检索结果-南通市图书馆

基于PSO-BP神经网络的上证指数预测模型应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于PSO-BP神经网络的上证指数预测模型应用研究

作者：方思学湖南大学

学位级别：硕士

随着国民经济的飞速发展以及市场经济的不断完善,股票投资成为了现代人投资理财中的一个重要部分。股价的走势直接影响着股票市场的稳定以及金融与经济的健康发展。成功的股价预测不仅有助于投资者获利,也有利于政府部门提供及时合理的... 详细信息

随着国民经济的飞速发展以及市场经济的不断完善,股票投资成为了现代人投资理财中的一个重要部分。股价的走势直接影响着股票市场的稳定以及金融与经济的健康发展。成功的股价预测不仅有助于投资者获利,也有利于政府部门提供及时合理的市场指导与监管。然而股票市场是一个极其复杂的动态系统,不仅受公司自身发展的内部因素的影响,还受到宏观经济、投资者心理等复杂的外部因素影响。它所具有的非线性、动荡性、高噪声等特质决定了股价预测是一个困难而又复杂的过程。因此,如何准确预测股票价格是金融界存在的一个重要而有价值的课题。神经网络通过模拟人体神经元结构,其具有较强的自学习、自组织以及记忆性,它能够从股票市场的历史数据和相关信息中预测股价未来的发展趋势。而反向传播神经网络(BPNN)是神经网络的一种能具有无限逼近非线性系统且拟合优度较为突出的模型。因此,BP神经网络适用于处理具有高度复杂性特征的股价预测性问题。本文详细阐述了BP神经网络的基本理论,并分析了其所依赖的梯度下降算法虽然在局部搜索能力较强,但具有全局搜索能力弱,权值易陷入局部极小的缺点;粒子群优化算法(PSO)在全局搜索的初始阶段,被证明能快速收敛且效果较好,但其缺点是局部搜索能力较弱。基于这两者的优缺点,本文提出了一种将PSO算法与BP算法相结合,用于训练前馈神经网络权值的混合算法,并称之为PSO-BP算法。所得到的混合算法不仅可以利用PSO算法的强大全局搜索能力,而且可以利用BP算法强大的局部搜索能力。本文通过PSO-BP神经网络对上证指数收盘价进行实证分析,探讨了样本指标、数据的选取;网络的拓扑结构的构成;隐含层节点个数、学习因子及激活函数的选取等问题。同时,我们也给出了同样是智能混合算法的GA-BP神经网络算法并加以比较。实验结果表明,在模拟与预测的效果上,混合PSO-BP神经网络算法均优于GA-BP神经网络算法与BP神经网络算法;且能够较为准确的预测出近一段时间上证指数的收盘价格与未来涨跌情况,模型有着良好的应用前景。

关键词： BP神经网络 PSO算法上证指数预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进小波神经网络的上证指数预测研究

基于改进小波神经网络的上证指数预测研究

作者：郝杰华南理工大学

学位级别：硕士

随着股票市场投资活动的日益频繁，市场迫切需要一种有效的预测方法以帮助人们增加投资收益。股票市场是一个高度复杂的金融市场，其变化规律受到宏观与微观、政治与经济、国内与国外、行为与心理等各方面因素的影响，以致人们始终无法... 详细信息

随着股票市场投资活动的日益频繁，市场迫切需要一种有效的预测方法以帮助人们增加投资收益。股票市场是一个高度复杂的金融市场，其变化规律受到宏观与微观、政治与经济、国内与国外、行为与心理等各方面因素的影响，以致人们始终无法找到股市的“真正”变化规律。传统的应用于股票指数的预测方法多为统计回归预测法和时间序列预测法。统计回归方法是反应输入和输出变量之间的因果关系，但其中的变量需满足某些特定的统计假设;时间序列方法是基于时间序列的惯性推演，必须确知或假定序列的变化规律。由于上述两种方法所需的条件在实际情况中很难满足，所以这两种传统预测模型很难满足股市预测的要求。近些年来，以神经网络为代表的人工智能预测系统开始在股票指数的预测中得到应用并快速发展。但是，由于单一的智能预测方法都存在着这样、那样的缺陷与不足，以致预测效果总是受到一定程度的影响。因此，在应用智能技术建立预测模型时，人们开始将多种智能技术相互结合，以便相互补充与促进，从而达到更理想的预测效果。鉴于小波神经网络（Wavelet NeuralNetwork, WNN）的优越性能使其在经济领域中的得到广泛应用,许多学者建立了基于小波神经网络的股票预测模型，其预测效果虽然比神经网络模型有所改进，但其学习算法局部收敛的缺陷依然存在。为此，本研究采用细菌觅食优化算法(Bacterial Foraging Optimization, BFO)和自适应惯性权重的粒子群优化算法（AdaptiveInertia Weight Particle Swarm Optimization，AIW-PSO）进一步优化小波神经网络。方法是用这两种优化算法充当小波神经网络的学习算法，从而为小波神经网络提供更好的网络权值和小波基函数平移系数及伸缩系数，使整个网络更加合理，泛化能力和搜索能力更强，预测性能更优。随后建立了基于上证指数数据样本的改进小波神经网络的预测模型，并将它们的预测结果与BP神经网络预测模型、小波神经网络预测模型和BFO-BP神经网络预测模型三种现有模型比较，其结果表明改进后的BFO-WNN与AIW-PSO小波神经网络模型的预测效果显著优于现有三种预测模型。

