基于GA的ANN股價指數(shù)預測研究.pdf

1、近年來，人工神經(jīng)網(wǎng)絡(ANN)的快速發(fā)展，為股票市場的建模與預測提供了許多新技術和新方法。目前，國內外很多學者建立了基于人工神經(jīng)網(wǎng)絡的股票價格指數(shù)預測模型。還有一些學者，嘗試將多種模型和人工神經(jīng)網(wǎng)絡模型混合應用，但是這些模型都存在一定問題，其預測性能不盡人意。本文針對現(xiàn)行的股價指數(shù)預測方法的不足，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)絡股價指數(shù)預測模型的建立與應用。 具體來講，全文共分為七章。

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

3、計不合理等問題，同時，混合多種智能技術的模型應用往往十分復雜，限制了其實際應用。 第三章，闡述人工神經(jīng)網(wǎng)絡和遺傳算法的基本理論。重點闡述BP神經(jīng)網(wǎng)絡的基本結構設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，構建基于GA的ANN股價指數(shù)預測框架。 第四章對股價指數(shù)預測進行分析。在分析股價指數(shù)預測難點的基礎上，重點闡述了將遺傳算法與BP神經(jīng)網(wǎng)絡相結合，進行股價指數(shù)預測的優(yōu)勢。利用遺傳算法優(yōu)化BP網(wǎng)絡的權值，既克

4、服了單一BP神經(jīng)網(wǎng)絡存在的“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)絡模型的非線性函數(shù)逼近特性，對股價指數(shù)進行預測。 第五章，建立基于GA的ANN股價指數(shù)預測模型。首先確定BP神經(jīng)網(wǎng)絡結構和初始權值；接著構造訓練樣本，對BP網(wǎng)絡進行初次學習訓練，并用測試樣本對網(wǎng)絡的預測性能進行檢測；然后，利用遺傳算法對BP神經(jīng)網(wǎng)絡的權值進行優(yōu)化，并將優(yōu)化后的權值和閥值固定下來，利用訓練樣本對優(yōu)化后的網(wǎng)

5、絡進行再次訓練，并再次進行測試，最終建立基于GA的ANN股價指數(shù)預測模型。 第六章，是滬深300指數(shù)預測。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)進行預測。預測結果表明，文中所建立的基于GA的BP網(wǎng)絡模型預測比較精確，可將其用于實際中股價指數(shù)預測，為投資者提供一定幫助。 第七章是結論與展望。本文的基本結論為：經(jīng)過遺傳算法優(yōu)化后的BP網(wǎng)絡模型能夠提高指數(shù)預測的精度；模型需要合理確定BP