小波網絡建模預報方法研究及其在股市預測中的應用.pdf

1、本文對小波網絡預測模型進行了深入分析和研究,構建了適應于股價分析的時間序列短期預測模型.本文研究的重點是小波網絡預測方法的應用和實現(xiàn).主要工作如下:從小波網絡構造理論出發(fā),對目前廣泛應用的小波網絡三種典型結構進行了深入分析.考慮網絡算法、逼近細節(jié)能力、包含頻域信息廣等方面因素,指出了用RBF-WNN(以尺度函數(shù)為激勵函數(shù)的小波網絡)、MLP-WNN(以小波函數(shù)為激勵函數(shù)的小波網絡)對股票市場進行建模的不足,提出多分辨小波網絡(MRA-W

2、NN)適合股價非線性時間序列預測.應用MRA-WNN既能逼近股票市場的整體變化趨勢(輪廓),亦能捕捉變化的細節(jié).利用相空間重構技術,得到狀態(tài)矢量作為MRA-WNN的多維輸入,構建了多維MRA-WNN預測模型,并首次應用于股價時序預測,給出了實現(xiàn)方法.針對MRA-WNN提出了BP和多分辨率學習組合算法,解決了傳統(tǒng)學習算法網絡隱層節(jié)點數(shù)難以確定問題,克服了BP網絡單尺度學習算法很難學習復雜的時間序列的不足.以深證綜合指數(shù)為例,分別采用具有相

3、同結構的MRA-WNN和RBF-WNN預測模型對股價時序進行預測,仿真結果表明,MRA-WNN具有較高的預測精度.本文還從另一角度研究了小波分析與神經網絡的結合,提出了基于小波分解與重構的神經網絡預測方法,給出了具體實現(xiàn)過程.通過小波分解與重構,把原始價格時間序列分解為規(guī)律相對簡單、不同頻率范圍內的子波動序列來提高神經網絡的預測精度,實現(xiàn)了對特征不同的信號選取不同的參數(shù)模型進行預測.通過對深證綜合指數(shù)的預測,該方法比直接利用價格波動序列