基于神经网络的混沌时间序列研究与应用

发布时间：2017-09-15 11:43

  本文关键词：基于神经网络的混沌时间序列研究与应用

  更多相关文章： 股票预测 混沌时间序列 神经网络 粒子群算法 局域预测

【摘要】：随着国民收入的不断提高以及人们投资观念的不断增强,保持金融市场稳定发展已经成为金融投资领域的研究热点。股票作为金融市场的重要组成部分,其价格走势一定程度上反映了金融市场的健康程度,能够及时预测股票价格走势已经成为政府和投资者的头等大事。股票价格走势具有典型的非线性特征,而且对于一些复杂的系统,其内部信息蕴含着混沌特性,导致传统时间序列预测模型无法充分挖掘系统的内在特性,严重影响模型的预测效果。本文基于混沌局域法预测思想,将系统内部信息从低维空间映射到了高维空间,更充分地挖掘和恢复了系统的内在特性,并利用RBF神经网络收敛速度快、结构简单的优点以及粒子群优化算法较强的全局搜索能力,来充分挖掘相点间的演化规律,建立了基于粒子群优化RBF神经网络的混沌局域预测模型。全文主要工作如下:1)由于局域法预测效果依赖于临近点的选取,“伪临近点”的存在将严重影响到局域法预测效果。为了提高局域法预测模型的精度,首先针对现有的临近点选取方法的不足,提出了基于李雅普诺夫指数改进的临近点选取方法,为建立预测模型打下基础。由于传统欧氏距离无法客观反映相点各维分量对预测的影响,根据混沌时间序列具有初值敏感性的特点,利用最大李雅普诺夫指数构造权系数对欧氏距离进行改进并构造距离关联度,将距离关联度和向量夹角余弦作为相空间中相点间的空间关系和演化趋势的评价标准,并考虑到相空间中相点的演化趋势与其前S步相点存在相关性的特点,通过追踪前S步相点的演化趋势,提出了改进的临近点选取方法。利用Lorenz方程x分量产生的混沌时间序列进行仿真实验,结果表明利用改进方法选取的临近点进行预测,其预测精度比其它传统方法更高。2)针对于具有混沌特性的股票时间序列,利用RBF神经网络的收敛速度快、结构简单的优点建立了基于RBF神经网络的混沌全域预测模型,对浦发银行历史股票日收盘价进行预测,模型的预测效果不佳。基于混沌时间序列的局域法预测思想,提出了一种改进的股票价格预测模型。首先利用改进的临近点选取方法,合理选取临近点。之后利用粒子群优化算法的全局搜索能力来优化RBF神经网络的权值ij?、基函数中心ic以及标准差i?,提出了改进的预测模型——基于粒子群优化RBF神经网络的混沌局域预测模型。最后实验对比结果显示,改进模型的预测精度更高,说明了改进模型的有效性。
【关键词】：股票预测 混沌时间序列 神经网络 粒子群算法 局域预测
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O211.61;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-17
• 1.1 混沌时间序列的研究背景、意义及研究现状9-13
• 1.1.1 混沌时间序列的研究背景、意义9
• 1.1.2 混沌时间序列的研究现状9-13
• 1.2 神经网络的研究背景、意义及研究现状13-15
• 1.2.1 神经网络的研究背景、意义13-14
• 1.2.2 神经网络的研究现状14-15
• 1.3 论文结构及主要研究成果15-17
• 第2章 与课题相关的基础理论17-30
• 2.1 混沌时间序列的基础理论17-25
• 2.1.1 混沌时间序列相空间重构的常见方法17-21
• 2.1.2 混沌时间序列识别的常见方法21-23
• 2.1.3 混沌时间序列预测的常见方法23-25
• 2.2 神经网络预测模型的基础理论25-28
• 2.2.1 RBF神经网络的网络结构25-26
• 2.2.2 RBF神经网络的学习算法26-28
• 2.3 粒子群优化算法的基础理论28-30
• 2.3.1 粒子群算法的基本原理28
• 2.3.2 粒子群算法的优化流程28-30
• 第3章 局域法预测中临近点选取方法的改进30-38
• 3.1 引言30-31
• 3.2 传统临近点选取方法31-33
• 3.2.1 传统欧氏距离法31-32
• 3.2.2 向量夹角余弦法32
• 3.2.3 关联度法32-33
• 3.3 基于李雅普诺夫指数的临近点选取方法的改进33-34
• 3.4 仿真实验34-37
• 3.5 本章小结37-38
• 第4章 基于粒子群优化RBF神经网络的股票价格预测38-47
• 4.1 引言38-39
• 4.2 基于RBF神经网络混沌全域法预测模型的建立39-41
• 4.2.1 基于RBF神经网络混沌全域法预测模型的建模过程39-40
• 4.2.2 仿真实验40-41
• 4.2.3 实验结果分析41
• 4.3 基于粒子群优化RBF神经网络混沌局域预测模型的建立41-46
• 4.3.1 基于粒子群优化RBF神经网络的优化过程41-42
• 4.3.2 基于粒子群优化RBF神经网络的混沌局域预测模型的建立42
• 4.3.3 仿真实验42-45
• 4.3.4 实验结果分析45-46
• 4.4 本章小结46-47
• 第5章 结论与展望47-48
• 参考文献48-51
• 附录A 浦发银行股票历史日收盘价51-54
• 在学研究成果54-55
• 致谢55

【参考文献】

中国期刊全文数据库 前10条

1 李寿涛;田微;郭鹏程;马用学;张浩;王楠;;基于模糊自适应的BP神经网络动态行驶车辆车长测算[J];吉林大学学报(工学版);2015年06期

2 吴华稳;王富章;;基于最大Lyapunov指数的铁路煤炭发送量预测研究[J];交通运输系统工程与信息;2013年06期

3 韩敏;王新迎;;多元混沌时间序列的加权极端学习机预测[J];控制理论与应用;2013年11期

4 文富勇;;基于混沌时间序列的大坝变形监测自适应预测模型[J];水力发电;2013年11期

5 邬开俊;王铁君;;基于RBF神经网络优化的混沌时间序列预测[J];计算机工程;2013年10期

6 卢辉斌;李丹丹;孙海艳;;PSO优化BP神经网络的混沌时间序列预测[J];计算机工程与应用;2015年02期

7 孙炯;梁锦强;刘凯;;一种基于最小二乘法的广义加权组合预测模型[J];科技通报;2013年08期

8 刘家和;金秀;陈露艳;苑莹;;基于IDNPSO-BP神经网络的股票市场指数预测[J];东北大学学报(自然科学版);2013年06期

9 张金良;谭忠富;;混沌时间序列的混合预测方法[J];系统工程理论与实践;2013年03期

10 张琛;徐国丽;;基于云遗传的RBF神经网络的交通流量预测[J];计算机工程与应用;2014年16期

，

本文编号：856330