神經(jīng)網(wǎng)絡(luò)對股市預(yù)測的研究應(yīng)用.pdf

1、前饋型多層神經(jīng)網(wǎng)絡(luò)模型能逼近任意非線性函數(shù).目前,已廣泛應(yīng)用于模式識(shí)別、語音識(shí)別、數(shù)據(jù)壓縮等領(lǐng)域.BP算法作為其學(xué)習(xí)方式有效地解決了異或、T-C匹配問題,但BP網(wǎng)絡(luò)的學(xué)習(xí)過程是對一個(gè)高度非線性函數(shù)求全局最優(yōu)問題,網(wǎng)絡(luò)訓(xùn)練中尚存在許多問題,如網(wǎng)絡(luò)收斂慢,易陷入局部極小點(diǎn)等.本文對原算法和目前常用的改進(jìn)算法進(jìn)行了分析,找出了原算法存在問題的原因.并試圖在前人工作基礎(chǔ)上,對原有算法做出些微改進(jìn),以期新算法在股市預(yù)測中取得良好表現(xiàn).本文主要從激

2、活函數(shù)和學(xué)習(xí)規(guī)則這兩個(gè)角度修改算法:首先,重新選取激活函數(shù),并對步長因子、動(dòng)量因子做出相應(yīng)修改.這里激活函數(shù)選取如下:f(x)=(1+λx)<'2>/(1+λx)<'2>+(1-λx)<'2>,-1/λ≤x≤1/λ(λ為一很小的正數(shù)).通過對該函數(shù)的分析,得出它是其定義域內(nèi)單調(diào)有界S型函數(shù),且可避免(0,1)邊界誤差較大問題.至于λ,則設(shè)為動(dòng)態(tài)可調(diào).其次,為了解決有固定學(xué)習(xí)步長BP算法的效率問題,本文提出了一種基于共軛梯度方法的全局最優(yōu)

3、化學(xué)習(xí)規(guī)則,并對所得新算法的收斂性做出了分析及簡要證明.之后,本文將該改進(jìn)算法先后應(yīng)用于芝加哥期權(quán)交易市場的期權(quán)價(jià)格波動(dòng)率的預(yù)測及滬市中上證綜合指數(shù)的預(yù)測.在這兩個(gè)應(yīng)用中,我們將其預(yù)測結(jié)果與現(xiàn)存的其它預(yù)測方法做出比較,對本文所提出算法作出一個(gè)較為客觀的評(píng)價(jià).從本文的兩個(gè)例子來看,該算法的精確度和效率與其它方法相比都要優(yōu)越很多.本文結(jié)構(gòu)如下:在第一部分中,闡述了BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)和標(biāo)準(zhǔn)算法,對現(xiàn)存改進(jìn)算法做出分析并提出一種新的改進(jìn)算法