小波神经网络在股价预测中的应用

发布时间：2020-10-27 01:05

　　 随着国民经济的迅速发展和市场经济的不断完善,股票市场逐步成为我国证券业乃至整个金融业必不可少的组成部分,将股票市场走势进行分析和预测具有重要的理论意义和实际的应用价值。近年来,人们一般是通过建立时间序列预测模型来解决股价预测问题的,时间序列预测模型在线性系统、平稳时间序列问题上得到广泛应用,但在处理具有非线性特征或非平稳时间序列问题上,特别是在有人参与的主动系统、社会经济系统的预测上,这类方法无法取得令人满意的预测效果。 随着非线性理论和人工智能技术的发展,小波分析和神经网络发展成为金融市场的分析和预测工具,但由于小波分析和神经网络各自内在的局限性,使它们用于股价预测时,结果不是很理想,如:BP算法收敛速度很慢,且在网络初始参数数据选取不当时,易陷入局部极小点;正交小波构造比较复杂,难以用显式表达等。而小波神经网络结合了小波分析和神经网络的优点,在一定程度上克服了二者各自应用于预测系统的不足,因此,将小波神经网络应用于股价预测具有重要的理论意义和实际的应用价值。 本文首先介绍了小波分析和BP神经网络的基本理论;然后利用BP神经网络构建了BP神经网络短期预测模型,对模型中样本数据的选取、网络输入量的确定、数据的预处理方法等问题进行了规定,通过仿真实验确定了模型中隐含层神经元的个数;并对个股收盘价进行仿真实验,实验结果表明BP神经网络用于股价预测的效果是较好的。最后从小波神经网络的构造理论出发,对小波和神经网络的松散型结合方式进行了深入分析,提出利用小波分解与重构技术构建小波神经网络短期预测模型的方法,通过仿真实验确定了模型中重构的尺度;并对个股收盘价进行仿真实验,实验结果表明小波神经网络比BP神经网络模型预测效果更好,具有实际的推广应用价值。
【学位单位】：西安科技大学
【学位级别】：硕士
【学位年份】：2008
【中图分类】：F830.91;TP183
【部分图文】：

从理论上讲完全可以预测出连续的 n 个数值。但是从n 个预测值中只有第一个预测值是全部使用真实值进行预测的或全部使用了预测值作为输入进行预测。以预测值来做预测实验，而且股价序列的噪声较大，误差将会更为明显。尽量减少误差、提高预测准确度的角度考虑，本文先只做以预测。首先用训练样本训练所建立的 BP 网络，网络收敛后一个单步预测模型，然后就可以用它对预测样本进行单步预测实验结果分析创业环保股票 2007 年 2 月 27 日到 2007 年 10 月 19 日（160作为研究对象，利用 2007 年 2 月 27 日到 2007 年 8 月 21 日始数据作为训练集，2007 年 8 月 22 日到 2007 年 9 月 25 日（据作为检验集，2007 年 9 月 26 日开始作为预测对象，预测股票 2007 年 2 月 27 日到 2007 年 10 月 19 日收盘价原始数4.3 所示：

图 4.4 (创卫环保)BP 算法仿真的收敛趋势曲线图经网络对创业环保股票收盘价预测数据和实际数据的比较如表 4.3表 4.3 （创卫环保股票）预测数据与实际数据比较日期 实际值(元) 预测值(元) 误差率(%0070926 9.96 10.2756 -3.160070927 10.72 9.9733 6.9650070928 10.8 10.8105 -0.090071001 10.8 10.4685 3.0690071002 10.8 10.6445 1.4390071008 10.52 11.0361 -4.900071009 10.48 10.5244 -0.420071010 10.46 10.5373 -0.730071011 10.34 10.4459 -1.020071012 10.79 10.2689 4.8290071015 10.79 10.7611 0.267

