統(tǒng)主要是由四個功能部分組成的。分別為數(shù)據(jù)預(yù)處理模塊，RBF預(yù)測模塊，預(yù)測后繪圖模型，數(shù)據(jù)導(dǎo)出模型。系統(tǒng)的工作界面圖5一1所示，界面的第二欄主要列舉出了預(yù)測中需要用到的參數(shù)。如歷史關(guān)聯(lián)天數(shù)、迭代次數(shù)(最大訓(xùn)練數(shù)步)、學(xué)習(xí)步長粉、預(yù)測天數(shù)。29

本次實驗取的都是股票的收盤價作為預(yù)測對象。5.3.3預(yù)測結(jié)果圖5一3、圖5一4、圖5一5表示中石化、熊貓電了、江西銅業(yè)的訓(xùn)練數(shù)據(jù)的逼近和末來七天股票收盤價的預(yù)測圖。紅色的線表示股票收盤價的訓(xùn)練數(shù)據(jù)趨勢曲線，黑色的線表示訓(xùn)練時網(wǎng)絡(luò)的輸出數(shù)據(jù)對股票收盤價的逼近曲線。從圖中我們可以看來網(wǎng)絡(luò)的實際輸出與期望輸出兩條曲線基本重合。標(biāo)記為黑色*的點是RBF神經(jīng)網(wǎng)絡(luò)的滾動預(yù)測的七天輸出數(shù)據(jù)，標(biāo)記為紅色+的點股票的實際輸出。

數(shù)據(jù)的比較中我們可以，在三支股票的預(yù)測中最大的誤差百分比也不到8%(誤差百分比的定義為實際輸出與預(yù)測輸出差值的絕對值除以實際輸出。)。說明該網(wǎng)絡(luò)能很好的逼近預(yù)測的數(shù)據(jù)。表明RBF神經(jīng)網(wǎng)絡(luò)模型在金融時序列預(yù)測應(yīng)用中的可行性。我們不僅可以對收盤價進行預(yù)測，也可以對開盤價，成交量，上證指數(shù)等其他的金融時列數(shù)據(jù)應(yīng)用相同的方法進行預(yù)測。5.4算法比較在上一節(jié)中我們采用改進的RBF神經(jīng)網(wǎng)絡(luò)算法對三支股票的收盤價進行了預(yù)測，達到了不錯的效果。改進的算法是否優(yōu)于原來的算法我們還不得而知，下面我們將采用原來的RBF神經(jīng)網(wǎng)絡(luò)算法對以上三支股票的數(shù)據(jù)也進行預(yù)測，進行對比。我們將這兩種方法預(yù)測的數(shù)據(jù)用MATLAB直觀的畫出來。展示如下:
【相似文獻】

相關(guān)期刊論文 前10條

1 孫海龍;馮超;匙瑞堂;;滾動軸承狀態(tài)監(jiān)測[J];工業(yè)設(shè)計;2011年05期

2 李博;;基于人工智能技術(shù)的電子商務(wù)輔助教學(xué)系統(tǒng)[J];太原城市職業(yè)技術(shù)學(xué)院學(xué)報;2011年06期

3 郭慶春;孔令軍;崔文娟;寇立群;史永博;張小永;;神經(jīng)網(wǎng)絡(luò)在農(nóng)民收入預(yù)測中的應(yīng)用[J];價值工程;2011年24期

4 杜道淵;柏宏斌;周鋒;;基于BP神經(jīng)網(wǎng)絡(luò)自貢房地產(chǎn)價格走勢預(yù)測[J];四川理工學(xué)院學(xué)報(自然科學(xué)版);2011年03期

5 宋春暉;;基于BP網(wǎng)絡(luò)的地鐵車站深基坑圍護樁水平位移預(yù)測[J];現(xiàn)代物業(yè)(上旬刊);2011年06期

6 劉璐瑤;黃飛飛;;智能化軸承狀態(tài)檢測方法實例[J];工業(yè)設(shè)計;2011年05期

7 章偉;;粗糙集BP神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)價格預(yù)測中的應(yīng)用[J];計算機仿真;2011年07期

8 曾箏;;商業(yè)銀行信用風(fēng)險評估方法研究[J];計算機仿真;2011年08期

9 傅俊輝;張衛(wèi)國;杜倩;孔文濤;;規(guī)避逐日盯市風(fēng)險的期貨套期保值模型[J];管理科學(xué);2011年03期

10 管昕;;基于補償模糊神經(jīng)網(wǎng)絡(luò)的項目財務(wù)評價[J];統(tǒng)計與管理;2010年04期

相關(guān)博士學(xué)位論文 前10條

1 牟洪波;基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測研究[D];東北林業(yè)大學(xué);2010年

2 趙斌;基于RBF網(wǎng)絡(luò)的北方溫室溫濕度控制機理的研究[D];東北林業(yè)大學(xué);2010年

3 杜大軍;網(wǎng)絡(luò)控制系統(tǒng)的學(xué)習(xí)和控制策略研究[D];上海大學(xué);2010年

4 馬永濤;通信信道建模的神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)研究[D];天津大學(xué);2009年

5 王瓊;基于優(yōu)化理論的神經(jīng)網(wǎng)絡(luò)研究及在抽油機故障診斷中的應(yīng)用[D];東北石油大學(xué);2011年

6 劉志祥;深部開采高階段尾砂充填體力學(xué)與非線性優(yōu)化設(shè)計[D];中南大學(xué);2005年

7 戴雪龍;PET探測器神經(jīng)網(wǎng)絡(luò)定位方法研究[D];中國科學(xué)技術(shù)大學(xué);2006年

8 馬戎;智能控制技術(shù)在煉鋼電弧爐中的應(yīng)用研究[D];西北工業(yè)大學(xué);2006年

9 文敦偉;面向多智能體和神經(jīng)網(wǎng)絡(luò)的智能控制研究[D];中南大學(xué);2001年

10 吳大宏;基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)研究[D];西南交通大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 王曉娟;基于模糊控制與RBF神經(jīng)網(wǎng)絡(luò)的桃病蟲害發(fā)生預(yù)測研究[D];河北農(nóng)業(yè)大學(xué);2011年

2 童翔威;RBF神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用研究[D];中南林業(yè)科技大學(xué);2009年

3 裴雪紅;基于改進RBF神經(jīng)網(wǎng)絡(luò)的PID控制[D];哈爾濱理工大學(xué);2010年

4 李娟;基于RBFN逆模型的非線性系統(tǒng)控制策略研究[D];安徽工業(yè)大學(xué);2009年

5 焦玉瑩;基于RBF神經(jīng)網(wǎng)絡(luò)的浮船塢浮態(tài)檢驗系統(tǒng)辨識[D];大連海事大學(xué);2011年

6 朱一嘉;基于RBF神經(jīng)網(wǎng)絡(luò)的金融時序列預(yù)測研究[D];北京化工大學(xué);2010年

7 崔小彥;基于RBF神經(jīng)網(wǎng)絡(luò)與蟻群算法的瓦斯預(yù)測模型研究[D];遼寧工程技術(shù)大學(xué);2009年

8 臧勝永;船舶航向非線性系統(tǒng)的模型參考神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[D];大連海事大學(xué);2005年

9 李昆仲;基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性評價研究[D];長安大學(xué);2010年

10 姚寧;基于差分進化算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷研究[D];太原理工大學(xué);2011年

本文編號：2872685