發(fā)布時(shí)間：2017-09-14 00:18

  本文關(guān)鍵詞：基于GA-ANFIS的股指預(yù)測(cè)研究

  更多相關(guān)文章： 股指預(yù)測(cè) 自適應(yīng)神經(jīng)模糊推理系統(tǒng) 遺傳算法 神經(jīng)網(wǎng)絡(luò)

【摘要】：投資股市具有高回報(bào)性,但與之相伴的還有它的高風(fēng)險(xiǎn)性。個(gè)人投資者和機(jī)構(gòu)投資者都希望能夠找到一種有效的方法,來對(duì)今后股市的運(yùn)行狀況進(jìn)行判斷及預(yù)測(cè)。長(zhǎng)期以來,上證指數(shù)被一致認(rèn)為是整個(gè)國(guó)家實(shí)體經(jīng)濟(jì)發(fā)展?fàn)顩r的先行指標(biāo)。對(duì)于投資者而言,股指可以為股市的投資布局提供指導(dǎo);對(duì)于監(jiān)管部門而言,它對(duì)于實(shí)施股市監(jiān)督和調(diào)控的具有重要的參考作用。所以,為了增加投資者的收益,并使監(jiān)管部門可以有效的對(duì)股市進(jìn)行監(jiān)督和調(diào)控,如何有效提高股指預(yù)測(cè)的準(zhǔn)確度具有重大的意義。在本文中,利用遺傳算法優(yōu)化的自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS混合模型來預(yù)測(cè)股票指數(shù)。由于具有良好的非線性問題處理能力、強(qiáng)大的自學(xué)習(xí)能力及自適應(yīng)能力,神經(jīng)網(wǎng)絡(luò)已經(jīng)被越來越多的用于股指預(yù)測(cè)之中。模糊控制和神經(jīng)網(wǎng)絡(luò)存在很多互補(bǔ)的特性,本文在總結(jié)國(guó)內(nèi)外學(xué)者研究的基礎(chǔ)之上,闡述了神經(jīng)網(wǎng)絡(luò)和模糊控制原理,分析了兩者的可融合性。采用單步預(yù)測(cè)法,即前日數(shù)據(jù)預(yù)測(cè)當(dāng)日收盤指數(shù),運(yùn)用主成分分析法、減法聚類和遺傳算法構(gòu)建GAANFIS模糊神經(jīng)網(wǎng)絡(luò)模型。首先采用主成分分析法處理輸入變量,減少變量維數(shù)、降低數(shù)據(jù)噪聲,然后將數(shù)據(jù)歸一化,之后采用減法聚類初始化ANFIS網(wǎng)絡(luò)結(jié)構(gòu),最后利用遺傳算法優(yōu)化聚類參數(shù)構(gòu)建GA-ANFIS模型。為驗(yàn)證所提出組合模型的實(shí)用性,本文在實(shí)證分析方面主要分為三個(gè)階段來逐步進(jìn)行:第一階段,采用GA-ANFIS自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型對(duì)上證指數(shù)收盤價(jià)進(jìn)行預(yù)測(cè),結(jié)果表明模型預(yù)測(cè)效果較好,預(yù)測(cè)精確度較高且誤差較小;第二階段,采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上證指數(shù)收盤價(jià)進(jìn)行預(yù)測(cè),并與GA-ANFIS模型預(yù)測(cè)效果進(jìn)行對(duì)比,結(jié)果表明GA-ANFIS模型預(yù)測(cè)效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型;第三階段,使用傳統(tǒng)的時(shí)間序列分析法ARIMA模型對(duì)上證指數(shù)進(jìn)行預(yù)測(cè)分析,并與GA-ANFIS模型進(jìn)行對(duì)比分析,結(jié)果表明GAANFIS模型具有更好的預(yù)測(cè)效果。
【關(guān)鍵詞】：股指預(yù)測(cè) 自適應(yīng)神經(jīng)模糊推理系統(tǒng) 遺傳算法 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F830.91-5;TP18
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-19
• 1.1 研究背景與問題提出8-9
• 1.2 研究目的和意義9-10
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀10-16
• 1.3.1 國(guó)外研究現(xiàn)狀10-14
• 1.3.2 國(guó)內(nèi)研究現(xiàn)狀14-16
• 1.3.3 國(guó)內(nèi)外研究現(xiàn)狀評(píng)述16
• 1.4 研究?jī)?nèi)容和研究方法16-19