图 4.5 创卫环保股票实际数据与预测数据的比较层的神经元的个数的选择有无限隐层节点的两层 BP 网络可以实现任意输入到输出的非线输入模式到输出模式的映射，并不需要无限个隐层节点。隐层节间太长；隐层节点数太少会使容错性差、识别未经学习的样本能少个隐含节点才合适？这个问题至今为止还未找到一个很好的解计所得的经验和自己进行试验来确定，一般认为隐层节点数与求出单元数多少都又直接的关系。层的节点数估计，本文的做法是：根据隐含层节点数经验公式来估计：N+O+α，式中h为隐含层节点数，N 为输入层节点数，O为输出之间的整数；将其隐层节点数根据上面估计设为不同的值，再采用前面的实验，进行网络训练。先选择较少的隐层节点数，如果计算达不到预
【相似文献】

相关期刊论文 前10条

1 王志平,张海帆;中国工业时间序列分析及预测[J];统计与决策;2004年08期

2 兰秋军,马超群,甘国君,吴建宏;中国股市弱有效吗?——来自数据挖掘的实证研究[J];中国管理科学;2005年04期

3 金华;陆继宗;;证券市场的非线性研究[J];上海电机学院学报;2005年06期

4 ;主要经济指标时间序列[J];中国经济景气月报;2005年04期

5 黄超;吴清烈;武忠;朱扬勇;;基于方差波动多重分形特征的金融时间序列聚类[J];系统工程;2006年06期

6 李巧梅;熊国经;;社会消费品零售总额ARIMA模型的建立及预测[J];科技广场;2006年10期

7 张逾坤;吴见平;管连龙;;区域科技创新能力的动态评估及实证分析[J];华东经济管理;2007年01期

8 胡蓉;;基于多输出支持向量回归算法的股市预测[J];云南民族大学学报(自然科学版);2007年03期

9 余健;郭平;;基于RBF网络的金融时间序列预测[J];湖南工程学院学报(自然科学版);2007年04期

10 王晶;;中国居民储蓄与经济增长的关系分析[J];科技信息;2009年20期

相关博士学位论文 前10条

1 杨正瓴;时间序列中的混沌判定、预报及其在电力系统中的应用[D];天津大学;2003年

2 张晓伟;水文动力系统自记忆特性及其应用研究[D];西安理工大学;2009年

3 倪丽萍;基于分形技术的金融数据分析方法研究[D];合肥工业大学;2010年

4 刘大同;基于Online SVR的在线时间序列预测方法及其应用研究[D];哈尔滨工业大学;2010年

5 张永林;车辆道路数值模拟与仿真研究[D];华中科技大学;2010年

6 崔亚强;沪深300股指内在复杂性分析及预测研究[D];天津大学;2010年

7 杨谈;网络混沌行为及其控制的研究[D];北京邮电大学;2009年

8 李星毅;基于相似性的交通流分析方法[D];北京交通大学;2010年

9 肖辉;时间序列的相似性查询与异常检测[D];复旦大学;2005年

10 卢占会;电力市场稳定性研究[D];华北电力大学（河北）;2008年

相关硕士学位论文 前10条

1 张海珍;小波神经网络在股价预测中的应用[D];西安科技大学;2008年

2 Ashraf Fetoh Eata;[D];厦门大学;2001年

3 王丽敏;两类模糊随机时间序列预测方法[D];河北大学;2001年

4 王琦;时间序列在油田效益审计中的应用[D];吉林大学;2009年

5 韩冬梅;基于P2P的教学信息资源负载均衡调度算法的研究[D];哈尔滨工程大学;2010年

6 张雷;多层次分布式智能决策支持系统及应用研究[D];西北工业大学;2006年

7 王金翠;基于实测数据的风电场风速和风功率短期预测研究[D];东北电力大学;2010年

8 赵松雷;基于频谱仪的无线自动测试系统与信号特性分析[D];北京邮电大学;2010年

9 姚兰;中国民办高等教育市场空间研究[D];河南大学;2007年

10 吴烨清;时间序列理论在软件可靠性建模中的应用和研究[D];华中农业大学;2009年

本文编号：2857787