基于支持向量機的粒子群神經(jīng)網(wǎng)絡(luò)集成在股市預(yù)測中的應(yīng)用研究.pdf

1、股票市場是一個具有混沌現(xiàn)象的非線性動力系統(tǒng)，其指數(shù)的變化趨勢是一種復(fù)雜的非線性時序函數(shù)，用傳統(tǒng)的方法很難給予精確表述，從而影響對股票指數(shù)的預(yù)測精度。
　　 本文利用基于支持向量機的粒子群神經(jīng)網(wǎng)絡(luò)集成技術(shù)，將股票指數(shù)函數(shù)擬合成高維核空間的線性回歸函數(shù)，求出一個滿意的全局最優(yōu)解，提高股指預(yù)測精確度。所用技術(shù)方法和成果如下：
　　 (1)利用改進的粒子群算法搜索神經(jīng)網(wǎng)絡(luò)集成個體的最佳隱節(jié)點，解決個體隱節(jié)點個數(shù)難于確定的問題。<

2、br>　　 (2)利用改進的粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和初始連接權(quán)值，盡量避免神經(jīng)網(wǎng)絡(luò)訓(xùn)練陷于局部最優(yōu)解，訓(xùn)練生成一組神經(jīng)網(wǎng)絡(luò)集成個體。
　　 (3)利用主成分分析方法對訓(xùn)練個體降維選取，構(gòu)造一組彼此正交的、差異性大的集成個體。
　　 (4)利用非線性支持向量機技術(shù)回歸集成個體，生成神經(jīng)網(wǎng)絡(luò)集成的輸出結(jié)論，建立高維核空間的線性回歸函數(shù)式，求出全局最優(yōu)解，以此建立股市預(yù)測模型。
　　 (5)將新建立的模型與傳統(tǒng)