粒子群优化算法及其在股票市场预测优化问题中的应用

发布时间：2020-04-17 10:31

【摘要】： 本文主要介绍了近些年来新提出的优化算法——粒子群优化算法。该算法简洁、易实现、容易理解,不需要优化函数的梯度信息等优点。粒子群优化算法收敛快,特别是在算法的早期,但也存在着精度较低,易发散等缺点。算法受加权系数、加速系数和最大速度等参数影响比较大,若加权系数、加速系数和最大速度等参数太大,粒子群可能错过最优解,算法不收敛;而在收敛的情况下,由于所有的粒子都向最优解的方向飞去,所以粒子趋向同一化(失去了多样性),使得后期收敛速度明显变慢,同时算法收敛到一定精度时,无法继续优化,所能达到的精度也比遗传算法低,因此本文对粒子群优化算法作了改进,提出了分组粒子群优化算法。在分组粒子群优化算法中将粒子群分成几个小群,每个小群有不同的进化参数且每个小群分别进化,在间隔一定时刻进行组间变异和重组操作,并且在重组的同时对各小组参数进行粒子群优化,仿真结果显示相比标准粒子群优化算法无论在收敛速度还是在精度和操作方便性上都有提高。 因粒子群优化算法具有简洁、易实现、容易理解,不需要优化函数的梯度信息等优点,所以算法一经提出就被广泛应用。在2007年,Hassan和Nath提出了隐马尔科夫模型与神经网络、遗传算法的组合模型—AGHWA模型,并用于股票价格预测,预测结果表明这方法是可行的,但由于隐马尔科夫模型的矩阵运算加上遗传算法的编码与解码使得整个过程相当的复杂。鉴于粒子群优化算法的优点,本文提出了用粒子群优化算法来对这组合模型中的隐马尔科夫模型的初始参数进行了优化,并运用模型对股票价格进行了预测,仿真结果显示优化后的模型有比较好的性能。
【图文】：

从之前的讨论可知，HMM模式识别的性能与它的参数的估计有很大的联系。因此在这个算法中，我们用ANN算法把训练数据(历史的股票价格)分离为一组独立的值，并作为HMM的输入值，使得训练数据更适于用HMM来进行识别。PSO算法则用于寻找更好的HMM参数初始值。在应用上述两个算法之后，得到了分离的训练数据和最优的初始参数，这时便用Baum-Welch[66]算法来对HMM的参数进行重估，，从而得到最终的”HMM模型。在妙HMM模型中，我们可以通过叭terbi算法【66]对今天股票价格行为模式进行识别，然后在训练数据中找到与今天股票价格行为模式相似的一组数据。在这组数据中，计算每个数据与它后一天的价格差，然后对这组价格差进行加权平均。则今天的股票价格加上这个加权平均价格差便为我们预测的(明天的)股票价格。妙HMM模型的示意图如下所示:ANN一PSO一llMM组合摸型

F19.2ForwardneuralnetworkseParationinPut在实验中我们发现作为HMM输入的股票价格中的开盘价、最高价、最低价、收盘价这四组数值之间的相关性是很高的(如图3a所示)，因此我们使用ANN算法的目的就是把这个训练数据中的四组数值分离为它们是相互独立的。但是由于ANN算法内结点的权重是随机生成的，所以不能保证每组权重都能很好的分离训练数据。在这种情况下我们生成多个不同的ANN，然后取分离效果最好的那个ANN(如图3b所示)。
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2008
【分类号】：TP301.6;F830.91

