人工神经网络在股票预测中的应用

发布时间：2017-04-08 02:15

  本文关键词：人工神经网络在股票预测中的应用，由笔耕文化传播整理发布。

【摘要】：股市的产生吸引了众多的科学家对其进行研究,随着投资理财逐渐走进大众生活,股市趋势的预测成为了投资者的关注重点,由最开始的简单观看价格判断趋势,到现在的采用人工智能算法,这也表明了股市的预测技术朝着更加智能化的方向发展。在当今复杂多变的世界经济环境中,提高股市预测的精度有着实际的应用价值。神经网络具有的强容错性、强适应性和强处理能力是其他智能方法不可比拟的,并且依靠人工智能技术中的人工神经网络进行股市预测可以达到很好的效果,将其应用在股市预测中,并针对具体的需要提出新的算法具有重要的意义。本文将过去的国内外股市预测方法进行探讨,列举主要相关的评价指标,分析了神经网络的技术特点,最终使用BP神经网络和支持向量机预测股市,实验是建立在MATLAB上的仿真实验进行研究。本文主要研究内容包括:(1)首先介绍了神经网络应用于股市预测需要的解决的问题,通过介绍BP神经网络的基本原理和结构、学习规则、缺点等,按照网络的不足之处将标准的BP神经网络应用附加动量法对其权值进行修正。仿真实验的结果显示:改进后的网络相对于标准BP网络,其均方误差降低了33%,相关系数提高了2.15%,网络运算时间缩短了50.75%。证明了经过改进后的网络具有更大的应用潜力。(2)遗传算法是基于自然选择和遗传学机理的迭代自适应概率搜索算法,可克服人工神经网络自身的缺陷,逐步提高网络训练速度和预测精度,因此在本文中我们提出了基于遗传算法的BP神经网络模型。由于我们选取的影响股票预测的因素具有很强的相关性,所以我们将主成分分析法应用于特征提取中,对股票输入数据进行降维处理,然后应用GA-BP算法进行预测。经过多次仿真实验,结果显示:PCA-GA-BP网络相对于GA-BP网络,其均方误差降低了51%,相关系数提高了1.89%,网络运算时间缩短了21.8%,变量个数减少了55%,累计贡献率高达99.87%。证明了PCA-GA-BP网络具有更高的预测精度、更快的运算速度。(3)最后将主成分分析与支持向量机结合对股票进行回归预测分析,解决了高维输入的问题,并通过交叉验证法对支持向量机的参数进行寻优,取得了较高的预测精度。仿真实验结果显示:PCA-SVM相对于SVM,其均方误差降低了70%,相关系数提高了5.8%,运算时间缩短了23.8%,变量个数减少了52.5%,累计贡献率高达99.44%。证明了PCA-SVM的股票预测模型具有很好的可行性和准确性。
【关键词】：股市预测 BP神经网络 附加动量法 遗传算法 主成分分析 支持向量机
【学位授予单位】：中北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51;TP183
【目录】：

• 摘要4-6
• Abstract6-10
• 第一章 绪论10-17
• 1.1 研究背景及意义10-11
• 1.2 股票预测的研究现状11-13
• 1.3 神经网络的研究现状13-15
• 1.4 本文的主要工作15-17
• 第二章 股票与神经网络概述17-28
• 2.1 股票预测背景知识17-22
• 2.1.1 股票的基本特征17-18
• 2.1.2 股票预测的评价指标18-20
• 2.1.3 股票预测的主要方法20-22
• 2.2 人工神经网络22-27
• 2.2.1 人工神经网络简介22-23
• 2.2.2 经典网络机制模型23-27
• 2.3 小结27-28
• 第三章 改进的BP神经网络模型28-40
• 3.1 BP神经网络28-34
• 3.1.1 BP神经网络的学习规则28-31
• 3.1.2 BP神经网络学习过程31-33
• 3.1.3 BP算法的不足33-34
• 3.2 BP算法的改进34-37
• 3.2.1 附加动量法35-36
• 3.2.2 学习速率自适应调整36-37
• 3.3 实验结果及分析37-39
• 3.4 小结39-40
• 第四章 基于GA和PCA-GA算法的BP神经网络模型40-51
• 4.1 GA算法40-44
• 4.1.1 GA算法的基本原理40-41
• 4.1.2 遗传算法运算流程41-44
• 4.2 主成分分析44-48
• 4.2.1 主成分分析法的基本原理44-45
• 4.2.2 主成分分析法的推导45-48
• 4.2.3 基于PCA和GA算法的BP神经网络48
• 4.3 实验结果及分析48-50
• 4.4 小结50-51
• 第五章 基于PCA和SVM的股票预测模型51-59
• 5.1 支持向量机51-55
• 5.1.1 支持向量机的基本原理51-54
• 5.1.2 参数寻优54-55
• 5.1.3 基于PCA-SVM的股票预测模型55
• 5.2 实验及结果分析55-57
• 5.3 小结57-59
• 第六章 总结和展望59-60
• 6.1 总结59
• 6.2 展望59-60
• 参考文献60-64
• 读硕士学位期间发表的论文64-65
• 致谢65-66

【相似文献】

中国期刊全文数据库 前10条

1 陈琼,郑启伦;人工神经网络系统硬件实现的研究进展[J];电路与系统学报;2000年01期

2 单潮龙,马伟明,贲可荣,张磊;BP人工神经网络的应用及其实现技术[J];海军工程大学学报;2000年04期

3 罗维平,向阳;人工神经网络的实现及其应用[J];中南民族学院学报(自然科学版);2000年S1期

4 孙学梅;人工神经网络及其在控制中的应用[J];张家口职业技术学院学报;2000年02期

5 汪镭,周国兴,吴启迪;人工神经网络在传动领域中的应用[J];电机与控制学报;2001年01期

6 侯晋,陈国松,王镇浦;人工神经网络的发展及在多元校正中的应用[J];分析科学学报;2001年01期

7 战凯,朱文斌,黄文斌;人工神经网络在军用舰船工程中的应用展望[J];青岛大学学报(工程技术版);2001年03期

8 梁艳春,聂义勇;从科学研究方法论看人工神经网络研究的发展[J];吉林大学学报(信息科学版);2002年01期

9 索兴梅,王崇桃;人工神经网络在农业中的应用研究[J];计算机与农业;2002年02期

10 付业伟,张知侠,杨瑞丽;人工神经网络及其在分析化学中的应用[J];咸阳师范学院学报;2002年04期

中国重要会议论文全文数据库 前10条

1 吴兵;;一种具有语义分布的自构造的新人工神经网络系统及其应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

2 刘R，

本文编号：291846