發(fā)布時(shí)間：2020-11-06 04:59

　　 在過(guò)去的幾年中,各種研究人員和金融分析師強(qiáng)調(diào)了非線性分析在金融市場(chǎng)活動(dòng)中的意義�？紤]到一種新的金融分析方法似乎是必要的—金融市場(chǎng)的非線性分析集成。神經(jīng)網(wǎng)絡(luò)計(jì)算領(lǐng)域的開(kāi)發(fā)者提供了一種新的基于數(shù)學(xué)工作的金融非線性分析方法,由于該方法其自身良好的學(xué)習(xí),糾錯(cuò)能力和非線性逼近能力,在時(shí)序列預(yù)測(cè)中發(fā)揮了重要的作用。 預(yù)測(cè)是時(shí)序列研究的應(yīng)用之一,金融時(shí)序列數(shù)據(jù)是時(shí)序列的重要組成部分,并且與人們的生活密切相關(guān)。研究金融時(shí)序列預(yù)測(cè)可以對(duì)人們的風(fēng)險(xiǎn)投資、國(guó)家對(duì)經(jīng)濟(jì)的調(diào)控起到一定的參考作用。 本文首先介紹了目前常用的時(shí)序列預(yù)測(cè)模型,隨后介紹了各種神經(jīng)網(wǎng)絡(luò)模型,并著重介紹了基于RBF神經(jīng)網(wǎng)絡(luò)的金融時(shí)序列預(yù)測(cè)模型,同時(shí)指出RBF神經(jīng)網(wǎng)絡(luò)存在的缺陷,并在此基礎(chǔ)上提出來(lái)了改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)模型。改進(jìn)的模型主要在RBF中心點(diǎn)和徑向基寬度的選取上進(jìn)行了調(diào)整,將原有的最近鄰聚類(lèi)中以第一個(gè)進(jìn)入該聚類(lèi)的輸入向量作為中心點(diǎn)調(diào)整為以該類(lèi)中所有向量的平均向量作為該聚類(lèi)的中心點(diǎn)向量,對(duì)徑向基寬度的選擇則采用迭代最優(yōu)化選取的方式進(jìn)行選擇。 將改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于金融時(shí)序列的預(yù)測(cè),并通過(guò)比較采用原來(lái)的RBF神經(jīng)網(wǎng)絡(luò)所做的預(yù)測(cè),發(fā)現(xiàn)改進(jìn)的網(wǎng)絡(luò)在預(yù)測(cè)的準(zhǔn)確性和訓(xùn)練的效率上都有所提高。驗(yàn)證了該算法的可行性 最后對(duì)改進(jìn)的算法可能存在的過(guò)擬合現(xiàn)象進(jìn)行調(diào)整,消除隱含層中冗余的中心點(diǎn),降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度,提升對(duì)未知模型預(yù)測(cè)的性能。每新增一個(gè)中心點(diǎn)時(shí)則動(dòng)態(tài)的與已經(jīng)有的中心點(diǎn)進(jìn)行對(duì)比,判斷是否冗余。當(dāng)兩個(gè)中心點(diǎn)的向量?jī)?nèi)積逼近于1時(shí),則動(dòng)態(tài)的刪除其中的一個(gè)中心點(diǎn),將這個(gè)輸入向量歸于最近距離的聚類(lèi)中。通過(guò)實(shí)驗(yàn),我們發(fā)現(xiàn)通過(guò)消除過(guò)擬合,能很好的刪除冗余的中心點(diǎn)。
【學(xué)位單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2010
【中圖分類(lèi)】：F830;TP183
【部分圖文】：

5.2.1預(yù)測(cè)工具介紹金融時(shí)序列預(yù)測(cè)系統(tǒng)主要是由四個(gè)功能部分組成的。分別為數(shù)據(jù)預(yù)處理模塊，RBF預(yù)測(cè)模塊，預(yù)測(cè)后繪圖模型，數(shù)據(jù)導(dǎo)出模型。系統(tǒng)的工作界面圖5一1所示，界面的第二欄主要列舉出了預(yù)測(cè)中需要用到的參數(shù)。如歷史關(guān)聯(lián)天數(shù)、迭代次數(shù)(最大訓(xùn)練數(shù)步)、學(xué)習(xí)步長(zhǎng)粉、預(yù)測(cè)天數(shù)。29

