基于改进的RBF神经网络对股市混沌效应预测

发布时间：2017-12-29 20:32

本文关键词：基于改进的RBF神经网络对股市混沌效应预测　出处：《中国海洋大学》2014年硕士论文　论文类型：学位论文

【摘要】：伴随着经济全球化以及金融自由化的快速发展进程,作为资本市场的核心板块之一股票市场的运行发挥着越来越重要的作用。在股票市场的循序渐进的运行中,不可避免的经历着“产生泡沫——发展平稳——迅速扩大——最后破裂”的阶段,影响着宏观经济的运行发展。因为股票市场动荡现象的难以量化和产生因素多样化等相关的特点,促使股票市场有效模型的建立难以取得有效、满意的结果。混沌理论是20世纪下半叶以来一门新兴的学科,是非线性系统的特殊运动形式。混沌是指在确定性的非线性系统中,在没有任何外部的随机因素的影响下,仍然都有可能出现的内在随机性的行为。基于我国股票市场的复杂性、开放性以及系统性,传统的股市分析模型往往忽略了各个要素之间的内在联系,本文引入混沌理论对其进行研究分析,深入股票市场的内部,在复杂的过程中寻找背后的内在规律,提高资源的使用配置效率。首先,分析概述了混沌现象特征与股票市场之间的内在联系,从混沌现象入手,介绍了混沌现象的起源发展,结合混沌效应的特征,从三个方面简要的分析了股票市场混沌效应的特征。梳理了相间重构的基本原理,为RBF神经网络模型的构建奠定了理论基础,从定性和定量的角度描述了混沌效应的识别检验方法,介绍了三种时间序列的混沌效应预测判定方法。其次,在介绍了股票市场系统未来混沌效应预测的基本思路基础上,分析评价了传统的RBF神经网络训练学习算法,虽然其具有在变密度簇中的聚类效果特别明显以及计算量小、训练时间短的优点,但是对于时间序列预测的整体拟合效果并不是十分的理想,也存在着一定的缺陷。为提高股票市场混沌效应预测效果的精确度,阐述了传统的RBF神经网络训练学习算法进行改进的必要性和改进原理。再次,以股市混沌预测模型的依据原则为基础构建改进的RBF神经网络预测模型,基于相空间重构技术的基本原理,采用C-C方法同时确定时间延迟和嵌入维数两个参数,对股票市场时间序列进行相空间的重构。根据对混沌特征量识别的相关维数法和李雅普诺夫指数法,来判定对股价时间序列识别混沌效应是否存在,如果股价时间序列存在混沌效应,就可以对其进行预测,运用改进后的RBF神经网络学习算法进行训练与测试,为进一步的预测奠定基础。最后,以我国股票市场2012年下半年及2013年全年的每日上证综合指数的收盘价为数据基础,对之进行归一化处理,应用的基于改进RBF神经网络构建股市混沌预测模型进行实证研究分析。借用C-C方法确定本文所采取的时间序列进行相空间重构所需要的重要参数——时间延迟和嵌入维数,在重构的相空间中,就所采用的数据进行混沌效应特征量的实际测度,判定股市存在混沌现象。基于改进的RBF神经网络宽度的算法,对重构的相空间进行训练与测试的实证分析,从而得出改进该模型的预测适用性比较理想,进而将原有的部分相点以及预测出来的相点合在一起,对我国股票市场未来的短期混沌效应进行预测分析,根据混沌特征量的判定,最终得出我国股票市场未来短期内存在混沌效应的结论。
[Abstract]:......
【学位授予单位】：中国海洋大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP183;F832.51;F224

【参考文献】