本文關鍵詞：幾種改進的動態(tài)神經(jīng)網(wǎng)絡股指預測模型研究

  更多相關文章： 小波 偏微分方程 BP—DNN模型 GRNN—DNN模型

【摘要】：在過去的2015年里人們經(jīng)歷了一場波瀾壯闊的大牛市,也經(jīng)歷了一場從未有過的股災,多數(shù)人的財富在這一場泡沫中經(jīng)歷了過山車式的變化。而隨著經(jīng)濟的發(fā)展和人民財富的積累,股市在承擔資產(chǎn)配置和為中小企業(yè)融資方面將扮演越來越重要的角色。股市的好壞將直接影響國計民生,因此如何更好的預測市場未來的走勢就顯得尤為重要。通過查閱文獻我們發(fā)現(xiàn),傳統(tǒng)的股市預測方法在進行數(shù)據(jù)去噪時單純的采取小波去噪的方式,一旦閾值的選擇不合理就會造成對高頻部分去噪過度,使得去噪數(shù)據(jù)不能很好的保留原始數(shù)據(jù)的細節(jié)特征。另外傳統(tǒng)預測方法老套且創(chuàng)新性不強,多數(shù)文章都是將以往用過的模型重新套用或者單一的組合,并沒有新的研究方法出現(xiàn)。針對以上問題,本文通過Wind數(shù)據(jù)庫提取自2005年4月6日到2015年4月3日滬深300收盤指數(shù)作為原始研究數(shù)據(jù),共計2428組,數(shù)據(jù)真實可靠。在對原始股票數(shù)據(jù)進行去噪處理時,利用偏微分去噪可以更好的保留數(shù)據(jù)細節(jié)特征的優(yōu)點。本文首次將偏微分和小波去噪相結合運用于股票數(shù)據(jù)的分析和預測中,提出了小波偏微分混合去噪模型。將原始數(shù)據(jù)、小波去噪數(shù)據(jù)、小波與偏微分方程去噪數(shù)據(jù)三種數(shù)據(jù)各抽取542組作為預測模型的輸入變量進行對比研究。由于股票數(shù)據(jù)的非線性特性,本文引入在處理非線性問題時更具優(yōu)勢的GRNN神經(jīng)網(wǎng)絡模型,并與傳統(tǒng)股票預測時采取的BP神經(jīng)網(wǎng)絡模型進行對比�；趧討B(tài)神經(jīng)網(wǎng)絡理論,本文模仿前人將時間窗口滑動和后反饋連接加入BP神經(jīng)網(wǎng)絡進而得到可以處理動態(tài)問題的BP-DNN模型。首次將時間窗口滑動和后反饋連接引入GRNN神經(jīng)網(wǎng)絡提出更適合處理非線性動態(tài)問題的GRNN-DNN模型。最后我們將上述數(shù)據(jù)處理模型與兩種預測模型組合進行訓練和預測,得到四種可以對股票數(shù)據(jù)進行預測的組合模型,得出以下結論：1)由去噪后的指數(shù)圖形可得,小波偏微分混合去噪在去除噪聲的同時可以更好的保留原始數(shù)據(jù)的細節(jié)特征。2)在同一預測模型背景下,三種數(shù)據(jù)預測誤差最小的是小波去噪數(shù)據(jù),小波與偏微分方程去噪數(shù)據(jù)次之,原始數(shù)據(jù)最差。3)在相同數(shù)據(jù)背景下,GRNN-DNN模型的預測效果要優(yōu)于BP-DNN模型。4)在同一神經(jīng)網(wǎng)絡背景下,雖然就預測效果而言小波去噪的數(shù)據(jù)預測效果最好,但這是建立在與預測值所對比的真實值是小波去噪后的數(shù)據(jù)。若將幾種組合模型的預測值與原始數(shù)據(jù)真實值作對比,小波與偏微分方程去噪模型和GRNN-DNN模型的組合預測效果最好。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP18;F832.51

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王崇;趙金樓;;基于動態(tài)神經(jīng)網(wǎng)絡的消費者購買行為特征的挖掘[J];情報雜志;2011年11期

2 劉學廣,王登峰,常振臣,張建南,薛殿倫;動態(tài)神經(jīng)網(wǎng)絡方法在車內(nèi)噪聲參考信號拾取上的應用[J];河北工業(yè)科技;2004年03期

