贝叶斯神经网络在股票预测中的应用

发布时间：2024-06-29 13:26

　　股票预测是经济领域一项重要的课题,股票市场具有高噪声、强非线性等特点,传统的预测方法很难建立一个精确的数学模型,目前对股票预测的建模主要采用神经网络的方法,但是神经网络对股票市场的预测主要存在着以下缺点:输入向量的维数难以确定、收敛于局部极小点、训练时间过长、泛化能力弱,很难捕捉到股市黑马等。针对这些缺点,本文做了如下几方面的工作: 1.用相空间重构的思想来确定贝叶斯神经网络输入向量的维数。在股市的中期预测中,预测对象是一维的时间序列,而网络输入序列的长度选取一直以来都是一个难点,本文从混沌效应中的相空间重构思想来确定网络输入向量的维数,在神经网络的训练方式上采用贝叶斯正则化的神经网络,它可以有效提高网络的泛化能力。这种方法综合了混沌理论、神经网络和贝叶斯正则化方法各自的优点,它既考虑了上证综指的混沌特性,又考虑到了相空间中相点间的非线性关系,而且还提高了网络的泛化能力。通过第二章的预测分析可知:采用这种方法的预测有效度比普通的预测方法提高了8%左右。 2.建立股市短期预测神经网络模型。在股市的短期预测中建立了两种网络模型:普通结构的贝叶斯神经网络和并联结构的贝叶斯神经网络。贝叶斯神经...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2-3lnC(r)与lnr的关系

图2-3lnC(r)与lnr的关系Figure2-3TherelationshipbetweenlnC(r)andlnrm向右递增，从图像上看当m大于8时，曲线基本上趋于稳定，选取算斜率可得到上证综指时间序列的关联维数D=2.67....

图2-6网络结构示意图

网络权值和阈值的均方和，在h∈[3,6]时，其值逐渐减小说明其权值和阈值没有得到充分优化，还有降低的余地；而当h≥7时，其值不再随着隐层节点数的增加而明显增加，说明网络的权值和阈值已经得到充分的优化，继续增加隐层节点数并不能有效的降低SSW。3）随着隐层节点数的增加γ....

图3-1贝叶斯网络结构示意图

图3-1贝叶斯网络结构示意图Figure3-1BayesianNetworkstructure3.3.1样本的选择在样本的选取上，为了避开短线资金的控盘，选取最具代表性的上证指数作为预测样本，因为上证指数是各种因素的综合，短线资金很难对其有较大的影响，从总体上来说上....

图3-4并联结构的网络模型示意图

3.4并联结构神经网络预测模型3.4.1网络结构模型在目前的股市预测模型上，对于输入数据的选择一般地分为两种数据类型，第一种数据类型是股票的原始数据，即股票本身的交易数据；第二种数据类型是技术指标值（即是第二章我们所介绍的技术指标）。虽然有的研究采集的数据也包含这两种数据类型....

本文编号：3997620