基于知识挖掘和RBF+AFSA的股指预测的实证分析

发布时间：2021-11-23 04:53

　　如何对股指进行预测,以及怎样才能使预测更为准确,已成为金融领域理论界长期以来的研究焦点。但是,由于股指的波动受到诸多因素的影响,尤其是受到一些不可量化的因素影响,因此,对股指的预测存在较大的难度。本文针对这个问题,主要做了如下的工作：首先,采用神经网络方法,将收盘指数这个单一指标分别代入BP神经网络和RBF神经网络,通过对比两者的预测精度,发现RBF神经网络的优化效果要略好于BP神经网络,但是两者的预测精度都不高,并发现神经网络具有计算速度慢、局部最优等缺陷,需要对其进行优化；其次,运用GA, PSO, AFSA三种智能算法对神经网络进行优化,然后用优化后的神经网络对上证综指进行预测,发现经过AFSA算法优化后的预测精度最高；第三,除了收盘指数,还有其他很多影响股指的因素,这些因素有可以量化的数量因素和不可量化的文本因素。运用数据挖掘技术,将影响股指波动的9大数量性技术指标一一带入预测模型,将表现不好的淘汰,表现较好的再进一步进行优化组合,直到寻找到一个预测精度最好的最优组合为止；最后,运用知识挖掘技术,将影响股指的非量化文本因素,包括政策性因素和心理因素,进行分级、归类处理,然后代入... 

【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【图文】：

一l带有一个隐层的BP网络

基本组成部分是径向基函数神经元模型，通过系统输入与输出所组成的资料来建立分析模型，并借由收敛法则来完成学习的目的。同时RBF网络又是一种局部逼近网络，包括输入层、隐含层和输出层三部分，其结构如图2一2。输入层由信号源节点构成;第二层为隐含层，节点数根据需要而定;第三层为输出层，它对输入模式做出响应，RBF神经网络与BP网络在结构上基本相同，区别在于RBF网络隐节点的激活函数是一种局部关于中心点对称的非线性函数。一~~命峭知飞_丫一呷一一~一翻匆势愧如-一一一一‘~一洲~划书卜省—一一~一谁卜厂图2一 2RBF神经网络结构图RBF学习算法的具体步骤如下:(l)从输入向量中选一组初试中心值q;(2)计算方差值一兰竺K式中，dm。—最大的距离，K—C:的数量;(3)由输入‘(n)计算输出的学习值夕，(n):;

八曰n﹄日八曰n曰日八曰n曰01]︸日口al自︺l口曰六-勺O-刁O11门曰自U目QJ冰﹃i﹃了八Jd力乙八八八自今自乙9︼9二9]9︼犷、犷.犷了犷.犷了了了了犷犷图2一 3BP与RBF预测结果比较图表2一 1BP与RBF预测结果比较表 BPRBF时间真实值预测值相对误差%预测值相对误差%2009一8一 172870.633048.76.203049.96.242009一8一 182910.882873.31.292875.61.212009一8一 192785、 582913.34.592915.44.662009一8一 202911.582788.74.222791.34.132009一8一 12960.7729141， 582916.11.512009一8一 42993.432952.91.352964.80.962009一8一 252915.82995.42.7329972.782009一8一 262967.62918.21.662920.31.592009一8一 72946， 42979.71.132971.50.852009一8一 82860.692948.73.082950.63.14平均相对误差 %:2.782.71从图2一3可以看出，BP神经网络与RBF神经网络的预测结果比较接近，而从表2一1的误差结果来看，RBF网络的预测误差要小于BP网络的误差，因此可以得到结论，RBF神经网络的预测结果要优于BP神经网络


本文编号：3513171