几种改进的动态神经网络股指预测模型研究

发布时间：2017-12-17 11:01

  本文关键词：几种改进的动态神经网络股指预测模型研究

  更多相关文章： 小波 偏微分方程 BP—DNN模型 GRNN—DNN模型

【摘要】：在过去的2015年里人们经历了一场波澜壮阔的大牛市,也经历了一场从未有过的股灾,多数人的财富在这一场泡沫中经历了过山车式的变化。而随着经济的发展和人民财富的积累,股市在承担资产配置和为中小企业融资方面将扮演越来越重要的角色。股市的好坏将直接影响国计民生,因此如何更好的预测市场未来的走势就显得尤为重要。通过查阅文献我们发现,传统的股市预测方法在进行数据去噪时单纯的采取小波去噪的方式,一旦阈值的选择不合理就会造成对高频部分去噪过度,使得去噪数据不能很好的保留原始数据的细节特征。另外传统预测方法老套且创新性不强,多数文章都是将以往用过的模型重新套用或者单一的组合,并没有新的研究方法出现。针对以上问题,本文通过Wind数据库提取自2005年4月6日到2015年4月3日沪深300收盘指数作为原始研究数据,共计2428组,数据真实可靠。在对原始股票数据进行去噪处理时,利用偏微分去噪可以更好的保留数据细节特征的优点。本文首次将偏微分和小波去噪相结合运用于股票数据的分析和预测中,提出了小波偏微分混合去噪模型。将原始数据、小波去噪数据、小波与偏微分方程去噪数据三种数据各抽取542组作为预测模型的输入变量进行对比研究。由于股票数据的非线性特性,本文引入在处理非线性问题时更具优势的GRNN神经网络模型,并与传统股票预测时采取的BP神经网络模型进行对比。基于动态神经网络理论,本文模仿前人将时间窗口滑动和后反馈连接加入BP神经网络进而得到可以处理动态问题的BP-DNN模型。首次将时间窗口滑动和后反馈连接引入GRNN神经网络提出更适合处理非线性动态问题的GRNN-DNN模型。最后我们将上述数据处理模型与两种预测模型组合进行训练和预测,得到四种可以对股票数据进行预测的组合模型,得出以下结论：1)由去噪后的指数图形可得,小波偏微分混合去噪在去除噪声的同时可以更好的保留原始数据的细节特征。2)在同一预测模型背景下,三种数据预测误差最小的是小波去噪数据,小波与偏微分方程去噪数据次之,原始数据最差。3)在相同数据背景下,GRNN-DNN模型的预测效果要优于BP-DNN模型。4)在同一神经网络背景下,虽然就预测效果而言小波去噪的数据预测效果最好,但这是建立在与预测值所对比的真实值是小波去噪后的数据。若将几种组合模型的预测值与原始数据真实值作对比,小波与偏微分方程去噪模型和GRNN-DNN模型的组合预测效果最好。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP18;F832.51

【相似文献】

中国期刊全文数据库 前10条

1 王崇;赵金楼;;基于动态神经网络的消费者购买行为特征的挖掘[J];情报杂志;2011年11期

2 刘学广,王登峰,常振臣,张建南,薛殿伦;动态神经网络方法在车内噪声参考信号拾取上的应用[J];河北工业科技;2004年03期

3 韩卫华,宁佐贵;时间序列预测的动态神经网络方法[J];微机发展;2004年09期

4 田松柏;张耀辉;郭金茂;陈悦峰;;基于动态神经网络的装备技术状态预测模型[J];装甲兵工程学院学报;2007年01期

5 房毅宪;邢延健;李胜正;;时延动态神经网络的稳定性分析[J];山东轻工业学院学报(自然科学版);2010年01期

6 张敏;申晓宁;殷利平;;采用动态神经网络的多模型自适应重构控制方法[J];计算机测量与控制;2012年05期

7 傅鹂，，裴小兵;一种指数型动态神经网络的定性分析[J];重庆大学学报(自然科学版);1996年06期

8 黄金泉,孙健国;非线性系统的动态神经网络自适应辨识[J];南京航空航天大学学报;1999年03期

9 孙富春,孙增圻,慕春棣;采样非线性系统的动态神经网络稳定自适应控制[J];自动化学报;2000年06期

10 诸勇,钱积新;基于鲁棒稳定高阶动态神经网络的非线性系统的辨识[J];浙江大学学报(工学版);2001年01期

中国重要会议论文全文数据库 前5条

1 黄西士;吴沧浦;;一种用于跟踪控制的动态神经网络[A];1993中国控制与决策学术年会论文集[C];1993年

2 诸勇;钱积新;;基于鲁棒稳定高阶动态神经网络的非线性系统的辨识[A];1998年中国控制会议论文集[C];1998年

3 项n\伍;;自适应动态神经网络控制感应电机系统[A];2003年中国智能自动化会议论文集（上册）[C];2003年

4 郝悍勇;张宇;孙增圻;;一种基于UIO和动态神经网络的复合故障诊断方法[A];2005年中国智能自动化会议论文集[C];2005年

5 刘耀年;赵明宇;王震宇;;基于动态神经网络的电力系统短期负荷在线预测研究[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

中国博士学位论文全文数据库 前2条

1 麦欢欢;非线性的耦合系统一致性问题研究[D];重庆大学;2012年

2 范剑超;微粒群优化算法与动态神经网络建模预测研究[D];大连理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 赵晨;动态神经网络在量化投资预测中的应用[D];复旦大学;2014年

2 陈雯吉;基于主成分分析和NARX动态神经网络的股市情绪指数构建与预测[D];兰州大学;2016年

3 张鑫;基于动态建模的短期风电功率预测[D];上海电机学院;2016年

4 赵跃波;几种改进的动态神经网络股指预测模型研究[D];北京交通大学;2016年

5 谭晓惠;动态神经网络的稳定性研究及应用[D];西南交通大学;2002年

6 吕琪;基于动态神经网络的交通事件检测算法[D];浙江大学;2003年

7 王颖;基于动态神经网络的系统建模理论及优化技术研究[D];东北石油大学;2011年

8 张明;基于改进动态神经网络的股票预测模型的研究[D];内蒙古大学;2014年

9 郑伟范;动态神经网络的定性分析[D];西南交通大学;2004年

10 尹嵩;基于动态神经网络的支持向量机的FPGA实现[D];西安理工大学;2009年

本文编号：1299835