关键词：小波神经网络细菌觅食优化算法粒子群优化算法上证指数预测

基于CEEMDAN-PCA-LSTM的上证指数预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于CEEMDAN-PCA-LSTM的上证指数预测

作者：李璟璟兰州大学

学位级别：硕士

后疫情时代经济复苏,对金融数据预测需求与日俱增,在大数据的背景下,深度学习已经成为金融预测领域的一种重要研究方法.从模型组合和信息分解融合的角度出发,本文提出了一种基于深度学习的中国股票市场的指数预测模型,上海综合指数的成... 详细信息

后疫情时代经济复苏,对金融数据预测需求与日俱增,在大数据的背景下,深度学习已经成为金融预测领域的一种重要研究方法.从模型组合和信息分解融合的角度出发,本文提出了一种基于深度学习的中国股票市场的指数预测模型,上海综合指数的成功预测验证了最先进的深度学习算法在非线性时间序列,尤其是金融时间序列预测中的适用性.本文提出的模型在实践中为投资者提供了战略支持,金融市场监督管理和对国家宏观经济调控具有重要意义.本文使用基于主成分分析的带自适应噪声的完全集成经验模式分解算法(CEEMDAN-PCA)对股价序列进行分解和重构,以提取上证综合指数价格序列的关键信息.在此基础上,构建了一个神经网络预测模型CEEMDAN-PCA-LSTM,用于学习指数价格序列的长期依赖性信息.在将不同数据类别的两个序列的特征学习同时映射到同一特征空间后,构造一个共同特征来预测上证综合指数的波动幅度.本文提出的模型可以通过从股价序列中提取关键信息,避免预测模型在训练中的过拟合,提高算法性能和泛化能力,从而有效地提高数据信噪比.在上证指数的预测任务中,CEEMDAN-PCA-LSTM可以充分集成神经网络和信息分解融合的优势,弥补单个模型的局限性.与所选择的基准模型相比,本文构建的综合预测模型在预测上证综合指数综波动范围方面具有显著优势,在分类准确率等各项指标上最大提高了13%.本文的创新点包括:(1)结合了CEEMDAN-PCA算法,将信号分解与降维技术运用到股票预测任务中,挖掘金融时间序列的多尺度信息并降低噪声.(2)在此基础上构建了CEEMDAN-PCA-LSTM模型,并针对金融时序预测任务对序列进行优化,充分结合了LSTM在空间和时间维度上的特征提取能力.

关键词： CEEMDAN-PCA-LSTM 上证指数预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于情绪指数和神经网络的上证指数预测研究

基于情绪指数和神经网络的上证指数预测研究

作者：田鑫哈尔滨工业大学

学位级别：硕士

与现代经济不断的发展相适应，大众的投资意识不断地发生变化，股票投资已经成为人们投资理财的重要手段，股票投资日益变成社会大众关心的热门话题，因此股票市场的质量以及繁荣程度成为了管理人员和投资者关注和研究的热点。股票投资... 详细信息

与现代经济不断的发展相适应，大众的投资意识不断地发生变化，股票投资已经成为人们投资理财的重要手段，股票投资日益变成社会大众关心的热门话题，因此股票市场的质量以及繁荣程度成为了管理人员和投资者关注和研究的热点。股票投资有收益-风险成正比的特点，即预期收益越高，伴随的可能的风险也越大。因而，对股票市场预测方法的探索具有非常高的经济价值和理论意义。由于股票的价格形成机制十分复杂，有很多的外部因素都会对其产生影响，因此要准确的预测股票市场不是一项容易的任务，以往使用过的预测方法在股市预测的应用中都不能取得非常满意的效果。本文在深入分析了行为金融学理论以及神经网络建模理论的基础上，选取交易价格和交易者情绪这两个能够反映市场信息和价格形成过程的维度对上证指数建立一个BP神经网络模型进行短期的预测，用以检验BP神经网络在股价预测方面的应用效果。在以往关于投资者情绪的研究中通常的作法是选取一个技术指标作为交易者情绪的代理变量，本文在前人研究的基础上，应用主成分分析法构造了一个交易者情绪指数用来代表市场上交易者的情绪，进而作为预测模型的一个输入变量。同时，对上证指数进行线性模型的建模，作为对比模型来检测神经网络的预测效果。理论分析和实验结果说明，应用神经网络对上证指数进行预测具有一定的有效性，加入构造的情绪指数能够显著的提高模型的预测精度，在股指预测领域有一定的应用价值。

