非線性系統(tǒng)辨識及其在股市預測中的應用研究.pdf

1、隨著經(jīng)濟的發(fā)展和人們投資意識的轉(zhuǎn)變,股票已成為現(xiàn)代人生活中的一個重要組成部分。投資者們一直在探索股票市場的內(nèi)在運行規(guī)律,試圖尋找更加有效的分析方法和工具。因此,對于股市規(guī)律的研究和預測具有重要應用價值。但是股票市場內(nèi)部結(jié)構(gòu)的復雜性和外部因素的多變性使得傳統(tǒng)的預測方法很難取得令人滿意的效果。本文正是在這樣的背景下對股票市場的預測進行了研究。 本文首先分析了當前股市預測的現(xiàn)狀,并系統(tǒng)分析說明了模糊系統(tǒng)與粒子群算法的機理、基本概念、模

2、型描述等有關知識和研究現(xiàn)狀。 隨后,本文設計了一種帶速度變異的改進粒子群算法RPSO。針對基本粒子群算法容易陷入局部極小和求解精度欠佳的問題,在設定情況下對粒子速度進行變異改變粒子軌跡,從而使粒子更可能找到或接近全局最優(yōu)點。經(jīng)Rastrigrin函數(shù)、Griewank函數(shù)和Rosenbrock函數(shù)對RPSO算法和基本PSO算法進行測試,結(jié)果表明,RPSO算法更容易跳出局部最優(yōu),尋優(yōu)能力更好。 在改進粒子群算法基礎上,本文

3、提出了一種模糊系統(tǒng)辨識新方法。使用一種無監(jiān)督的聚類算法對模糊系統(tǒng)結(jié)構(gòu)辨識,此算法能夠有效克服傳統(tǒng)模糊c-means(FCM)算法必須預先確定聚類數(shù)量,且聚類結(jié)果受聚類中心選擇和距離測量的影響的缺陷；在對模糊系統(tǒng)參數(shù)辨識時,采用改進粒子群算法進行尋優(yōu),充分利用粒子群算法對大規(guī)模數(shù)據(jù)尋優(yōu)速度快的優(yōu)點。隨后,本文給出了基于RPSO算法和無監(jiān)督聚類算法的模糊系統(tǒng)建模與辨識步驟,并對粒子的編碼方式、搜索范圍和適應度函數(shù)進行了設計,通過一個算例驗證