基于知識挖掘和RBF+AFSA的股指預(yù)測的實證分析.pdf

1、如何對股指進行預(yù)測，以及怎樣才能使預(yù)測更為準確，已成為金融領(lǐng)域理論界長期以來的研究焦點。但是，由于股指的波動受到諸多因素的影響，尤其是受到一些不可量化的因素影響，因此，對股指的預(yù)測存在較大的難度。本文針對這個問題，主要做了如下的工作：
　　 首先，采用神經(jīng)網(wǎng)絡(luò)方法，將收盤指數(shù)這個單一指標分別代入BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，通過對比兩者的預(yù)測精度，發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果要略好于BP神經(jīng)網(wǎng)絡(luò)，但是兩者的預(yù)測精度都不高，并發(fā)現(xiàn)

2、神經(jīng)網(wǎng)絡(luò)具有計算速度慢、局部最優(yōu)等缺陷，需要對其進行優(yōu)化；其次，運用GA，PSO，AFSA三種智能算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，然后用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對上證綜指進行預(yù)測，發(fā)現(xiàn)經(jīng)過AFSA算法優(yōu)化后的預(yù)測精度最高；第三，除了收盤指數(shù)，還有其他很多影響股指的因素，這些因素有可以量化的數(shù)量因素和不可量化的文本因素。運用數(shù)據(jù)挖掘技術(shù)，將影響股指波動的9大數(shù)量性技術(shù)指標一一帶入預(yù)測模型，將表現(xiàn)不好的淘汰，表現(xiàn)較好的再進一步進行優(yōu)化組合，直到尋找到一個預(yù)