关键词：上证指数预测 BP神经网络情绪指数

基于AIW-PSO小波神经网络的上证指数预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

价值工程 2014年第8期33卷 6-8页

作者：郝杰苏越良华南理工大学工商管理学院广州510641

针对小波神经网络(Wavelet Neural Network,WNN)的学习算法的不足,采用一种自适应惯性权重粒子群优化算法(Adaptive Inertia Weight Particle Swarm Optimization,AIW-PSO)作为小波神经网络的学习算法,建立AIW-PSO小波神经网络模型对上证指数进行预测,并将预测结果传统小波神经网络模型比较。结果表明,AIW-PSO小波神经网络模型对上证指数具有更好的预测效果。

关键词：自适应惯性权重粒子群优化算法小波神经网络上证指数预测

基于多元线性回归和层次分析法的案例推理上证指数预测模型的开发及应用

在线全文

学校读者我要写书评

暂无评论

商场现代化 2011年第34期 54-57页

作者：邱剑艾立翔中国社会科学院金融所北京科技大学冶金与生态工程学院

股票系统预测的研究具有重大的理论意义和诱人的应用价值。本文开发了基于多元线性回归和层次分析法的案例推理上证指数预测模型,通过相关性分析,排除与目标函数相关性低的参数,建立上证指数预测参数集,使用多元线性回归和层次分析法计... 详细信息

股票系统预测的研究具有重大的理论意义和诱人的应用价值。本文开发了基于多元线性回归和层次分析法的案例推理上证指数预测模型,通过相关性分析,排除与目标函数相关性低的参数,建立上证指数预测参数集,使用多元线性回归和层次分析法计算各个参数的权重,克服了传统通过定性方法确定权重不准确的缺点,使用灰色关联度的方法对案例进行检索,通过案例择优对检索结果进行处理。最终对上证指数进行预测,并且将本模型的预测结果与传统案例推理、多元线性回归和人工神经网络的结果进行比较,结果发现:与其他方法相比,本模型预测上证指数具有较高的精度,误差区间在[-5,+5]范围内,本模型为45.0%,其他方法都小于或等于30.0%;误差区间在[-10,+10]范围内,本方法为75.0%,其他方法都小于或等于55.0%;误差区间在[-20,+20]范围内,本方法为95.0%,其他方法都小于或等于90.0%。另外,案例推理还具有检索时间短的优点。

关键词：多元线性回归层次分析法案例推理上证指数预测

在线全文

学校读者我要写书评

暂无评论

基于ARIMA和马氏链模型的上证指数预测

通化师范学院学报 2020年第2期41卷 25-29页

作者：侯甜甜马福强王英贤平顶山学院数学与统计学院

股票价格指数的波动规律,对于进一步推动我国股票市场的发展,乃至加快我国经济的发展具有重要意义.以ARIMA模型和马尔可夫链模型对上海证券交易所指数的日收盘价数据进行了分析,并作出了短期预测.根据AIC准则,选择最优模型ARIMA(2,2,2)... 详细信息

股票价格指数的波动规律,对于进一步推动我国股票市场的发展,乃至加快我国经济的发展具有重要意义.以ARIMA模型和马尔可夫链模型对上海证券交易所指数的日收盘价数据进行了分析,并作出了短期预测.根据AIC准则,选择最优模型ARIMA(2,2,2)模型进行预测,误差为1.7%,可以得到精准的预测值.马氏链可以对数据大概的趋势进行预测,但是得不到精准的预测值.

关键词：上证指数预测 ARIMA模型马氏链模型

基于长短时记忆网络(LSTM)的上证指数预测

在线全文

学校读者我要写书评

暂无评论

农村经济与科技 2019年第18期30卷 76-78页

作者：段梦冉刘美君薛碧月王都成湖北汽车工业学院

在第四代科技革命,即新信息技术高速发展的背景下,人工智能技术在股票市场中也得以广泛应用。股价综合指数可视为股票市场整体趋势的一种量化描述,对综合指数的变化趋势分析有助于了解股票市场的演化方向。因此,我们利用建立了一个含有... 详细信息

在第四代科技革命,即新信息技术高速发展的背景下,人工智能技术在股票市场中也得以广泛应用。股价综合指数可视为股票市场整体趋势的一种量化描述,对综合指数的变化趋势分析有助于了解股票市场的演化方向。因此,我们利用建立了一个含有200个隐藏神经元的长短时记忆网络以分析上证指数的变化趋势,该模型实现了基于前7个交易日的历史数据的一步预测。由于ADAM具有高效性的优势,我们将其用ADAM与模型训练,并利用正则化方法提高模型的泛化能力。通过仿真实验证明,LSTM模型较好地对上证指数运动的趋势进行了预测,为上证指数预测提供了一个新的研究方向。

关键词：长短时记忆网络上证指数预测 LSTM模型 ADAM算法

在线全文

学校读者我要写书评

暂无评论

ARIMA模型在上证指数预测中的应用

现代商业 2008年第20期 21-21,20页

作者：柯文泉中南财经政法大学信息学院 430073

本文以上证指数2007年10月8日至2008年4月16日日收盘价的历史数据作为样本区间,利用ARIMA方法对上证指数做短期预测。

关键词： ARIMA模型上证指数预测收盘价股价指数证券市场