本文選題：股指期貨　切入點(diǎn)：模糊信息�；�　出處：《南方金融》2017年11期

【摘要】：為提高區(qū)間預(yù)測(cè)的精度,提出一種基于三角模糊信息粒化的改進(jìn)徑向基(RBF)與支持向量回歸機(jī)(SVR)相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)測(cè)模型,對(duì)股指期貨價(jià)格的變化區(qū)間進(jìn)行預(yù)測(cè)。首先,對(duì)原始數(shù)據(jù)進(jìn)行模糊�；幚�,獲得相應(yīng)的變化區(qū)間;其次,采取自組織學(xué)習(xí)策略并運(yùn)用減聚類算法,對(duì)傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,改進(jìn)模型的結(jié)構(gòu)與參數(shù);然后,運(yùn)用SVR對(duì)模型滾動(dòng)預(yù)測(cè)過(guò)程中產(chǎn)生的殘差趨勢(shì)作進(jìn)一步的估計(jì),從而修正預(yù)測(cè)值;最后,運(yùn)用改進(jìn)混合神經(jīng)網(wǎng)絡(luò)對(duì)模糊�；蟮臏�300股指期貨數(shù)據(jù)進(jìn)行實(shí)例驗(yàn)證。結(jié)果表明,基于模糊信息�；母倪M(jìn)混合神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)測(cè)模型能夠較為精確地預(yù)測(cè)股指期貨價(jià)格的變化范圍與價(jià)格走勢(shì),有效提高單一非參數(shù)模型的點(diǎn)預(yù)測(cè)與區(qū)間預(yù)測(cè)的精度和運(yùn)行效率,同時(shí)具備較好的網(wǎng)絡(luò)結(jié)構(gòu)與擬合能力。
[Abstract]:In order to improve the accuracy of interval prediction, a hybrid neural network interval prediction model based on triangular fuzzy information granulation (RBF) and support vector regression machine (SVR) is proposed. The change interval of stock index futures price is forecasted. Firstly, the original data is processed by fuzzy granulation, and the corresponding change interval is obtained. Secondly, self-organizing learning strategy is adopted and clustering algorithm is used to reduce the value of stock index futures. The traditional RBF neural network is optimized to improve the structure and parameters of the model. Then, SVR is used to further estimate the trend of residual error in the process of model rolling prediction, so that the prediction value can be revised. The improved hybrid neural network is used to verify the fuzzy-granulated data of Shanghai and Shenzhen 300 stock index futures. The results show that, The improved hybrid neural network interval prediction model based on fuzzy information granulation can accurately predict the range and price trend of stock index futures price. The accuracy and operation efficiency of point prediction and interval prediction of single nonparametric model are improved effectively, and the network structure and fitting ability are also improved.
【作者單位】： 華南理工大學(xué)工商管理學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目《區(qū)域孵育網(wǎng)絡(luò)體系建設(shè)運(yùn)營(yíng)評(píng)價(jià)及其風(fēng)險(xiǎn)度量》(項(xiàng)目編號(hào):71073056) 教育部人文社會(huì)科學(xué)項(xiàng)目《P2P的信用風(fēng)險(xiǎn)評(píng)價(jià)與監(jiān)管研究》(項(xiàng)目編號(hào):Y9150040) 中央高校重大決策項(xiàng)目《互聯(lián)網(wǎng)金融與孵化器企業(yè)集群融資創(chuàng)新及其對(duì)策研究》(項(xiàng)目編號(hào):D214433W)的資助
【分類號(hào)】：F724.5;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳世君;林自葵;劉志高;;基于混合神經(jīng)網(wǎng)絡(luò)的鐵路材料消耗的預(yù)測(cè)方法研究[J];鐵道建筑技術(shù);2009年S2期

2 韓勝菊;陶冶;楊文蓮;皮國(guó)喜;;混合神經(jīng)網(wǎng)絡(luò)響應(yīng)面調(diào)度法在漁船協(xié)同論證中的應(yīng)用[J];大連水產(chǎn)學(xué)院學(xué)報(bào);2010年02期

3 尉斌;孟巍;;基于混合神經(jīng)網(wǎng)絡(luò)的車輛路徑模型研究[J];計(jì)算機(jī)工程與設(shè)計(jì);2011年11期

4 安凱;混合神經(jīng)網(wǎng)絡(luò)及其在非線性系統(tǒng)控制中的應(yīng)用[J];光電工程;2000年05期

5 許銳,黃達(dá)詮,李志能;洗牌型光電混合神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)系統(tǒng)[J];光學(xué)學(xué)報(bào);2002年01期

6 吳勉,邵惠鶴;基于聯(lián)合時(shí)頻分析的混合神經(jīng)系統(tǒng)在信號(hào)分類與模式識(shí)別中的應(yīng)用[J];控制理論與應(yīng)用;2001年S1期

7 鄭生榮,辛勇,楊國(guó)泰,何成宏;基于混合神經(jīng)網(wǎng)絡(luò)與遺傳算法方法的注塑參數(shù)優(yōu)化[J];計(jì)算機(jī)應(yīng)用;2004年02期

8 廖雪平;羅飛;;混合神經(jīng)網(wǎng)絡(luò)在污水毒性預(yù)測(cè)中的應(yīng)用[J];化工自動(dòng)化及儀表;2011年02期

9 李誼,王知衍,曾海贊;采用混合神經(jīng)網(wǎng)絡(luò)高精確度提取機(jī)票字符[J];計(jì)算機(jī)工程與應(yīng)用;2004年08期

10 劉梅清,馮衛(wèi)民,劉光臨,程宏舉;混合神經(jīng)網(wǎng)絡(luò)在泵站機(jī)組故障診斷中的應(yīng)用[J];武漢水利電力大學(xué)學(xué)報(bào);2000年03期

相關(guān)會(huì)議論文 前1條

1 代勁;何中市;;基于云模型的快速信息粒化算法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)博士學(xué)位論文 前2條

1 陳潔;商空間的�；P(guān)鍵技術(shù)及問(wèn)題求解研究[D];安徽大學(xué);2014年

2 錢宇華;復(fù)雜數(shù)據(jù)的�；瘷C(jī)理與數(shù)據(jù)建模[D];山西大學(xué);2011年

相關(guān)碩士學(xué)位論文 前8條

1 羅練海;基于Hadoop的混合神經(jīng)網(wǎng)絡(luò)計(jì)算平臺(tái)研究與實(shí)現(xiàn)[D];華南理工大學(xué);2016年

2 張鵬飛;基于混合神經(jīng)網(wǎng)絡(luò)技術(shù)的風(fēng)功率預(yù)測(cè)研究[D];沈陽(yáng)工業(yè)大學(xué);2015年

3 許興華;基于混合神經(jīng)網(wǎng)絡(luò)的非線性動(dòng)態(tài)系統(tǒng)建模[D];北京化工大學(xué);2006年

4 胡珊;混合神經(jīng)網(wǎng)絡(luò)在石油價(jià)格預(yù)測(cè)中的應(yīng)用研究[D];南昌大學(xué);2013年

5 劉景華;基于信息�；奶卣鬟x擇算法研究[D];閩南師范大學(xué);2016年

6 王昆;基于邏輯方法的�；碚揫D];首都師范大學(xué);2014年

7 宋金朋;數(shù)據(jù)集的�；瘶�(shù)研究與應(yīng)用[D];河南師范大學(xué);2014年

8 張豐旺;基于信息�；腟VM在證券時(shí)間序列分析中的應(yīng)用[D];昆明理工大學(xué);2014年

，

本文編號(hào)：1657256