本次實(shí)驗(yàn)取的都是股票的收盤(pán)價(jià)作為預(yù)測(cè)對(duì)象。5.3.3預(yù)測(cè)結(jié)果圖5一3、圖5一4、圖5一5表示中石化、熊貓電了、江西銅業(yè)的訓(xùn)練數(shù)據(jù)的逼近和末來(lái)七天股票收盤(pán)價(jià)的預(yù)測(cè)圖。紅色的線表示股票收盤(pán)價(jià)的訓(xùn)練數(shù)據(jù)趨勢(shì)曲線，黑色的線表示訓(xùn)練時(shí)網(wǎng)絡(luò)的輸出數(shù)據(jù)對(duì)股票收盤(pán)價(jià)的逼近曲線。從圖中我們可以看來(lái)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出兩條曲線基本重合。標(biāo)記為黑色*的點(diǎn)是RBF神經(jīng)網(wǎng)絡(luò)的滾動(dòng)預(yù)測(cè)的七天輸出數(shù)據(jù)，標(biāo)記為紅色+的點(diǎn)股票的實(shí)際輸出。

數(shù)據(jù)的比較中我們可以，在三支股票的預(yù)測(cè)中最大的誤差百分比也不到8%(誤差百分比的定義為實(shí)際輸出與預(yù)測(cè)輸出差值的絕對(duì)值除以實(shí)際輸出。)。說(shuō)明該網(wǎng)絡(luò)能很好的逼近預(yù)測(cè)的數(shù)據(jù)。表明RBF神經(jīng)網(wǎng)絡(luò)模型在金融時(shí)序列預(yù)測(cè)應(yīng)用中的可行性。我們不僅可以對(duì)收盤(pán)價(jià)進(jìn)行預(yù)測(cè)，也可以對(duì)開(kāi)盤(pán)價(jià)，成交量，上證指數(shù)等其他的金融時(shí)列數(shù)據(jù)應(yīng)用相同的方法進(jìn)行預(yù)測(cè)。5.4算法比較在上一節(jié)中我們采用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)三支股票的收盤(pán)價(jià)進(jìn)行了預(yù)測(cè)，達(dá)到了不錯(cuò)的效果。改進(jìn)的算法是否優(yōu)于原來(lái)的算法我們還不得而知，下面我們將采用原來(lái)的RBF神經(jīng)網(wǎng)絡(luò)算法對(duì)以上三支股票的數(shù)據(jù)也進(jìn)行預(yù)測(cè)，進(jìn)行對(duì)比。我們將這兩種方法預(yù)測(cè)的數(shù)據(jù)用MATLAB直觀的畫(huà)出來(lái)。展示如下:
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫海龍;馮超;匙瑞堂;;滾動(dòng)軸承狀態(tài)監(jiān)測(cè)[J];工業(yè)設(shè)計(jì);2011年05期

2 李博;;基于人工智能技術(shù)的電子商務(wù)輔助教學(xué)系統(tǒng)[J];太原城市職業(yè)技術(shù)學(xué)院學(xué)報(bào);2011年06期

3 郭慶春;孔令軍;崔文娟;寇立群;史永博;張小永;;神經(jīng)網(wǎng)絡(luò)在農(nóng)民收入預(yù)測(cè)中的應(yīng)用[J];價(jià)值工程;2011年24期

4 杜道淵;柏宏斌;周鋒;;基于BP神經(jīng)網(wǎng)絡(luò)自貢房地產(chǎn)價(jià)格走勢(shì)預(yù)測(cè)[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2011年03期

