基于改进小波神经网络的上证指数预测研究

发布时间：2020-08-14 18:36

【摘要】：随着股票市场投资活动的日益频繁，市场迫切需要一种有效的预测方法以帮助人们增加投资收益。股票市场是一个高度复杂的金融市场，其变化规律受到宏观与微观、政治与经济、国内与国外、行为与心理等各方面因素的影响，以致人们始终无法找到股市的“真正”变化规律。传统的应用于股票指数的预测方法多为统计回归预测法和时间序列预测法。统计回归方法是反应输入和输出变量之间的因果关系，但其中的变量需满足某些特定的统计假设；时间序列方法是基于时间序列的惯性推演，必须确知或假定序列的变化规律。由于上述两种方法所需的条件在实际情况中很难满足，所以这两种传统预测模型很难满足股市预测的要求。近些年来，以神经网络为代表的人工智能预测系统开始在股票指数的预测中得到应用并快速发展。但是，由于单一的智能预测方法都存在着这样、那样的缺陷与不足，以致预测效果总是受到一定程度的影响。因此，在应用智能技术建立预测模型时，人们开始将多种智能技术相互结合，以便相互补充与促进，从而达到更理想的预测效果。 鉴于小波神经网络（Wavelet NeuralNetwork, WNN）的优越性能使其在经济领域中的得到广泛应用,许多学者建立了基于小波神经网络的股票预测模型，其预测效果虽然比神经网络模型有所改进，但其学习算法局部收敛的缺陷依然存在。为此，本研究采用细菌觅食优化算法(Bacterial Foraging Optimization, BFO)和自适应惯性权重的粒子群优化算法（AdaptiveInertia Weight Particle Swarm Optimization，AIW-PSO）进一步优化小波神经网络。方法是用这两种优化算法充当小波神经网络的学习算法，从而为小波神经网络提供更好的网络权值和小波基函数平移系数及伸缩系数，使整个网络更加合理，泛化能力和搜索能力更强，预测性能更优。随后建立了基于上证指数数据样本的改进小波神经网络的预测模型，并将它们的预测结果与BP神经网络预测模型、小波神经网络预测模型和BFO-BP神经网络预测模型三种现有模型比较，其结果表明改进后的BFO-WNN与AIW-PSO小波神经网络模型的预测效果显著优于现有三种预测模型。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP183;F830.51

【参考文献】

相关期刊论文 前10条

1 毛健;赵红东;姚婧婧;;人工神经网络的发展及应用[J];电子设计工程;2011年24期

2 王红;王联国;;基于模拟退火策略的细菌觅食优化算法[J];电脑知识与技术;2013年10期

3 吴如海,宋逢明;基金分离下中国股市交易量模型的实证研究[J];管理科学学报;2000年01期

4 赵建，邵永革，黄炯，杨静宇;基于神经网络的股市预测[J];计算机研究与发展;1996年09期

5 梁夏;具有自纠错功能的人工神经网络在股票滚动预测上的应用[J];计算机应用研究;1999年01期

6 王钰,郭其一,李维刚;基于改进BP神经网络的预测模型及其应用[J];计算机测量与控制;2005年01期

7 郑军,颜文俊,诸静;基于小波基函数的预测函数控制[J];控制与决策;2005年09期

8 董平平;高东慧;田雨波;胡永建;;一种改进的自适应惯性权重粒子群优化算法[J];计算机仿真;2012年12期

9 王刚;许晓兵;;基于小波分析与神经网络时间序列的股票预测方法[J];金融经济;2013年12期

10 欧阳林群;;GA神经网络在证券市场预测中的应用研究[J];武汉理工大学学报(信息与管理工程版);2006年11期

相关博士学位论文 前1条

1 刘小龙;细菌觅食优化算法的改进及应用[D];华南理工大学;2011年

本文编号：2793394