小波網(wǎng)絡(luò)建模預(yù)報方法研究及其在股市預(yù)測中的應(yīng)用.pdf

1、本文對小波網(wǎng)絡(luò)預(yù)測模型進行了深入分析和研究,構(gòu)建了適應(yīng)于股價分析的時間序列短期預(yù)測模型.本文研究的重點是小波網(wǎng)絡(luò)預(yù)測方法的應(yīng)用和實現(xiàn).主要工作如下:從小波網(wǎng)絡(luò)構(gòu)造理論出發(fā),對目前廣泛應(yīng)用的小波網(wǎng)絡(luò)三種典型結(jié)構(gòu)進行了深入分析.考慮網(wǎng)絡(luò)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(wǎng)絡(luò))、MLP-WNN(以小波函數(shù)為激勵函數(shù)的小波網(wǎng)絡(luò))對股票市場進行建模的不足,提出多分辨小波網(wǎng)絡(luò)(MRA-W

2、NN)適合股價非線性時間序列預(yù)測.應(yīng)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(gòu)技術(shù),得到狀態(tài)矢量作為MRA-WNN的多維輸入,構(gòu)建了多維MRA-WNN預(yù)測模型,并首次應(yīng)用于股價時序預(yù)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(wǎng)絡(luò)隱層節(jié)點數(shù)難以確定問題,克服了BP網(wǎng)絡(luò)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(jié)構(gòu)的MRA-WNN和RBF-WNN預(yù)測模型對股價時序進行預(yù)測,仿真結(jié)果表明,MRA-WNN具有較高的預(yù)測精度.本文還從另一角度研究了小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合,提出了基于小波分解與重構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法,給出了具體實現(xiàn)過程.通過小波分解與重構(gòu),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(nèi)的子波動序列來提高神經(jīng)網(wǎng)絡(luò)的預(yù)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(yù)測.通過對深證綜合指數(shù)的預(yù)測,該方法比直接利用價格波動序列