【摘要】：股票市場(chǎng)數(shù)據(jù)通常具有極強(qiáng)的波動(dòng)性,對(duì)股票市場(chǎng)數(shù)據(jù)的預(yù)測(cè)一直以來(lái)都是金融領(lǐng)域的重要課題。股票預(yù)測(cè)即對(duì)股票價(jià)格指數(shù)的運(yùn)行趨勢(shì)進(jìn)行預(yù)測(cè),這也是國(guó)內(nèi)外在統(tǒng)計(jì)金融領(lǐng)域的研究熱點(diǎn)。傳統(tǒng)的股票預(yù)測(cè)方法主要是線性預(yù)測(cè)法,其中較為常見(jiàn)的就是建立自回歸移動(dòng)平均模型。在金融研究領(lǐng)域,自回歸移動(dòng)模型(ARIMA)是一種主要的預(yù)測(cè)手段,這是一種線性的預(yù)測(cè)方法,其對(duì)一些平穩(wěn)數(shù)據(jù)的預(yù)測(cè)效果較好,但是對(duì)具有強(qiáng)波動(dòng)性的股票數(shù)據(jù)往往效果欠佳。由于ARIMA模型的非線性預(yù)能力較差導(dǎo)致其始終無(wú)法產(chǎn)生較為滿意的預(yù)測(cè)結(jié)果,研究者需要尋找更多適用于股票預(yù)測(cè)的方法。機(jī)器學(xué)習(xí)對(duì)金融行業(yè)數(shù)據(jù)的處理有著得天獨(dú)厚的優(yōu)勢(shì),其能精準(zhǔn)分析同一時(shí)間內(nèi)的大量股票數(shù)據(jù)或財(cái)務(wù)數(shù)據(jù)的變動(dòng),并很快得出相應(yīng)的結(jié)論,這樣使金融市場(chǎng)的運(yùn)行效率得到顯著提高。在股票市場(chǎng)的趨勢(shì)預(yù)測(cè)方面,其能運(yùn)用股價(jià)指數(shù)的相關(guān)特征對(duì)股票市場(chǎng)數(shù)據(jù)進(jìn)行預(yù)測(cè),在財(cái)務(wù)數(shù)據(jù)管理方面,機(jī)器學(xué)習(xí)算法可對(duì)公司的資產(chǎn)負(fù)債表、現(xiàn)金流量表等財(cái)務(wù)數(shù)據(jù)進(jìn)行有效分析。我們需要尋找一些可以對(duì)非線性數(shù)據(jù)具有良好適應(yīng)性的預(yù)測(cè)方法,所以擬用機(jī)器學(xué)習(xí)的相關(guān)算法,本文采用的是小波神經(jīng)網(wǎng)絡(luò)(WNN)和支持向量機(jī)(SVM)。小波神經(jīng)網(wǎng)絡(luò)是將小波與神經(jīng)網(wǎng)絡(luò)結(jié)合的理論方法,這種方法融合了兩種理論的優(yōu)點(diǎn),是一種有效的股票預(yù)測(cè)方法。支持向量機(jī)以堅(jiān)實(shí)的數(shù)學(xué)理論做支撐,其采用核函數(shù)方法可以有效解決一些復(fù)雜計(jì)算,并應(yīng)用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則使得這種方法在金融預(yù)測(cè)領(lǐng)域廣受推崇。使用BP算法的WNN收斂速度慢且易陷入局部最小,為改善模型性能,提高預(yù)測(cè)精度,擬用用粒子群算法(PSO)優(yōu)化WNN,優(yōu)化WNN參數(shù)以建立股票預(yù)測(cè)模型PSO-WNN。為了遵從實(shí)驗(yàn)的邏輯性,同樣建立股票預(yù)測(cè)模型PSO-SVM。運(yùn)用MATLAB進(jìn)行仿真實(shí)驗(yàn),通過(guò)分析實(shí)驗(yàn)結(jié)果,證明小波神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)在股票預(yù)測(cè)中的可行性。設(shè)定相關(guān)統(tǒng)計(jì)指標(biāo)衡量預(yù)測(cè)效果,評(píng)估優(yōu)化效果,并分析比較模型在優(yōu)化后的預(yù)測(cè)性能,最后綜合分析整體的預(yù)測(cè)性能。
【圖文】：

來(lái)形成的小波神經(jīng)網(wǎng)絡(luò)（WNN）已經(jīng)成為主要的股票預(yù)測(cè)方法。將小絡(luò)結(jié)合而成的 WNN 兼具多尺度分析能力和非線性學(xué)習(xí)能力。在 WNN過(guò)程中一般采用梯度修正法，，即通過(guò)修正網(wǎng)絡(luò)權(quán)值和小波基參數(shù)使 WN斷逼近期望輸出。NN 的拓?fù)錂C(jī)構(gòu)神經(jīng)網(wǎng)絡(luò)是基于小波變換而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型，是小波變換與神經(jīng)網(wǎng)即用非線性小波基取代通常的神經(jīng)元非線性激勵(lì)函數(shù)。BP 神經(jīng)網(wǎng)絡(luò)是結(jié)構(gòu)基礎(chǔ)。3.3 表示的就是 WNN 的結(jié)構(gòu)，其由一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出網(wǎng)絡(luò)理論，一個(gè)三層神經(jīng)網(wǎng)絡(luò)具備精確逼近一般非線性函數(shù)的能力，運(yùn)交基對(duì)函數(shù)逼近使得網(wǎng)絡(luò)節(jié)點(diǎn)的冗余度較小。小波基函數(shù)取代原 Sigm層的激勵(lì)函數(shù)，時(shí)頻局部分析和自適應(yīng)學(xué)習(xí)被融合在了一起，這樣具備N 就有了更強(qiáng)的非線性逼近能力[10]。

將 168 月的數(shù)據(jù)當(dāng)作一組時(shí)間序列，前 106 個(gè)時(shí)間點(diǎn)的數(shù)據(jù)作為訓(xùn)練集樣本，62 個(gè)時(shí)間點(diǎn)作為測(cè)試集樣本，分別用 PSO-WNN 和 PSO-SVM 進(jìn)行訓(xùn)練。圖 6.2 為訓(xùn)集數(shù)據(jù)，圖 6.3 為測(cè)試集數(shù)據(jù)。圖 6.1 168 個(gè)月的期末上證綜合收盤指數(shù)
【學(xué)位授予單位】：安慶師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：F224;F830.91

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 孟飛;蘭巨龍;胡宇翔;;基于改進(jìn)的量子粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用研究;2015年05期

2 郭通;蘭巨龍;李玉峰;江逸茗;;基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)[J];電子與信息學(xué)報(bào);2013年09期

3 羅勇;鄭金;寧美鳳;;基于相似日搜索的PSO-WNN組合模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J];信息與控制;2013年03期

4 李樹(shù)榮;雷陽(yáng);張強(qiáng);張曉東;;一種求解最優(yōu)控制問(wèn)題的混合WNN-PSO算法[J];系統(tǒng)仿真學(xué)報(bào);2013年03期

5 潘玉民;張曉宇;張全柱;薛鵬騫;;基于量子粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J];信息與控制;2012年06期

6 雷秀娟;史忠科;周亦鵬;;PSO優(yōu)化算法演變及其融合策略[J];計(jì)算機(jī)工程與應(yīng)用;2007年07期

7 彭麗芳;孟志青;姜華;田密;;基于時(shí)間序列的支持向量機(jī)在股票預(yù)測(cè)中的應(yīng)用[J];計(jì)算技術(shù)與自動(dòng)化;2006年03期

本文編號(hào)：2603569