基于BP神经网络与智能算法的股价预测方法研究

发布时间：2017-05-28 08:07

  本文关键词：基于BP神经网络与智能算法的股价预测方法研究，，由笔耕文化传播整理发布。

【摘要】：随着经济改革的深入,人们对股票市场越来越重视,对股票预测的方法也不断改进.本文对粒子群算法(PSO)和遗传算法(GA)进行改进,提出了二者混合算法,并用BP神经网络结合粒子群算法、遗传算法和它们的混合算法,对股票价格进行预测.主要内容如下:本文首先介绍了人工神经网络、粒子群算法、遗传算法相关原理、流程、优点及缺陷,并分别提出改进惯性权重PSO,选择种子法GA.其中,改进惯性权重PSO在惯性权值下降到某一数值,且两次迭代适应值之差小于另外某一数值时,给惯性权重一小增量;选择种子GA在进行遗传运算时,对原种群复制两次,一份用于交叉,一份用于变异,再把三份合起来,取适应值最高的前三分一个体作为下一代种群.接着,用4个测试函数比较这些算法,结果显示,改进惯性权重法PSO、选择算子法GA优于传统方法.然后提出了PSO和GA并联算法.该算法在每步开始时进行信息交流,各取PSO和GA适应值前10个粒子,对取出粒子的适应值进行排序,把排序前10个粒子放进PSO和GA中,替代取出的粒子,然后同时进行改进惯性权重PSO和选择种子GA迭代,并用上述4个测试函数测试该算法和另外两种PSOGA串联算法,结果显示,PSO和GA并联算法效果最好.最后采用改进效果较好的改进惯性权重PSO、选择种子法GA及PSO、GA并联算法,结合BP神经网络,对股价进行预测,并与现有方法进行了比较.本文采用Matlab 2010b编程,利用英国设菲尔德大学(Sheffield)神经网络工具箱进行了仿真实验,数值结果显示,选择种子GA结合BP神经网络的预测效果较好.
【关键词】：股票 BP神经网络 粒子群算法 遗传算法 PSOGA并联算法
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;TP18
【目录】：

• 摘要4-5
• Abstract5-10
• 第1章 绪论10-13
• 1.1 研究背景与研究意义10
• 1.2 国内外研究现状10-11
• 1.3 本文主要研究内容11-12
• 1.4 研究内容与章节安排12-13
• 第2章 BP神经网络和智能算法13-37
• 2.1 人工神经网络综述13-15
• 2.1.1 人工神经网络的定义13
• 2.1.2 人工神经网络的原理13-14
• 2.1.3 人工神经网络的种类14-15
• 2.2 BP神经网络15-18
• 2.2.1 BP神经网络简介15
• 2.2.2 BP神经网络原理[15]15-18
• 2.2.3 BP神经网络优化18
• 2.2.4 BP神经网络不足18
• 2.3 粒子群算法18-20
• 2.3.1 粒子群算法简介18-19
• 2.3.2 粒子群算法流程19-20
• 2.3.3 粒子群算法优点和不足20
• 2.4 粒子群算法的改进20-28
• 2.4.1 前人的工作20-22
• 2.4.2 本文的改进方法22
• 2.4.3 测试函数22-23
• 2.4.4 粒子群算法优化测试23-28
• 2.5 遗传算法28-30
• 2.5.1 遗传算法的来源28
• 2.5.2 遗传算法各组成部分28-29
• 2.5.3 遗传算法流程29-30
• 2.6 遗传算法的改进30-37
• 2.6.1 前人的工作30
• 2.6.2 本文的改进方法30-31
• 2.6.3 测试函数31
• 2.6.4 遗传算法优化测试31-37
• 第3章 智能算法与BP神经网络的结合37-50
• 3.1 PSO-BP混合算法37-39
• 3.1.1 智能算法结合BP神经网络的必要性37
• 3.1.2 PSO-BP混合算法设计37-38
• 3.1.3 PSO-BP混合算法实现步骤38-39
• 3.2 GA-BP混合算法39-40
• 3.2.1 GA-BP混合算法总体设计39
• 3.2.2 GA-BP混合算法具体设计39
• 3.2.3 GA-BP混合算法流程39-40
• 3.3 PSO、GA串联与BP混合算法40-42
• 3.3.1 算法流程41-42
• 3.3.2 算法测试时的变化42
• 3.4 PSO、GA并联与BP混合算法42-43
• 3.4.1 算法描述42-43
• 3.4.2 算法流程43
• 3.5 PSO、GA串、并联算法测试43-50
• 3.5.1 测试程序43-44
• 3.5.2 测试函数44
• 3.5.3 测试细节44-50
• 第4章 混合算法预测股价50-57
• 4.1 预测方法50
• 4.2 实验环境50-51
• 4.3 测试结果51-56
• 4.4 结论56-57
• 第5章 总结与展望57-58
• 5.1 总结57
• 5.2 展望57-58
• 参考 文献58-61
• 致谢61-62

【参考文献】

中国期刊全文数据库 前3条

1 张丹;韩胜菊;李建;聂尚宇;;基于改进粒子群算法的BP算法的研究[J];计算机仿真;2011年02期

2 孟非;潘朋朋;;基于混沌PSO-BP混合算法的神经网络[J];计算机仿真;2011年02期

3 钱玉良;张浩;彭道刚;夏飞;;基于GA-PSO-BP的发电机组故障诊断[J];华东电力;2012年07期

中国硕士学位论文全文数据库 前3条

1 刘海s

本文编号：402213