基于GA的ANN股價指數(shù)預(yù)測研究.pdf

1、近年來，人工神經(jīng)網(wǎng)絡(luò)(ANN)的快速發(fā)展，為股票市場的建模與預(yù)測提供了許多新技術(shù)和新方法。目前，國內(nèi)外很多學(xué)者建立了基于人工神經(jīng)網(wǎng)絡(luò)的股票價格指數(shù)預(yù)測模型。還有一些學(xué)者，嘗試將多種模型和人工神經(jīng)網(wǎng)絡(luò)模型混合應(yīng)用，但是這些模型都存在一定問題，其預(yù)測性能不盡人意。本文針對現(xiàn)行的股價指數(shù)預(yù)測方法的不足，根據(jù)股票價格指數(shù)的非線性變動特點，探討基于遺傳算法(GA)的人工神經(jīng)網(wǎng)絡(luò)股價指數(shù)預(yù)測模型的建立與應(yīng)用。 具體來講，全文共分為七章。

2、 第一章是導(dǎo)論，闡述本文的選題目的和意義，綜述國內(nèi)外利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行股價指數(shù)預(yù)測的研究，并概述本文的研究內(nèi)容、研究方法和技術(shù)路線。 第二章，論述股價指數(shù)預(yù)測的現(xiàn)狀和存在的問題。目前國內(nèi)外學(xué)者利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行股價預(yù)測，主要是基于兩類方法，一類是利用單一的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測，但是由于單一神經(jīng)網(wǎng)絡(luò)存在的“過擬合”問題，其預(yù)測性能并不理想；另一類是混合多種人工智能技術(shù)進(jìn)行建模并預(yù)測，但依然存在變量選擇、算法選取和樣本設(shè)

3、計不合理等問題，同時，混合多種智能技術(shù)的模型應(yīng)用往往十分復(fù)雜，限制了其實際應(yīng)用。 第三章，闡述人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的基本理論。重點闡述BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)設(shè)計和遺傳算法的原理及基本流程，并根據(jù)我國股價指數(shù)變動的特點，構(gòu)建基于GA的ANN股價指數(shù)預(yù)測框架。 第四章對股價指數(shù)預(yù)測進(jìn)行分析。在分析股價指數(shù)預(yù)測難點的基礎(chǔ)上，重點闡述了將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，進(jìn)行股價指數(shù)預(yù)測的優(yōu)勢。利用遺傳算法優(yōu)化BP網(wǎng)絡(luò)的權(quán)值，既克

4、服了單一BP神經(jīng)網(wǎng)絡(luò)存在的“過擬合”問題，又解決了單一遺傳算法的收斂性差的問題。即可利用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型的非線性函數(shù)逼近特性，對股價指數(shù)進(jìn)行預(yù)測。 第五章，建立基于GA的ANN股價指數(shù)預(yù)測模型。首先確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值；接著構(gòu)造訓(xùn)練樣本，對BP網(wǎng)絡(luò)進(jìn)行初次學(xué)習(xí)訓(xùn)練，并用測試樣本對網(wǎng)絡(luò)的預(yù)測性能進(jìn)行檢測；然后，利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化，并將優(yōu)化后的權(quán)值和閥值固定下來，利用訓(xùn)練樣本對優(yōu)化后的網(wǎng)

5、絡(luò)進(jìn)行再次訓(xùn)練，并再次進(jìn)行測試，最終建立基于GA的ANN股價指數(shù)預(yù)測模型。 第六章，是滬深300指數(shù)預(yù)測。選擇具有較好市場代表性的滬深300指數(shù)，利用第五章建立的模型，對滬深300指數(shù)進(jìn)行預(yù)測。預(yù)測結(jié)果表明，文中所建立的基于GA的BP網(wǎng)絡(luò)模型預(yù)測比較精確，可將其用于實際中股價指數(shù)預(yù)測，為投資者提供一定幫助。 第七章是結(jié)論與展望。本文的基本結(jié)論為：經(jīng)過遺傳算法優(yōu)化后的BP網(wǎng)絡(luò)模型能夠提高指數(shù)預(yù)測的精度；模型需要合理確定BP