同時引入動量項和收益因素的BP算法及其在股市預測中的應用.pdf

1、股票市場以其高風險、高收益的特點吸引著廣大的投資者，而目前受世界金融危機影響我國經(jīng)濟遭受了很大沖擊，使我國股市出現(xiàn)很大波動。要對其進行準確的預測非常困難，而人工神經(jīng)網(wǎng)絡具有外推性和對周圍環(huán)境的自適應或學習的能力。已經(jīng)證明，一個三層的人工神經(jīng)網(wǎng)絡，在隱層節(jié)點足夠多的情況下，經(jīng)過充分訓練可以以任意精度逼近任何非線性函數(shù)，因而人工神經(jīng)網(wǎng)絡在復雜非線性函數(shù)的建模中具有巨大的潛力。當給人工神經(jīng)網(wǎng)絡以輸入一輸出模式時，它可以通過自我調整使誤差達到最

2、小，即通過訓練進行學習。對于某些難以參數(shù)化的因素，可以通過訓練，自動總結規(guī)律。近年來，神經(jīng)網(wǎng)絡為股票市場的建模與預測提供了新的技術和方法。
　　 本文主要采用《引入收益的RBF神經(jīng)網(wǎng)絡及其在股市預測中的應用》中對BP網(wǎng)絡和RBF網(wǎng)絡中加入時間因素和懲罰因子的方法，并在權值改變量中加入了動量項α得到同時加入動量項和收益的αTDPBP網(wǎng)絡和αTDPRBF網(wǎng)絡。為了進行比較，本文嘗試分別使用標準BP網(wǎng)絡、加入動量項的αBP網(wǎng)絡、加入收

3、益因素的TDPBP網(wǎng)絡及同時加入動量項和收益因素的αTDPBP網(wǎng)絡對股市進行預測，同時也使用標準RBF網(wǎng)絡、加入動量項的αRBF網(wǎng)絡、帶收益因素的TDPRBF網(wǎng)絡及同時加入動量項和收益因素的αTDPRBF網(wǎng)絡進行了預測。
　　 經(jīng)實驗表明在標準BP網(wǎng)絡中同時加入動量項和收益因素（時間因素和懲罰因素）能夠使年利潤率由原來只加入收益的9.725057提高到12.222887，提高了2.497830，年利潤率相對提高了20.4％，同時