基于QPSO-RPNN的时间序列预测与程序化交易研究

发布时间：2020-11-09 00:26

　　 根据混沌理论,具有混沌特征的中国金融市场可以通过恰当的模型来寻找混沌时间序列中隐含的规律,从而实现预测目的。在此基础上本文利用递归预测器神经网络RPNN和量子行为粒子群优化算法QPSO建立了混沌时间序列预测模型。RPNN是专门为时间序列研发的动态时间延迟神经网络。本文采用QPSO算法训练RPNN神经网络,解决了模型预测过程中陷入局部最优以及预测精度差等问题。首先本文使用合适的方法将QPSO与RPNN结合,构建了 QPSO-RPNN模型。继而本文以上证综合指数作为研究对象,使用QPSO-RPNN进行不同周期的仿真与预测,并分析对比不同预测周期的预测效果,结果表明QPSO-RPNN有效的实现了混沌时间序列的短期预测,其预测精度较高。最后本文将理论与实践结合,以股票作为研究对象,对多支股票进行仿真与预测,并以预测结果为基础,分别研究了日度级别的程序化交易以及15分钟级别短周期交易。通过对预测结果以及程序化交易的结果进行分析,证明了 QPSO-RPNN模型具有较高预测精度及其在程序化交易方面的可应用性。
【学位单位】：厦门大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F832.51;F224
【部分图文】：

论文结构图

断续的输入状态响应而进行信息处理。它具有与人脑相似的特点，比如对信息进??行并行处理，以及自适应自学习能力等。神经网络根据其性能可以分成两大类：??动态神经网络和静态神经网络。静态神经网络由静态神经元组成，如图３－１所示，??ｖ，，?ｖ２，?Ｖ：，，?Ｖ．，，…，Ｖ，，为神经元输入，Ｗ，，，Ｗ２ｉ，…，Ｗｎｉ为相应的权值，Ａ为神经??元的阈值，ｆ（＿）是神经元的激活函数，则该祌经元实现的输入输出映射关系为：??ｙ?＝?ｆ（Ｅｆ＝ｉ?＋?０ｔ）?（３．１）??静态神经网络包括常规的前向神经网络、ＲＢＦ神经网络等，静态神经网络难以实??Ｖｌ?ｕｔ??Ｖ３?—??：１?〇ｉ?）?＾?ｆ⑷?｜?＾??ｙ??Ｖｎ?图３－１：静态神经元结构??现复杂动态系统的映射关系。动态神经网络更适合用来实现动态系统，其中递归??神经网络是动态神经网络的一种，是由动态神经元组成，动态神经元的输入包括??系统当前输入和反馈以及其他神经元的输出，其输入输出的关系满足：??ｙ?＝?ｆＣＩＨｉＵ／ｊＵｊＣｔ?－?Ｔｊ）?＋?Ｂｉ）?（３．?２）??Ｈｏｐｆｉｅｌｄ网络、Ｅｌｍａｎ网络是应用较为广泛的动态神经网络。动态神经网络内部??具有带延迟因子的反馈连接，可以更好的反映动态系统特性和演化行为，其连接??方式主要有两种：１）多层反馈。网络具有输入层、隐层和输出层

３．?２递归预测器神经网络??ＲＰＮＮ?（Ｒｅｃｕｒｒｅｎｔ?Ｐｒｅｄｉｃｔｏｒ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）是一种特殊的多重分支时间??延迟神经网络，图３－２为ＲＰＮＮ的结构图。ＲＰＮＮ的所有神经元节点相互连接，与??一般的神经网络不同，ＲＰＮＮ网络没有层次结构，而是根据功能分为输入节点、??状态节点、输出节点。输入节点接受外部输入，输出节点是网络对输入的响应，??状态节点反映了输入与输出之间的映射关系。其中ｒ，，！＾，．．．，ｒ？是外部输入节点，??中间是带有阈值的神经元，上方是网络的存储器，网络存储器中存放网络在不同??时刻中的输出信息，存储器与神经元的连接上具有相应的权值。网络节点可以同??时具有输出功能和反馈功能。由于节点之间引入了多分支和时间延迟，ＲＰＮＮ的??时序特点更加明显，并且网络具有局部反馈的特性，即网络当前时刻的输出不仅??与当前时刻网络的外部输入有关
【参考文献】

相关期刊论文 前5条

1 周扬;;基于lyapunov指数的股票市场混沌性研究[J];金融经济;2014年20期

2 谢朝华;李忠;郑咏梅;文凤华;;中国股票市场分形与混沌特征:1994～2008[J];系统工程;2010年06期

3 张胜,刘红星,高敦堂,沈振宇,业苏宁;ANN非线性时间序列预测模型输入延时τ的确定[J];东南大学学报(自然科学版);2002年06期

4 韩文秀,郁俊莉,王其文;我国资本市场混沌特性研究[J];系统工程理论与实践;2002年10期

5 林小明,王美今;我国股票市场的混沌现象与市场有效性[J];数量经济技术经济研究;1997年04期

本文编号：2875589