【相似文献】

相关期刊论文 前10条

1 丁玉忠;吾守尔·斯拉木;那斯尔江·吐尔逊;;基于垃圾模型的维吾尔语关键词识别[J];现代计算机(专业版);2011年12期

2 杨晓庆;左为恒;李昌春;;基于K-Means变异算子的混合PSO算法聚类研究[J];微电子学与计算机;2011年07期

3 钟锐;;基于隐马尔科夫模型的入侵检测系统研究[J];赣南师范学院学报;2011年03期

4 屈敏;高岳林;江巧永;;基于Pareto邻域交叉算子的多目标粒子群优化算法[J];计算机应用;2011年07期

5 段其昌;黄大伟;雷蕾;段盼;;带扩展记忆的粒子群优化算法仿真分析[J];控制与决策;2011年07期

6 孙锋利;何明一;高全华;;一种引入密度因子的改进粒子群优化算法[J];计算机应用研究;2011年08期

7 李龙星;余炳辉;;用整体分布优化算法求解水火电力系统短期优化调度[J];计算机应用与软件;2011年07期

8 徐星;吴昱;李元香;;基于布朗运动的改进粒子群优化算法[J];计算机应用研究;2011年07期

9 李蕊;雷群泌;;一种面向汽车系统可靠性优化的任务分配方法[J];计算机应用研究;2011年07期

10 杨华;周锐;;基于熵值法的PSOBP神经网络私家车保有量的预测[J];电脑知识与技术;2011年19期

相关会议论文 前10条

1 王光辉;陈杰;潘峰;;多种群协同粒子群优化算法求解动态环境优化问题[A];第二十七届中国控制会议论文集[C];2008年

2 徐东;李晔;唐旭东;庞永杰;廖煜雷;;基于变异行为的自适应粒子群优化算法[A];中国自动化学会控制理论专业委员会A卷[C];2011年

3 文建辉;钟科军;唐丽娟;蒋健晖;;基于离散的粒子群优化算法结合主成分分析用于相似烟气样品的色谱区分[A];全国生物医药色谱学术交流会（2010景德镇）论文集[C];2010年

4 李猛;王道波;甄子洋;;基于改进混合粒子群优化算法的模型最优降阶[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 陈志盛;李勇刚;;改进粒子群优化算法及其在磨削加工中的应用[A];第二十七届中国控制会议论文集[C];2008年

6 马琰铭;;基于粒子群优化算法的晶体结构预测新技术及其在高压新结构研究中的应用[A];2011中国材料研讨会论文摘要集[C];2011年

7 司维超;韩维;史玮韦;颜刚;;一种基于蜜蜂多群体觅食的粒子群优化算法[A];中国自动化学会控制理论专业委员会B卷[C];2011年

8 王群杰;齐美清;汪伟;李磊;;粒子群优化算法在波导高通滤波器设计中的应用[A];2011年全国微波毫米波会议论文集（上册）[C];2011年

9 王宏生;孙美玲;李家峰;;隐马尔科夫模型在构建语言模型中的应用[A];创新沈阳文集（A）[C];2009年

10 张翔;李纲;熊伟清;;修正AHP中判断矩阵一致性的粒子群优化算法[A];第二十九届中国控制会议论文集[C];2010年

相关博士学位论文 前10条

1 戴运桃;粒子群优化算法研究及其在船舶运动参数辨识中的应用[D];哈尔滨工程大学;2010年

2 刘波;粒子群优化算法及其在机电设备中的应用研究[D];中北大学;2011年

3 刘华蓥;粒子群优化算法的改进研究及在石油工程中的应用[D];东北石油大学;2012年

4 徐星;融合热运动机制的粒子群优化算法研究及其应用[D];武汉大学;2010年

5 徐文星;混沌粒子群优化算法及应用研究[D];北京化工大学;2012年

6 李丹;粒子群优化算法及其应用研究[D];东北大学;2007年

7 张玮;粒子群优化算法研究及在阵列天线中的应用[D];太原理工大学;2010年

8 谭佳琳;粒子群优化算法研究及其在海底地形辅助导航中的应用[D];哈尔滨工程大学;2010年

9 王宇嘉;多目标粒子群优化算法的全局搜索策略研究[D];上海交通大学;2008年

10 陈治平;智能搜索引擎理论与应用研究[D];湖南大学;2003年

相关硕士学位论文 前10条

1 叶海燕;粒子群优化算法及其在股票市场预测优化问题中的应用[D];广州大学;2008年

2 孙晶晶;粒子群优化算法的改进及其应用研究[D];陕西师范大学;2010年

3 王婧;基于粒子群优化算法的集群调度策略研究[D];中国石油大学;2011年

4 张新娟;改进粒子群优化算法及其在图像分割中的应用[D];陕西师范大学;2011年

5 刘煌;基于GA的改进粒子群算法研究及其在TSP上的应用[D];武汉理工大学;2010年

6 苗爱敏;基于动态特征的粒子群优化算法研究[D];云南大学;2010年

7 于锡才;基于粒子群优化算法的低NO_x排放过程的优化研究[D];东北大学;2008年

8 杨洋;基于粒子群优化算法的准循环LDPC码构造[D];北京交通大学;2011年

9 沈锡;基于粒子群优化算法的船舶航向PID控制[D];大连海事大学;2011年

10 刘现;蛋白质结构预测的粒子群优化算法研究[D];福建农林大学;2011年

本文编号：2630766