5 宋春暉;;基于BP網(wǎng)絡(luò)的地鐵車(chē)站深基坑圍護(hù)樁水平位移預(yù)測(cè)[J];現(xiàn)代物業(yè)(上旬刊);2011年06期

6 劉璐瑤;黃飛飛;;智能化軸承狀態(tài)檢測(cè)方法實(shí)例[J];工業(yè)設(shè)計(jì);2011年05期

7 章偉;;粗糙集BP神經(jīng)網(wǎng)絡(luò)在房地產(chǎn)價(jià)格預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)仿真;2011年07期

8 曾箏;;商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方法研究[J];計(jì)算機(jī)仿真;2011年08期

9 傅俊輝;張衛(wèi)國(guó);杜倩;孔文濤;;規(guī)避逐日盯市風(fēng)險(xiǎn)的期貨套期保值模型[J];管理科學(xué);2011年03期

10 管昕;;基于補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的項(xiàng)目財(cái)務(wù)評(píng)價(jià)[J];統(tǒng)計(jì)與管理;2010年04期

相關(guān)博士學(xué)位論文 前10條

1 牟洪波;基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)研究[D];東北林業(yè)大學(xué);2010年

2 趙斌;基于RBF網(wǎng)絡(luò)的北方溫室溫濕度控制機(jī)理的研究[D];東北林業(yè)大學(xué);2010年

3 杜大軍;網(wǎng)絡(luò)控制系統(tǒng)的學(xué)習(xí)和控制策略研究[D];上海大學(xué);2010年

4 馬永濤;通信信道建模的神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)研究[D];天津大學(xué);2009年

5 王瓊;基于優(yōu)化理論的神經(jīng)網(wǎng)絡(luò)研究及在抽油機(jī)故障診斷中的應(yīng)用[D];東北石油大學(xué);2011年

6 劉志祥;深部開(kāi)采高階段尾砂充填體力學(xué)與非線性?xún)?yōu)化設(shè)計(jì)[D];中南大學(xué);2005年

7 戴雪龍;PET探測(cè)器神經(jīng)網(wǎng)絡(luò)定位方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2006年

8 馬戎;智能控制技術(shù)在煉鋼電弧爐中的應(yīng)用研究[D];西北工業(yè)大學(xué);2006年

9 文敦偉;面向多智能體和神經(jīng)網(wǎng)絡(luò)的智能控制研究[D];中南大學(xué);2001年

10 吳大宏;基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)研究[D];西南交通大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 王曉娟;基于模糊控制與RBF神經(jīng)網(wǎng)絡(luò)的桃病蟲(chóng)害發(fā)生預(yù)測(cè)研究[D];河北農(nóng)業(yè)大學(xué);2011年

2 童翔威;RBF神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用研究[D];中南林業(yè)科技大學(xué);2009年

3 裴雪紅;基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的PID控制[D];哈爾濱理工大學(xué);2010年

4 李娟;基于RBFN逆模型的非線性系統(tǒng)控制策略研究[D];安徽工業(yè)大學(xué);2009年

5 焦玉瑩;基于RBF神經(jīng)網(wǎng)絡(luò)的浮船塢浮態(tài)檢驗(yàn)系統(tǒng)辨識(shí)[D];大連海事大學(xué);2011年

6 朱一嘉;基于RBF神經(jīng)網(wǎng)絡(luò)的金融時(shí)序列預(yù)測(cè)研究[D];北京化工大學(xué);2010年

7 崔小彥;基于RBF神經(jīng)網(wǎng)絡(luò)與蟻群算法的瓦斯預(yù)測(cè)模型研究[D];遼寧工程技術(shù)大學(xué);2009年

8 臧勝永;船舶航向非線性系統(tǒng)的模型參考神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[D];大連海事大學(xué);2005年

9 李昆仲;基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性評(píng)價(jià)研究[D];長(zhǎng)安大學(xué);2010年

10 姚寧;基于差分進(jìn)化算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的異步電機(jī)故障診斷研究[D];太原理工大學(xué);2011年

本文編號(hào)：2872685