• 1.4.1 研究?jī)?nèi)容16-17
• 1.4.2 研究方法17-19
• 第2章 相關(guān)理論基礎(chǔ)19-29
• 2.1 神經(jīng)網(wǎng)絡(luò)原理19-24
• 2.1.1 神經(jīng)網(wǎng)絡(luò)概述19-20
• 2.1.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程20-21
• 2.1.3 神經(jīng)網(wǎng)絡(luò)的基本特征及模型分類21-22
• 2.1.4 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法22-24
• 2.2 模糊控制原理24-28
• 2.2.1 模糊化24-25
• 2.2.2 模糊規(guī)則25-27
• 2.2.3 模糊推理27
• 2.2.4 清晰化27-28
• 2.2.5 模糊控制器的設(shè)計(jì)28
• 2.3 本章小結(jié)28-29
• 第3章 模型構(gòu)建與研究設(shè)計(jì)29-42
• 3.1 模糊控制與神經(jīng)網(wǎng)絡(luò)的結(jié)合29-30
• 3.2 ANFIS模糊神經(jīng)網(wǎng)絡(luò)30-32
• 3.2.1 ANFIS網(wǎng)絡(luò)結(jié)構(gòu)30-32
• 3.2.2 ANFIS的預(yù)測(cè)步驟32
• 3.3 數(shù)據(jù)選取32-33
• 3.3.1 樣本選取32-33
• 3.3.2 初始變量選取33
• 3.4 數(shù)據(jù)處理33-35
• 3.4.1 輸入變量?jī)?yōu)化組合33-35
• 3.4.2 數(shù)據(jù)的歸一化35
• 3.5 網(wǎng)絡(luò)生成35-37
• 3.5.1 傳統(tǒng)劃分法35-36
• 3.5.2 減法聚類法36-37
• 3.6 模型優(yōu)化37-40
• 3.6.1 遺傳算法38
• 3.6.2 基于GA的參數(shù)優(yōu)化38-40
• 3.7 組合模型設(shè)計(jì)40-41
• 3.8 本章小結(jié)41-42
• 第4章 實(shí)證分析42-55
• 4.1 數(shù)據(jù)處理42-44
• 4.1.1 數(shù)據(jù)選取42
• 4.1.2 主成分分析42-44
• 4.2 GA-ANFIS模型實(shí)證分析44-47
• 4.3 GA-ANFIS模型與BP模型比較研究47-50
• 4.3.1 BP神經(jīng)網(wǎng)絡(luò)47
• 4.3.2 BP模型實(shí)證分析47-50
• 4.3.3 預(yù)測(cè)效果對(duì)比分析50
• 4.4 GA-ANFIS模型與時(shí)間序列模型比較研究50-53
• 4.4.1 時(shí)間序列模型51-52
• 4.4.2 平穩(wěn)性檢驗(yàn)52
• 4.4.3 時(shí)間序列模型的識(shí)別52
• 4.4.4 時(shí)間序列模型的檢驗(yàn)52-53
• 4.4.5 預(yù)測(cè)效果對(duì)比分析53
• 4.5 本章小結(jié)53-55
• 結(jié)論55-56
• 參考文獻(xiàn)56-62
• 致謝62

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前5條

1 周nv;孫威;張昀;任海軍;孫才新;鄧景云;;基于改進(jìn)型ANFIS的負(fù)荷密度指標(biāo)求取新方法[J];電力系統(tǒng)保護(hù)與控制;2011年01期

2 萬濤;鄭婷婷;張琛;;基于多重分形的合肥市氣象變化研究[J];科協(xié)論壇(下半月);2010年03期

3 房毅憲;李勝正;;基于三階灰色神經(jīng)網(wǎng)絡(luò)的股指預(yù)測(cè)[J];山東輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年01期

4 王波;張鳳玲;;神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型在股票預(yù)測(cè)中的比較[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2005年06期

5 譚勛瓊;基于遺傳算法的自適應(yīng)神經(jīng)模糊控制器[J];現(xiàn)代電子技術(shù);2005年08期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 苑迪;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測(cè)模型研究[D];湖南大學(xué);2009年

，

本文編號(hào)：846750