小波神經(jīng)網(wǎng)絡(luò)和ARMA模型在股票預(yù)測(cè)中的研究與應(yīng)用.pdf

1、本論文在全面研究股票市場(chǎng)及其問(wèn)題的基礎(chǔ)上,把股票的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法與ARMA時(shí)間序列預(yù)測(cè)方法用貝葉斯組合理論相結(jié)合,構(gòu)造出一個(gè)綜合且準(zhǔn)確率較高的股票組合預(yù)測(cè)模型,并對(duì)模型性能的改善和提高進(jìn)行了深入研究。 總結(jié)國(guó)內(nèi)外股票市場(chǎng)預(yù)測(cè)決策的理論方法,由于計(jì)算機(jī)與人工智能技術(shù)的飛速發(fā)展,針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度與訓(xùn)練算法的不足,本文采用嵌套式的小波神經(jīng)網(wǎng)絡(luò)即用小波函數(shù)直接代替隱含層函數(shù)構(gòu)成神經(jīng)網(wǎng)絡(luò)模型,兼具有小波理論與神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),

2、有更靈活有效的函數(shù)逼近能力和濾波作用。訓(xùn)練算法在原有BP算法的基礎(chǔ)上采用引入動(dòng)量項(xiàng)和變學(xué)習(xí)速率的方法,并修正了小波基函數(shù)的伸縮平移參數(shù),改善了收斂性能且減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間。 時(shí)間序列分析法中ARMA(自回歸滑動(dòng)平均模型)模型較為成熟,文中詳細(xì)闡述了股票ARMA預(yù)測(cè)模型的確定、檢驗(yàn)與分析。 決策者面臨決擇的預(yù)測(cè)方式可能不只一種,且各有千秋,在預(yù)測(cè)過(guò)程中,對(duì)于相同的數(shù)據(jù),不同的預(yù)測(cè)方法所針對(duì)的信息不盡相同,因而得到的預(yù)測(cè)結(jié)果