本文關鍵詞：基于神經網(wǎng)絡的混沌時間序列研究與應用

  更多相關文章： 股票預測 混沌時間序列 神經網(wǎng)絡 粒子群算法 局域預測

【摘要】：隨著國民收入的不斷提高以及人們投資觀念的不斷增強,保持金融市場穩(wěn)定發(fā)展已經成為金融投資領域的研究熱點。股票作為金融市場的重要組成部分,其價格走勢一定程度上反映了金融市場的健康程度,能夠及時預測股票價格走勢已經成為政府和投資者的頭等大事。股票價格走勢具有典型的非線性特征,而且對于一些復雜的系統(tǒng),其內部信息蘊含著混沌特性,導致傳統(tǒng)時間序列預測模型無法充分挖掘系統(tǒng)的內在特性,嚴重影響模型的預測效果。本文基于混沌局域法預測思想,將系統(tǒng)內部信息從低維空間映射到了高維空間,更充分地挖掘和恢復了系統(tǒng)的內在特性,并利用RBF神經網(wǎng)絡收斂速度快、結構簡單的優(yōu)點以及粒子群優(yōu)化算法較強的全局搜索能力,來充分挖掘相點間的演化規(guī)律,建立了基于粒子群優(yōu)化RBF神經網(wǎng)絡的混沌局域預測模型。全文主要工作如下:1)由于局域法預測效果依賴于臨近點的選取,“偽臨近點”的存在將嚴重影響到局域法預測效果。為了提高局域法預測模型的精度,首先針對現(xiàn)有的臨近點選取方法的不足,提出了基于李雅普諾夫指數(shù)改進的臨近點選取方法,為建立預測模型打下基礎。由于傳統(tǒng)歐氏距離無法客觀反映相點各維分量對預測的影響,根據(jù)混沌時間序列具有初值敏感性的特點,利用最大李雅普諾夫指數(shù)構造權系數(shù)對歐氏距離進行改進并構造距離關聯(lián)度,將距離關聯(lián)度和向量夾角余弦作為相空間中相點間的空間關系和演化趨勢的評價標準,并考慮到相空間中相點的演化趨勢與其前S步相點存在相關性的特點,通過追蹤前S步相點的演化趨勢,提出了改進的臨近點選取方法。利用Lorenz方程x分量產生的混沌時間序列進行仿真實驗,結果表明利用改進方法選取的臨近點進行預測,其預測精度比其它傳統(tǒng)方法更高。2)針對于具有混沌特性的股票時間序列,利用RBF神經網(wǎng)絡的收斂速度快、結構簡單的優(yōu)點建立了基于RBF神經網(wǎng)絡的混沌全域預測模型,對浦發(fā)銀行歷史股票日收盤價進行預測,模型的預測效果不佳�；诨煦鐣r間序列的局域法預測思想,提出了一種改進的股票價格預測模型。首先利用改進的臨近點選取方法,合理選取臨近點。之后利用粒子群優(yōu)化算法的全局搜索能力來優(yōu)化RBF神經網(wǎng)絡的權值ij?、基函數(shù)中心ic以及標準差i?,提出了改進的預測模型——基于粒子群優(yōu)化RBF神經網(wǎng)絡的混沌局域預測模型。最后實驗對比結果顯示,改進模型的預測精度更高,說明了改進模型的有效性。
【關鍵詞】：股票預測 混沌時間序列 神經網(wǎng)絡 粒子群算法 局域預測
【學位授予單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：O211.61;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 混沌時間序列的研究背景、意義及研究現(xiàn)狀9-13
• 1.1.1 混沌時間序列的研究背景、意義9
• 1.1.2 混沌時間序列的研究現(xiàn)狀9-13
• 1.2 神經網(wǎng)絡的研究背景、意義及研究現(xiàn)狀13-15
• 1.2.1 神經網(wǎng)絡的研究背景、意義13-14
• 1.2.2 神經網(wǎng)絡的研究現(xiàn)狀14-15
• 1.3 論文結構及主要研究成果15-17
• 第2章 與課題相關的基礎理論17-30
• 2.1 混沌時間序列的基礎理論17-25
• 2.1.1 混沌時間序列相空間重構的常見方法17-21
• 2.1.2 混沌時間序列識別的常見方法21-23
• 2.1.3 混沌時間序列預測的常見方法23-25
• 2.2 神經網(wǎng)絡預測模型的基礎理論25-28
• 2.2.1 RBF神經網(wǎng)絡的網(wǎng)絡結構25-26
• 2.2.2 RBF神經網(wǎng)絡的學習算法26-28
• 2.3 粒子群優(yōu)化算法的基礎理論28-30
• 2.3.1 粒子群算法的基本原理28
• 2.3.2 粒子群算法的優(yōu)化流程28-30
• 第3章 局域法預測中臨近點選取方法的改進30-38
• 3.1 引言30-31
• 3.2 傳統(tǒng)臨近點選取方法31-33
• 3.2.1 傳統(tǒng)歐氏距離法31-32
• 3.2.2 向量夾角余弦法32
• 3.2.3 關聯(lián)度法32-33
• 3.3 基于李雅普諾夫指數(shù)的臨近點選取方法的改進33-34
• 3.4 仿真實驗34-37
• 3.5 本章小結37-38
• 第4章 基于粒子群優(yōu)化RBF神經網(wǎng)絡的股票價格預測38-47
• 4.1 引言38-39
• 4.2 基于RBF神經網(wǎng)絡混沌全域法預測模型的建立39-41
• 4.2.1 基于RBF神經網(wǎng)絡混沌全域法預測模型的建模過程39-40
• 4.2.2 仿真實驗40-41
• 4.2.3 實驗結果分析41
• 4.3 基于粒子群優(yōu)化RBF神經網(wǎng)絡混沌局域預測模型的建立41-46
• 4.3.1 基于粒子群優(yōu)化RBF神經網(wǎng)絡的優(yōu)化過程41-42
• 4.3.2 基于粒子群優(yōu)化RBF神經網(wǎng)絡的混沌局域預測模型的建立42
• 4.3.3 仿真實驗42-45
• 4.3.4 實驗結果分析45-46
• 4.4 本章小結46-47
• 第5章 結論與展望47-48
• 參考文獻48-51
• 附錄A 浦發(fā)銀行股票歷史日收盤價51-54
• 在學研究成果54-55
• 致謝55

