基于RBF神经网络的上证指数预测研究

发布时间：2020-03-26 08:47

【摘要】： 股票市场是我国资本市场的重要组成部分,在推动我国经济发展中起到了重要的作用。为了更好地理解股票市场以及为了获得更多的收益,股市的预测成了众多投资者及学术研究人员的热点问题。上证指数是研究和判断股票价格变化趋势必不可少的参考依据,它一定程度上反映了我国的经济实力,是宏观经济的晴雨表,也是分析微观经济的重要指标,所以研究上证指数走势的预测方法具有相当重要的现实意义和应用价值。将神经网络方法用于金融数据预测是近几年发展起来的。RBF神经网络由于其结构简单,训练简洁且学习收敛速度快,能够逼近任意非线性函数,故在时间序列分析、模式识别、非线性控制等领域有着较为广泛的应用,是近年来神经网络应用的热点模型之一。本文在简要介绍了股票及股票市场相关情况后,介绍了神经网络相关理论,在将近三年的上证指数数据分为四段后,分析了RBF神经网络在上证综指预测中不同时间段下的适用性,找到了适合各段时间的训练样本数,并在最后比较了单步预测与滚动预测的预测精度,对上证指数的一段数据进行了预测和拟合。论文最后得到以下几点结论:一,在数据相对稳定时期10天的滑窗较合适,在数据波动较频繁时期3到5天的滑窗预测较合适;二,在数据波动过频繁时,RBF网络预测精度很差,需更换其它模型;三,适合于各时段的训练样本大小空间为130-150,样本大小为140时,较具通用性;四,过多或过少的训练样本对预测精度均有较大影响;五,大部分时段下,滚动预测没有单步预测精度高。
【图文】：

前馈型神经网络,前馈网络

的神经网络模型，其中前馈网络和反馈型网络是两种典型的结构模型。一、前馈型神经网络前馈型神经网络(Feed forward neural network)，又称前馈网络。如图2.1所示，，神经元分层排列，有输入层、隐层(亦称中间层，可有若干层)和输入层，每一层的神经元只接受前一层神经元的输入。从学习的观点看前馈网络是一种强有力的学习系统，其结构简单而且易于编程:从系统的观点，前馈网络是一静态非线性映射，通过简单非线性处理单元的复合映射，可获得复杂的非线性处理能力。但从计算的观点看，缺乏丰富的动力学行为。大部分前馈网络都是学习网络，它们的分类能力和模式识别能力一般都强于反馈网络

反馈网络

反馈型神经网络结构
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：F830.91

【引证文献】