神經網絡對股市預測的研究應用.pdf

1、前饋型多層神經網絡模型能逼近任意非線性函數(shù).目前,已廣泛應用于模式識別、語音識別、數(shù)據(jù)壓縮等領域.BP算法作為其學習方式有效地解決了異或、T-C匹配問題,但BP網絡的學習過程是對一個高度非線性函數(shù)求全局最優(yōu)問題,網絡訓練中尚存在許多問題,如網絡收斂慢,易陷入局部極小點等.本文對原算法和目前常用的改進算法進行了分析,找出了原算法存在問題的原因.并試圖在前人工作基礎上,對原有算法做出些微改進,以期新算法在股市預測中取得良好表現(xiàn).本文主要從激

2、活函數(shù)和學習規(guī)則這兩個角度修改算法:首先,重新選取激活函數(shù),并對步長因子、動量因子做出相應修改.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單調有界S型函數(shù),且可避免(0,1)邊界誤差較大問題.至于λ,則設為動態(tài)可調.其次,為了解決有固定學習步長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、化學習規(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,本文將該改進算法先后應用于芝加哥期權交易市場的期權價格波動率的預測及滬市中上證綜合指數(shù)的預測.在這兩個應用中,我們將其預測結果與現(xiàn)存的其它預測方法做出比較,對本文所提出算法作出一個較為客觀的評價.從本文的兩個例子來看,該算法的精確度和效率與其它方法相比都要優(yōu)越很多.本文結構如下:在第一部分中,闡述了BP神經網絡的基本結構和標準算法,對現(xiàn)存改進算法做出分析并提出一種新的改進算法