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李壽濤;田微;郭鵬程;馬用學;張浩;王楠;;基于模糊自適應的BP神經網(wǎng)絡動態(tài)行駛車輛車長測算[J];吉林大學學報(工學版);2015年06期

2 吳華穩(wěn);王富章;;基于最大Lyapunov指數(shù)的鐵路煤炭發(fā)送量預測研究[J];交通運輸系統(tǒng)工程與信息;2013年06期

3 韓敏;王新迎;;多元混沌時間序列的加權極端學習機預測[J];控制理論與應用;2013年11期

4 文富勇;;基于混沌時間序列的大壩變形監(jiān)測自適應預測模型[J];水力發(fā)電;2013年11期

5 鄔開俊;王鐵君;;基于RBF神經網(wǎng)絡優(yōu)化的混沌時間序列預測[J];計算機工程;2013年10期

6 盧輝斌;李丹丹;孫海艷;;PSO優(yōu)化BP神經網(wǎng)絡的混沌時間序列預測[J];計算機工程與應用;2015年02期

7 孫炯;梁錦強;劉凱;;一種基于最小二乘法的廣義加權組合預測模型[J];科技通報;2013年08期

8 劉家和;金秀;陳露艷;苑瑩;;基于IDNPSO-BP神經網(wǎng)絡的股票市場指數(shù)預測[J];東北大學學報(自然科學版);2013年06期

9 張金良;譚忠富;;混沌時間序列的混合預測方法[J];系統(tǒng)工程理論與實踐;2013年03期

10 張琛;徐國麗;;基于云遺傳的RBF神經網(wǎng)絡的交通流量預測[J];計算機工程與應用;2014年16期

，

本文編號：856330