本文關(guān)鍵詞：隨機(jī)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及金融市場(chǎng)波動(dòng)和相關(guān)性的研究

  更多相關(guān)文章： 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 隨機(jī)時(shí)效性函數(shù) 指數(shù)函數(shù) 股票指數(shù) 相關(guān)性系數(shù)

【摘要】：隨著金融市場(chǎng)不斷發(fā)展和完善,對(duì)股市性質(zhì)、規(guī)律的研究提出了更高的要求,其中預(yù)測(cè)股票市場(chǎng)波動(dòng)已成為一個(gè)重要的金融課題。金融預(yù)測(cè)的一個(gè)關(guān)鍵元素是構(gòu)建模型挖掘金融數(shù)據(jù)內(nèi)部相關(guān)性。人工神經(jīng)網(wǎng)絡(luò)(ANN)是非線性統(tǒng)計(jì)建模和決策方法,廣泛應(yīng)用于金融時(shí)間序列預(yù)測(cè)及分析。本文根據(jù)股票指數(shù)長(zhǎng)記憶性及其收益率的正態(tài)高峰厚尾現(xiàn)象,神經(jīng)網(wǎng)絡(luò)(BPNN)的基礎(chǔ)上,構(gòu)造了隨機(jī)時(shí)效性神經(jīng)網(wǎng)絡(luò)(STSNN)和指數(shù)神經(jīng)網(wǎng)絡(luò)(EBPNN)。STSNN模型中,將隨機(jī)時(shí)效性函數(shù)引入到BP神經(jīng)網(wǎng)絡(luò)中,使模型對(duì)不同時(shí)間的歷史數(shù)據(jù)賦予不同的權(quán)重,并使權(quán)重在整體滿足指數(shù)衰減的前提下,還服從布朗運(yùn)動(dòng)的隨機(jī)波動(dòng)特性。EBPNN模型中,將指數(shù)函數(shù)引入到BP神經(jīng)網(wǎng)絡(luò)中,加強(qiáng)模型對(duì)預(yù)測(cè)序列波動(dòng)性的挖掘與擬合。 實(shí)證分析部分,用隨機(jī)時(shí)效性神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)國(guó)內(nèi)外重要股票指數(shù)的波動(dòng)程度和上證指數(shù)與深成指數(shù)的收益率尺度序列相關(guān)性系數(shù)進(jìn)行了實(shí)證預(yù)測(cè)；用指數(shù)神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)對(duì)上證指數(shù)與深成指數(shù)的收益率相關(guān)性系數(shù)進(jìn)行了實(shí)證預(yù)測(cè)。實(shí)驗(yàn)結(jié)果顯示隨機(jī)時(shí)效性神經(jīng)網(wǎng)絡(luò)模型、指數(shù)神經(jīng)網(wǎng)絡(luò)模型均對(duì)BP神經(jīng)網(wǎng)絡(luò)模型起到了優(yōu)化作用,訓(xùn)練和預(yù)測(cè)精度更高,更符合實(shí)際。
【關(guān)鍵詞】：神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) 隨機(jī)時(shí)效性函數(shù) 指數(shù)函數(shù) 股票指數(shù) 相關(guān)性系數(shù)
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F832.51;TP183
【目錄】：

• 致謝5-6
• 中文摘要6-7
• ABSTRACT7-9
• 第1章 緒論9-13
• 1.1 選題背景及意義9-10
• 1.2 股市預(yù)測(cè)國(guó)內(nèi)外發(fā)展現(xiàn)狀10-13
• 第2章 中國(guó)股市的統(tǒng)計(jì)分析13-17
• 2.1 股票價(jià)格指數(shù)13-14
• 2.2 收益率和冪律分布14-17
• 第3章 BP神經(jīng)網(wǎng)絡(luò)(BPNN)模型17-21
• 3.1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)17-19
• 3.2 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練19-21
• 第4章 隨機(jī)時(shí)效性神經(jīng)網(wǎng)絡(luò)模型在股市預(yù)測(cè)中的應(yīng)用21-42
• 4.1 隨機(jī)時(shí)效性神經(jīng)網(wǎng)絡(luò)(STSNN)模型的建立21-25
• 4.1.1 Brown運(yùn)動(dòng)與隨機(jī)時(shí)效性函數(shù)21-23
• 4.1.2 隨機(jī)時(shí)效性神經(jīng)網(wǎng)絡(luò)(STSNN)模型結(jié)構(gòu)及訓(xùn)練23-25
• 4.2 STSNN模型的實(shí)證預(yù)測(cè)25-42
• 4.2.1 STSNN模型對(duì)收益率波動(dòng)程度的預(yù)測(cè)25-32
• 4.2.2 STSNN模型對(duì)收益率尺度序列互相關(guān)性系數(shù)的實(shí)證預(yù)測(cè)32-42
• 第5章 指數(shù)神經(jīng)網(wǎng)絡(luò)模型在股市預(yù)測(cè)中的應(yīng)用42-53
• 5.1 指數(shù)神經(jīng)網(wǎng)絡(luò)(EBPNN)模型結(jié)構(gòu)及訓(xùn)練42-45
• 5.2 指數(shù)神經(jīng)網(wǎng)絡(luò)(EBPNN)模型的對(duì)互相關(guān)系數(shù)的實(shí)證預(yù)測(cè)45-53
• 第6章 結(jié)論53-54
• 參考文獻(xiàn)54-59
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果59-61
• 學(xué)位論文數(shù)據(jù)集61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 陳義安,張義萍;基于小波網(wǎng)絡(luò)的非線性預(yù)測(cè)應(yīng)用研究[J];商業(yè)研究;2003年04期

2 胡潔;曾祥金;;基于LM算法的BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)[J];科技創(chuàng)業(yè)月刊;2007年02期

，

本文編號(hào)：1062595