基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的證券預(yù)測(cè)技術(shù)的研究
發(fā)布時(shí)間:2020-05-17 12:03
【摘要】: 預(yù)測(cè)是科學(xué)管理的重要環(huán)節(jié),是決策、規(guī)劃的前提,在社會(huì)經(jīng)濟(jì)管理中,經(jīng)常要對(duì)某一事物或系統(tǒng)的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)和分析。而股票市場(chǎng)是經(jīng)濟(jì)的報(bào)警器,其作用不僅被政府所重視,而且受到投資大眾的普遍關(guān)注。 起源于上世紀(jì)四十年代的人工神經(jīng)網(wǎng)絡(luò)是人工智能的一個(gè)分支,它在很多領(lǐng)域得到了廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)貯存以往的歷史經(jīng)驗(yàn)知識(shí),并能外推到未來,這是神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)領(lǐng)域的理論依據(jù)。對(duì)于時(shí)間序列的股市預(yù)測(cè),神經(jīng)網(wǎng)絡(luò)比其他數(shù)學(xué)模型更有效,而且精確度更高。 遺傳算法具有強(qiáng)大的搜索能力,因此可以用來解決很多常規(guī)方法無法解決的問題。遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合后,使得神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)等達(dá)到最優(yōu),大大地增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的性能,使智能計(jì)算得到了突飛猛進(jìn)的發(fā)展。因此對(duì)遺傳算法和神經(jīng)網(wǎng)絡(luò)的研究具有很重要的意義。 本文基于股票市場(chǎng)高度非線性的特點(diǎn),從遺傳算法和神經(jīng)網(wǎng)絡(luò)的基本理論入手,提出了一種GA-BP算法,來解決基本BP算法在權(quán)值調(diào)整過程中存在的收斂速度慢、易陷入局部極小點(diǎn)的不足。GA-BP算法具有遺傳算法全局搜索的特點(diǎn),注重搜索未知區(qū)域,同時(shí)也具有神經(jīng)網(wǎng)絡(luò)處理速度快、精度較高的特點(diǎn)。理論分析和實(shí)驗(yàn)結(jié)果表明,神經(jīng)網(wǎng)絡(luò)用于股票市場(chǎng)的預(yù)測(cè)是可行和有效的,有著良好的前景,而GA-BP算法進(jìn)一步提高了運(yùn)行的速度和可靠性。
【圖文】:
哈爾濱工程大學(xué)碩士學(xué)位論文.2基于BP算法的證券預(yù)測(cè)技術(shù)的性能分析下面采用未改進(jìn)的BP網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn),來說明傳統(tǒng)BP算法的缺點(diǎn),見3.1節(jié),數(shù)據(jù)未進(jìn)行預(yù)處理,網(wǎng)絡(luò)的輸入結(jié)點(diǎn)數(shù)和隱層結(jié)點(diǎn)數(shù)分和16,訓(xùn)練函數(shù)為仕ain朗,對(duì)70個(gè)訓(xùn)練樣本進(jìn)行仿真。訓(xùn)練500000步時(shí),訓(xùn)練目標(biāo)曲線如圖2.2所示。圖2.3為28個(gè)測(cè)試樣本的預(yù),其中“+’,表示期望值,‘,o’,,表示預(yù)測(cè)值。
圖3.5數(shù)據(jù)預(yù)處理后的預(yù)測(cè)本章小結(jié)本章首先分析了進(jìn)行數(shù)據(jù)預(yù)處理的必要性,并說明了本實(shí)驗(yàn)數(shù)據(jù)的來介紹了兩種數(shù)據(jù)預(yù)處理的方法:歸一化方法和主成分分析的方法。本實(shí)驗(yàn)的具體數(shù)據(jù),提出一種新的數(shù)據(jù)預(yù)處理方法—數(shù)據(jù)自身乘歸一化。并仿真驗(yàn)證了該數(shù)據(jù)變換的有效性,但是預(yù)測(cè)誤差還是很一章采用遺傳優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)經(jīng)過預(yù)處理的數(shù)據(jù),進(jìn)預(yù)測(cè)的精度。
【學(xué)位授予單位】:哈爾濱工程大學(xué)
【學(xué)位級(jí)別】:碩士
【學(xué)位授予年份】:2008
【分類號(hào)】:F830.91;TP18
本文編號(hào):2668517
【圖文】:
哈爾濱工程大學(xué)碩士學(xué)位論文.2基于BP算法的證券預(yù)測(cè)技術(shù)的性能分析下面采用未改進(jìn)的BP網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn),來說明傳統(tǒng)BP算法的缺點(diǎn),見3.1節(jié),數(shù)據(jù)未進(jìn)行預(yù)處理,網(wǎng)絡(luò)的輸入結(jié)點(diǎn)數(shù)和隱層結(jié)點(diǎn)數(shù)分和16,訓(xùn)練函數(shù)為仕ain朗,對(duì)70個(gè)訓(xùn)練樣本進(jìn)行仿真。訓(xùn)練500000步時(shí),訓(xùn)練目標(biāo)曲線如圖2.2所示。圖2.3為28個(gè)測(cè)試樣本的預(yù),其中“+’,表示期望值,‘,o’,,表示預(yù)測(cè)值。
圖3.5數(shù)據(jù)預(yù)處理后的預(yù)測(cè)本章小結(jié)本章首先分析了進(jìn)行數(shù)據(jù)預(yù)處理的必要性,并說明了本實(shí)驗(yàn)數(shù)據(jù)的來介紹了兩種數(shù)據(jù)預(yù)處理的方法:歸一化方法和主成分分析的方法。本實(shí)驗(yàn)的具體數(shù)據(jù),提出一種新的數(shù)據(jù)預(yù)處理方法—數(shù)據(jù)自身乘歸一化。并仿真驗(yàn)證了該數(shù)據(jù)變換的有效性,但是預(yù)測(cè)誤差還是很一章采用遺傳優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)經(jīng)過預(yù)處理的數(shù)據(jù),進(jìn)預(yù)測(cè)的精度。
【學(xué)位授予單位】:哈爾濱工程大學(xué)
【學(xué)位級(jí)別】:碩士
【學(xué)位授予年份】:2008
【分類號(hào)】:F830.91;TP18
【引證文獻(xiàn)】
相關(guān)碩士學(xué)位論文 前1條
1 陸田;基于FPGA技術(shù)的神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)[D];青島科技大學(xué);2011年
本文編號(hào):2668517
本文鏈接:http://www.sikaile.net/guanlilunwen/zhqtouz/2668517.html
最近更新
教材專著