金融时间序列的建模与预测

发布时间：2021-04-30 02:53

　　随着程序化交易的不断发展,金融时间序列的趋势预测算法得到了广泛的研究。本文一方面对金融时间序列的预测进行了研究,针对BP神经网络股价预测应用中存在收敛速度慢、易陷入局部极值、训练结果不稳定、预测精度有限等问题进行了算法优化,另一方面对金融时间序列的模式识别开展了研究,针对SAX算法进行了改进,具体研究内容如下:首先,针对BP神经网络预测精度不够的问题,本文提出了对进入BP网络的数据进行预处理的混合系统模型。该模型利用历史数据,筛选出与测试样本数据的模式匹配程度高的子序列,输入子序列来训练神经网络,构建出基于模式识别的BP神经网络预测模型。仿真结果表明,通过对不同数据段RMSE、MRE和WDS的分析,相比基于趋势点的趋势预测方法或多输入变量的BP神经网络预测模型,本文提出的混合系统预测模型的预测误差更小,预测效果更准确。其次,针对BP神经网络训练时间较长、易陷入局部极值的问题,本文提出了一种改进的PSO-BP预测模型算法,该算法利用改进的PSO算法训练BP神经网络的权值和阈值,从而具备了较好的全局搜索能力,再利用BP神经网络的局部搜索能力进一步确定权值和阈值,从而确定BP神经网络模型参数... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 论文研究的背景和意义
    1.2 金融时间序列的特点
    1.3 国内外研究现状
    1.4 论文主要工作及章节安排
第2章 股票预测相关理论概述
    2.1 引言
    2.2 金融时间序列预测系统基本模型
    2.3 金融时间序列数据样本的选取
    2.4 金融时间序列数据预处理
        2.4.1 数据规范化处理
        2.4.2 数据平稳性处理
    2.5 神经网络模型
        2.5.1 神经网络模型结构及原理
        2.5.2 BP神经网络原理
        2.5.3 BP神经网络算法基本实现步骤
        2.5.4 BP算法存在的缺陷
    2.6 金融时间序列的符号聚合近似
    2.7 模型评价标准
    2.8 本章小结
第3章 基于模式匹配的神经网络预测模型
    3.1 引言
    3.2 数据预处理
    3.3 模式匹配系统
        3.3.1 相似度指标
        3.3.2 寻找模式匹配的子序列
    3.4 模式匹配和神经网络相结合的预测模型
        3.4.1 神经网络结构设计
        3.4.2 系统算法模型
    3.5 仿真结果与性能分析
        3.5.1 股价趋势预测
        3.5.2 不同数据段的股价趋势预测
        3.5.3 性能对比分析
    3.6 本章小结
第4章 基于PSO优化的BP神经网络预测模型
    4.1 引言
    4.2 基本PSO算法原理
    4.3 改进的PSO算法
    4.4 基于PSO优化的BP神经网络预测模型
    4.5 仿真结果与分析
        4.5.1 改进PSO-BP预测模型参数设置
        4.5.2 数据预处理
        4.5.3 训练时长
        4.5.4 预测精度
    4.6 本章小结
第5章 基于金融时间序列的符号聚合近似测度的改进
    5.1 引言
    5.2 本节所使用的符号
    5.3 改进的符号聚合近似表示方法
        5.3.1 数据预处理
        5.3.2 子序列数据搜索
        5.3.3 数据分割
        5.3.4 相似度计算
    5.4 仿真结果与性能分析
        5.4.1 匹配时间
        5.4.2 匹配准确性
    5.5 本章小结
第6章 总结与展望
    6.1 全文总结
    6.2 未来展望
致谢
参考文献
附录



本文编号：3168697