基于遗传算法优化的BP神经网络选股模型

发布时间：2024-02-04 19:57

　　随着金融学与电子计算机技术的飞速发展,将电子计算机技术与金融学领域相结合成为当下的一种趋势,当这种模式可以为投资者带来有效的高额利润时,人们就会选择利用这种方式即量化的方式来构建投资组合,如量化选股,高频套利交易和量化择时等量化投资方式。量化投资实际上就是将会对股价产生影响的各类因子分类提取出来,以大量的数据为基石,通过反复调整各因子对股价影响的参数权重,通过精细化的方式合理配置投资组合达到获取超额收益的目的。神经网络算法通过不断调整网络中链接权重,不断向最优结果趋近,不断被广大量化领域投资者应用。但是神经网络模型也存在着自身的局限性,其中容易陷入局部最优解这个问题使得神经网络在实际应用中可能达不到预期的效果,造成投资失利。所以,如何改善神经网络容易陷入局部最优解,提高神将网络在量化选股中的实际效果变得非常重要。为了能使神经网络模型跳出局部最优解,使模型的选股效果在实践中得到提升,从而帮助投资者获取超额利润,本文采用将遗传算法与BP神经网络相结合的方法,通过利用遗传算法去优化调整BP神将网络模型中链接权重,构建成为GA-BP模型,使得模型在更新参数时可以有更多的选择,避免落入局部最优解...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图１－１基于ＧＡ－ＢＰ模型量化选股研究技术路线??１．４研究与创新??１．４．１研究内容??

?基于遗传算法优化的ＢＰ神经网络量化选股模型??对初始样本进行收集???ｉ???对数据集进行残缺值补齐、异常值标准化等处理???ｉ???训练集、测试集划分???±???Ｉ???基于训练样本集得到?将ＢＰ模型优化为ＧＡ－ＢＰ??最优ＢＰ选股模型?模型，并对ＧＡ－ＢＰ模型的???１－....

图２－１?ＢＰ神经网络输入层到隐藏层向前传播示意图??

基于遗传算法优化的ＢＰ神经网络量化选股模型???训练误差小于期望的训练误差时，训练结束，得到期望的实验结果。??本文根据网络的单次循环路径，即输入层到隐藏层、隐藏层到输出层、输??出层到隐藏层连接权重的更新、隐藏层到输入层连接权重的更新四个部分拆分??介绍ＢＰ神经网络的工作原理。....

图２－２?ＢＰ神经网络隐藏层到输出层向前传播示意图??

相关理论概述??Ｐｋ?＝?／?（ＷｊｋＺｊ?＋?０ｋ）?（２－６）??７＝１??则输出层第＊个神经元的输出ｙ为：??９?＝?／（／？ｆｃ）?＝?／?＿（ｗｊｋＺｊ?＋?（２－７）??输入层：输入Ｘ?＿?一．?、？＇??权重?ｖ、、．、?Ｗ；７ｃ??输入层：输入Ｘ?＿二＿?、．，?....

图２－３?ＢＰ神经网络隐藏层和输出层的链接权重更新示意图??

基于遗传算法优化的ＢＰ神经网络量化选股模型??Ｅｈ?＝（ｙ?—?ｙ）２?（２?—?８〕??（１）此时存在两个输出值，一个为通过神经网络计算得到的预测输出值，??另一个为数据本身的真是输出值，二者者之间会存在一个差值，将这个差值定??义为５，通过对５进行链式求导，使得原来隐藏层与输....

本文编号：3895766