時(shí)間序列分析、預(yù)測(cè)與挖掘是數(shù)據(jù)分析建模的重要手段,廣泛應(yīng)用于氣象、金融、工程等領(lǐng)域,具有重要的研究?jī)r(jià)值[1]。股票,作為一種最典型的時(shí)間序列數(shù)據(jù),金融市場(chǎng)的晴雨表,自出現(xiàn)以來(lái)就受到投資者的關(guān)注。因?yàn)楣善弊陨淼拈L(zhǎng)期發(fā)展趨勢(shì)、周期性的變化、季節(jié)性的變化和不規(guī)則運(yùn)動(dòng),相比于其他統(tǒng)計(jì)數(shù)據(jù)要更復(fù)雜。高度波動(dòng)且非規(guī)律變化數(shù)據(jù)的持續(xù)增長(zhǎng),使研究出更自動(dòng)的能提取出有意義統(tǒng)計(jì)結(jié)論的有效分析方法需求非常迫切[2]。作為探索有價(jià)值隱藏信息的過(guò)程,數(shù)據(jù)挖掘在金融時(shí)間序列分析上已經(jīng)發(fā)揮了很大的作用。所以數(shù)據(jù)挖掘?yàn)橥顿Y者提供了有前瞻性和知識(shí)導(dǎo)向的決策,以幫助投資者用更小的投資風(fēng)險(xiǎn)成功獲利[3]。本文在此背景下,對(duì)基于神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)算法進(jìn)行了詳細(xì)研究。主要的研究?jī)?nèi)容及貢獻(xiàn)如下:第一,分析了一種極限學(xué)習(xí)機(jī)(Exretrme Learning Machine,ELM)訓(xùn)練方法下的計(jì)算效率函數(shù)連接型神經(jīng)網(wǎng)絡(luò)(Computational Efficient Functional Link Artificial Neural Network,CEFLANN)模型。該模型能通過(guò)CEFLANN有效地反映復(fù)雜金融時(shí)間序...

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 主要研究?jī)?nèi)容
    1.3 主要?jiǎng)?chuàng)新點(diǎn)
    1.4 論文結(jié)構(gòu)安排
第二章 極限學(xué)習(xí)機(jī)下的計(jì)算效率泛函連接人工神經(jīng)網(wǎng)絡(luò)
    2.1 算法背景
        2.1.1 神經(jīng)網(wǎng)絡(luò)理論
        2.1.2 單隱藏層前饋神經(jīng)網(wǎng)絡(luò)
        2.1.3 泛函連接人工神經(jīng)網(wǎng)絡(luò)
        2.1.4 極限學(xué)習(xí)機(jī)理論
    2.2 基于極限學(xué)習(xí)機(jī)的計(jì)算效率泛函連接人工神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 模型原理
        2.2.2 模型流程
    2.3 仿真實(shí)驗(yàn)
        2.3.1 實(shí)驗(yàn)設(shè)計(jì)
        2.3.2 性能評(píng)價(jià)
    2.4 實(shí)驗(yàn)結(jié)果
        2.4.1 數(shù)據(jù)描述
        2.4.2 功能擴(kuò)展模塊節(jié)點(diǎn)數(shù)設(shè)置
        2.4.3 性能評(píng)價(jià)函數(shù)
        2.4.4 股票交易系統(tǒng)
    2.5 本章小結(jié)
第三章 利用粒子群算法的在線順序極限學(xué)習(xí)機(jī)優(yōu)化
    3.1 算法背景
        3.1.1 在線順序極限學(xué)習(xí)機(jī)原理
        3.1.2 粒子群優(yōu)化算法
    3.2 基于粒子群優(yōu)化算法的在線順序極限學(xué)習(xí)機(jī)
        3.2.1 算法基本流程
        3.2.2 性能評(píng)價(jià)
    3.3 算法仿真
        3.3.1 實(shí)驗(yàn)準(zhǔn)備
        3.3.2 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 利用隨機(jī)蛙跳算法的極限學(xué)習(xí)機(jī)優(yōu)化
    4.1 算法背景
        4.1.1 基本的SFLA算法思想
        4.1.2 算法的組成要素及其模型
        4.1.3 SFLA算法的參數(shù)設(shè)置和終止條件
    4.2 利用隨機(jī)蛙跳算法的極限學(xué)習(xí)機(jī)優(yōu)化
        4.2.1 算法思想
        4.2.2 算法流程
    4.3 算法仿真
        4.3.1 實(shí)驗(yàn)準(zhǔn)備
        4.3.2 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文研究工作總結(jié)
    5.2 未來(lái)研究工作展望
參考文獻(xiàn)
致謝



本文編號(hào)：3929671