基于GA-ANFIS的股指预测研究

发布时间：2017-09-14 00:18

  本文关键词：基于GA-ANFIS的股指预测研究

  更多相关文章： 股指预测 自适应神经模糊推理系统 遗传算法 神经网络

【摘要】：投资股市具有高回报性,但与之相伴的还有它的高风险性。个人投资者和机构投资者都希望能够找到一种有效的方法,来对今后股市的运行状况进行判断及预测。长期以来,上证指数被一致认为是整个国家实体经济发展状况的先行指标。对于投资者而言,股指可以为股市的投资布局提供指导;对于监管部门而言,它对于实施股市监督和调控的具有重要的参考作用。所以,为了增加投资者的收益,并使监管部门可以有效的对股市进行监督和调控,如何有效提高股指预测的准确度具有重大的意义。在本文中,利用遗传算法优化的自适应神经模糊推理系统ANFIS混合模型来预测股票指数。由于具有良好的非线性问题处理能力、强大的自学习能力及自适应能力,神经网络已经被越来越多的用于股指预测之中。模糊控制和神经网络存在很多互补的特性,本文在总结国内外学者研究的基础之上,阐述了神经网络和模糊控制原理,分析了两者的可融合性。采用单步预测法,即前日数据预测当日收盘指数,运用主成分分析法、减法聚类和遗传算法构建GAANFIS模糊神经网络模型。首先采用主成分分析法处理输入变量,减少变量维数、降低数据噪声,然后将数据归一化,之后采用减法聚类初始化ANFIS网络结构,最后利用遗传算法优化聚类参数构建GA-ANFIS模型。为验证所提出组合模型的实用性,本文在实证分析方面主要分为三个阶段来逐步进行:第一阶段,采用GA-ANFIS自适应神经模糊推理系统模型对上证指数收盘价进行预测,结果表明模型预测效果较好,预测精确度较高且误差较小;第二阶段,采用BP神经网络模型对上证指数收盘价进行预测,并与GA-ANFIS模型预测效果进行对比,结果表明GA-ANFIS模型预测效果优于BP神经网络模型;第三阶段,使用传统的时间序列分析法ARIMA模型对上证指数进行预测分析,并与GA-ANFIS模型进行对比分析,结果表明GAANFIS模型具有更好的预测效果。
【关键词】：股指预测 自适应神经模糊推理系统 遗传算法 神经网络
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F830.91-5;TP18
【目录】：

• 摘要4-5
• Abstract5-8
• 第1章 绪论8-19
• 1.1 研究背景与问题提出8-9
• 1.2 研究目的和意义9-10
• 1.3 国内外研究现状10-16
• 1.3.1 国外研究现状10-14
• 1.3.2 国内研究现状14-16
• 1.3.3 国内外研究现状评述16
• 1.4 研究内容和研究方法16-19
• 1.4.1 研究内容16-17
• 1.4.2 研究方法17-19
• 第2章 相关理论基础19-29
• 2.1 神经网络原理19-24
• 2.1.1 神经网络概述19-20
• 2.1.2 神经网络学习过程20-21
• 2.1.3 神经网络的基本特征及模型分类21-22
• 2.1.4 神经网络学习算法22-24
• 2.2 模糊控制原理24-28
• 2.2.1 模糊化24-25
• 2.2.2 模糊规则25-27
• 2.2.3 模糊推理27
• 2.2.4 清晰化27-28
• 2.2.5 模糊控制器的设计28
• 2.3 本章小结28-29
• 第3章 模型构建与研究设计29-42
• 3.1 模糊控制与神经网络的结合29-30
• 3.2 ANFIS模糊神经网络30-32
• 3.2.1 ANFIS网络结构30-32
• 3.2.2 ANFIS的预测步骤32
• 3.3 数据选取32-33
• 3.3.1 样本选取32-33
• 3.3.2 初始变量选取33
• 3.4 数据处理33-35
• 3.4.1 输入变量优化组合33-35
• 3.4.2 数据的归一化35
• 3.5 网络生成35-37
• 3.5.1 传统划分法35-36
• 3.5.2 减法聚类法36-37
• 3.6 模型优化37-40
• 3.6.1 遗传算法38
• 3.6.2 基于GA的参数优化38-40
• 3.7 组合模型设计40-41
• 3.8 本章小结41-42
• 第4章 实证分析42-55
• 4.1 数据处理42-44
• 4.1.1 数据选取42
• 4.1.2 主成分分析42-44
• 4.2 GA-ANFIS模型实证分析44-47
• 4.3 GA-ANFIS模型与BP模型比较研究47-50
• 4.3.1 BP神经网络47
• 4.3.2 BP模型实证分析47-50
• 4.3.3 预测效果对比分析50
• 4.4 GA-ANFIS模型与时间序列模型比较研究50-53
• 4.4.1 时间序列模型51-52
• 4.4.2 平稳性检验52
• 4.4.3 时间序列模型的识别52
• 4.4.4 时间序列模型的检验52-53
• 4.4.5 预测效果对比分析53
• 4.5 本章小结53-55
• 结论55-56
• 参考文献56-62
• 致谢62

【参考文献】

中国期刊全文数据库 前5条

1 周nv;孙威;张昀;任海军;孙才新;邓景云;;基于改进型ANFIS的负荷密度指标求取新方法[J];电力系统保护与控制;2011年01期

2 万涛;郑婷婷;张琛;;基于多重分形的合肥市气象变化研究[J];科协论坛(下半月);2010年03期

3 房毅宪;李胜正;;基于三阶灰色神经网络的股指预测[J];山东轻工业学院学报(自然科学版);2009年01期

4 王波;张凤玲;;神经网络与时间序列模型在股票预测中的比较[J];武汉理工大学学报(信息与管理工程版);2005年06期

5 谭勋琼;基于遗传算法的自适应神经模糊控制器[J];现代电子技术;2005年08期

中国硕士学位论文全文数据库 前1条

1 苑迪;基于动态神经网络的股价预测模型研究[D];湖南大学;2009年

，

本文编号：846750