基于RBF神经网络的金融时序列预测研究

发布时间：2020-11-06 04:59

　　 在过去的几年中,各种研究人员和金融分析师强调了非线性分析在金融市场活动中的意义。考虑到一种新的金融分析方法似乎是必要的—金融市场的非线性分析集成。神经网络计算领域的开发者提供了一种新的基于数学工作的金融非线性分析方法,由于该方法其自身良好的学习,纠错能力和非线性逼近能力,在时序列预测中发挥了重要的作用。 预测是时序列研究的应用之一,金融时序列数据是时序列的重要组成部分,并且与人们的生活密切相关。研究金融时序列预测可以对人们的风险投资、国家对经济的调控起到一定的参考作用。 本文首先介绍了目前常用的时序列预测模型,随后介绍了各种神经网络模型,并着重介绍了基于RBF神经网络的金融时序列预测模型,同时指出RBF神经网络存在的缺陷,并在此基础上提出来了改进的RBF神经网络模型。改进的模型主要在RBF中心点和径向基宽度的选取上进行了调整,将原有的最近邻聚类中以第一个进入该聚类的输入向量作为中心点调整为以该类中所有向量的平均向量作为该聚类的中心点向量,对径向基宽度的选择则采用迭代最优化选取的方式进行选择。 将改进的RBF神经网络应用于金融时序列的预测,并通过比较采用原来的RBF神经网络所做的预测,发现改进的网络在预测的准确性和训练的效率上都有所提高。验证了该算法的可行性 最后对改进的算法可能存在的过拟合现象进行调整,消除隐含层中冗余的中心点,降低网络结构的复杂度,提升对未知模型预测的性能。每新增一个中心点时则动态的与已经有的中心点进行对比,判断是否冗余。当两个中心点的向量内积逼近于1时,则动态的删除其中的一个中心点,将这个输入向量归于最近距离的聚类中。通过实验,我们发现通过消除过拟合,能很好的删除冗余的中心点。
【学位单位】：北京化工大学
【学位级别】：硕士
【学位年份】：2010
【中图分类】：F830;TP183
【部分图文】：

5.2.1预测工具介绍金融时序列预测系统主要是由四个功能部分组成的。分别为数据预处理模块，RBF预测模块，预测后绘图模型，数据导出模型。系统的工作界面图5一1所示，界面的第二栏主要列举出了预测中需要用到的参数。如历史关联天数、迭代次数(最大训练数步)、学习步长粉、预测天数。29

本次实验取的都是股票的收盘价作为预测对象。5.3.3预测结果图5一3、图5一4、图5一5表示中石化、熊猫电了、江西铜业的训练数据的逼近和末来七天股票收盘价的预测图。红色的线表示股票收盘价的训练数据趋势曲线，黑色的线表示训练时网络的输出数据对股票收盘价的逼近曲线。从图中我们可以看来网络的实际输出与期望输出两条曲线基本重合。标记为黑色*的点是RBF神经网络的滚动预测的七天输出数据，标记为红色+的点股票的实际输出。

数据的比较中我们可以，在三支股票的预测中最大的误差百分比也不到8%(误差百分比的定义为实际输出与预测输出差值的绝对值除以实际输出。)。说明该网络能很好的逼近预测的数据。表明RBF神经网络模型在金融时序列预测应用中的可行性。我们不仅可以对收盘价进行预测，也可以对开盘价，成交量，上证指数等其他的金融时列数据应用相同的方法进行预测。5.4算法比较在上一节中我们采用改进的RBF神经网络算法对三支股票的收盘价进行了预测，达到了不错的效果。改进的算法是否优于原来的算法我们还不得而知，下面我们将采用原来的RBF神经网络算法对以上三支股票的数据也进行预测，进行对比。我们将这两种方法预测的数据用MATLAB直观的画出来。展示如下:
【相似文献】

相关期刊论文 前10条

1 孙海龙;冯超;匙瑞堂;;滚动轴承状态监测[J];工业设计;2011年05期

2 李博;;基于人工智能技术的电子商务辅助教学系统[J];太原城市职业技术学院学报;2011年06期

3 郭庆春;孔令军;崔文娟;寇立群;史永博;张小永;;神经网络在农民收入预测中的应用[J];价值工程;2011年24期

4 杜道渊;柏宏斌;周锋;;基于BP神经网络自贡房地产价格走势预测[J];四川理工学院学报(自然科学版);2011年03期

5 宋春晖;;基于BP网络的地铁车站深基坑围护桩水平位移预测[J];现代物业(上旬刊);2011年06期

6 刘璐瑶;黄飞飞;;智能化轴承状态检测方法实例[J];工业设计;2011年05期

7 章伟;;粗糙集BP神经网络在房地产价格预测中的应用[J];计算机仿真;2011年07期

8 曾筝;;商业银行信用风险评估方法研究[J];计算机仿真;2011年08期

9 傅俊辉;张卫国;杜倩;孔文涛;;规避逐日盯市风险的期货套期保值模型[J];管理科学;2011年03期

10 管昕;;基于补偿模糊神经网络的项目财务评价[J];统计与管理;2010年04期

相关博士学位论文 前10条

1 牟洪波;基于BP和RBF神经网络的木材缺陷检测研究[D];东北林业大学;2010年

2 赵斌;基于RBF网络的北方温室温湿度控制机理的研究[D];东北林业大学;2010年

3 杜大军;网络控制系统的学习和控制策略研究[D];上海大学;2010年

4 马永涛;通信信道建模的神经网络优化技术研究[D];天津大学;2009年

5 王琼;基于优化理论的神经网络研究及在抽油机故障诊断中的应用[D];东北石油大学;2011年

6 刘志祥;深部开采高阶段尾砂充填体力学与非线性优化设计[D];中南大学;2005年

7 戴雪龙;PET探测器神经网络定位方法研究[D];中国科学技术大学;2006年

8 马戎;智能控制技术在炼钢电弧炉中的应用研究[D];西北工业大学;2006年

9 文敦伟;面向多智能体和神经网络的智能控制研究[D];中南大学;2001年

10 吴大宏;基于遗传算法与神经网络的桥梁结构健康监测系统研究[D];西南交通大学;2003年

相关硕士学位论文 前10条

1 王晓娟;基于模糊控制与RBF神经网络的桃病虫害发生预测研究[D];河北农业大学;2011年

2 童翔威;RBF神经网络在数据挖掘中的应用研究[D];中南林业科技大学;2009年

3 裴雪红;基于改进RBF神经网络的PID控制[D];哈尔滨理工大学;2010年

4 李娟;基于RBFN逆模型的非线性系统控制策略研究[D];安徽工业大学;2009年

5 焦玉莹;基于RBF神经网络的浮船坞浮态检验系统辨识[D];大连海事大学;2011年

6 朱一嘉;基于RBF神经网络的金融时序列预测研究[D];北京化工大学;2010年

7 崔小彦;基于RBF神经网络与蚁群算法的瓦斯预测模型研究[D];辽宁工程技术大学;2009年

8 臧胜永;船舶航向非线性系统的模型参考神经网络自适应控制[D];大连海事大学;2005年

9 李昆仲;基于RBF神经网络的边坡稳定性评价研究[D];长安大学;2010年

10 姚宁;基于差分进化算法优化的RBF神经网络的异步电机故障诊断研究[D];太原理工大学;2011年

本文编号：2872685