基于小波神经网络与支持向量机的股票预测及优化

发布时间：2020-03-27 23:45

【摘要】：股票市场数据通常具有极强的波动性,对股票市场数据的预测一直以来都是金融领域的重要课题。股票预测即对股票价格指数的运行趋势进行预测,这也是国内外在统计金融领域的研究热点。传统的股票预测方法主要是线性预测法,其中较为常见的就是建立自回归移动平均模型。在金融研究领域,自回归移动模型(ARIMA)是一种主要的预测手段,这是一种线性的预测方法,其对一些平稳数据的预测效果较好,但是对具有强波动性的股票数据往往效果欠佳。由于ARIMA模型的非线性预能力较差导致其始终无法产生较为满意的预测结果,研究者需要寻找更多适用于股票预测的方法。机器学习对金融行业数据的处理有着得天独厚的优势,其能精准分析同一时间内的大量股票数据或财务数据的变动,并很快得出相应的结论,这样使金融市场的运行效率得到显著提高。在股票市场的趋势预测方面,其能运用股价指数的相关特征对股票市场数据进行预测,在财务数据管理方面,机器学习算法可对公司的资产负债表、现金流量表等财务数据进行有效分析。我们需要寻找一些可以对非线性数据具有良好适应性的预测方法,所以拟用机器学习的相关算法,本文采用的是小波神经网络(WNN)和支持向量机(SVM)。小波神经网络是将小波与神经网络结合的理论方法,这种方法融合了两种理论的优点,是一种有效的股票预测方法。支持向量机以坚实的数学理论做支撑,其采用核函数方法可以有效解决一些复杂计算,并应用结构风险最小化原则使得这种方法在金融预测领域广受推崇。使用BP算法的WNN收敛速度慢且易陷入局部最小,为改善模型性能,提高预测精度,拟用用粒子群算法(PSO)优化WNN,优化WNN参数以建立股票预测模型PSO-WNN。为了遵从实验的逻辑性,同样建立股票预测模型PSO-SVM。运用MATLAB进行仿真实验,通过分析实验结果,证明小波神经网络和支持向量机在股票预测中的可行性。设定相关统计指标衡量预测效果,评估优化效果,并分析比较模型在优化后的预测性能,最后综合分析整体的预测性能。
【图文】：

拓扑结构图,小波神经网络,拓扑结构

来形成的小波神经网络（WNN）已经成为主要的股票预测方法。将小络结合而成的 WNN 兼具多尺度分析能力和非线性学习能力。在 WNN过程中一般采用梯度修正法，，即通过修正网络权值和小波基参数使 WN断逼近期望输出。NN 的拓扑机构神经网络是基于小波变换而构成的神经网络模型，是小波变换与神经网即用非线性小波基取代通常的神经元非线性激励函数。BP 神经网络是结构基础。3.3 表示的就是 WNN 的结构，其由一个输入层、一个隐含层和一个输出网络理论，一个三层神经网络具备精确逼近一般非线性函数的能力，运交基对函数逼近使得网络节点的冗余度较小。小波基函数取代原 Sigm层的激励函数，时频局部分析和自适应学习被融合在了一起，这样具备N 就有了更强的非线性逼近能力[10]。

时间序列,上证指数,测试集,时间点

将 168 月的数据当作一组时间序列，前 106 个时间点的数据作为训练集样本，62 个时间点作为测试集样本，分别用 PSO-WNN 和 PSO-SVM 进行训练。图 6.2 为训集数据，图 6.3 为测试集数据。图 6.1 168 个月的期末上证综合收盘指数
【学位授予单位】：安庆师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F224;F830.91

【参考文献】