3 韓衛(wèi)華,寧佐貴;時間序列預測的動態(tài)神經(jīng)網(wǎng)絡方法[J];微機發(fā)展;2004年09期

4 田松柏;張耀輝;郭金茂;陳悅峰;;基于動態(tài)神經(jīng)網(wǎng)絡的裝備技術狀態(tài)預測模型[J];裝甲兵工程學院學報;2007年01期

5 房毅憲;邢延健;李勝正;;時延動態(tài)神經(jīng)網(wǎng)絡的穩(wěn)定性分析[J];山東輕工業(yè)學院學報(自然科學版);2010年01期

6 張敏;申曉寧;殷利平;;采用動態(tài)神經(jīng)網(wǎng)絡的多模型自適應重構控制方法[J];計算機測量與控制;2012年05期

7 傅鸝，，裴小兵;一種指數(shù)型動態(tài)神經(jīng)網(wǎng)絡的定性分析[J];重慶大學學報(自然科學版);1996年06期

8 黃金泉,孫健國;非線性系統(tǒng)的動態(tài)神經(jīng)網(wǎng)絡自適應辨識[J];南京航空航天大學學報;1999年03期

9 孫富春,孫增圻,慕春棣;采樣非線性系統(tǒng)的動態(tài)神經(jīng)網(wǎng)絡穩(wěn)定自適應控制[J];自動化學報;2000年06期

10 諸勇,錢積新;基于魯棒穩(wěn)定高階動態(tài)神經(jīng)網(wǎng)絡的非線性系統(tǒng)的辨識[J];浙江大學學報(工學版);2001年01期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 黃西士;吳滄浦;;一種用于跟蹤控制的動態(tài)神經(jīng)網(wǎng)絡[A];1993中國控制與決策學術年會論文集[C];1993年

2 諸勇;錢積新;;基于魯棒穩(wěn)定高階動態(tài)神經(jīng)網(wǎng)絡的非線性系統(tǒng)的辨識[A];1998年中國控制會議論文集[C];1998年

3 項n\伍;;自適應動態(tài)神經(jīng)網(wǎng)絡控制感應電機系統(tǒng)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 郝悍勇;張宇;孫增圻;;一種基于UIO和動態(tài)神經(jīng)網(wǎng)絡的復合故障診斷方法[A];2005年中國智能自動化會議論文集[C];2005年

5 劉耀年;趙明宇;王震宇;;基于動態(tài)神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷在線預測研究[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術年會論文集（中冊）[C];2008年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 麥歡歡;非線性的耦合系統(tǒng)一致性問題研究[D];重慶大學;2012年

2 范劍超;微粒群優(yōu)化算法與動態(tài)神經(jīng)網(wǎng)絡建模預測研究[D];大連理工大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 趙晨;動態(tài)神經(jīng)網(wǎng)絡在量化投資預測中的應用[D];復旦大學;2014年

2 陳雯吉;基于主成分分析和NARX動態(tài)神經(jīng)網(wǎng)絡的股市情緒指數(shù)構建與預測[D];蘭州大學;2016年

3 張鑫;基于動態(tài)建模的短期風電功率預測[D];上海電機學院;2016年

4 趙躍波;幾種改進的動態(tài)神經(jīng)網(wǎng)絡股指預測模型研究[D];北京交通大學;2016年

5 譚曉惠;動態(tài)神經(jīng)網(wǎng)絡的穩(wěn)定性研究及應用[D];西南交通大學;2002年

6 呂琪;基于動態(tài)神經(jīng)網(wǎng)絡的交通事件檢測算法[D];浙江大學;2003年

7 王穎;基于動態(tài)神經(jīng)網(wǎng)絡的系統(tǒng)建模理論及優(yōu)化技術研究[D];東北石油大學;2011年

8 張明;基于改進動態(tài)神經(jīng)網(wǎng)絡的股票預測模型的研究[D];內(nèi)蒙古大學;2014年

9 鄭偉范;動態(tài)神經(jīng)網(wǎng)絡的定性分析[D];西南交通大學;2004年

10 尹嵩;基于動態(tài)神經(jīng)網(wǎng)絡的支持向量機的FPGA實現(xiàn)[D];西安理工大學;2009年

本文編號：1299835