【摘要】： 隨著我國經(jīng)濟體制改革和金融體制改革的深入,證券投資已成為社會生活的一個重要組成部分,股票交易作為證券投資的一種,是現(xiàn)代經(jīng)濟生活中最常見的風險投資活動。但股票市場是一個復(fù)雜的非線性動力系統(tǒng),利用傳統(tǒng)的時間序列預(yù)測技術(shù)存在一定的局限性,而近十幾年發(fā)展起來的神經(jīng)網(wǎng)絡(luò)理論逐漸成為非線性動力系統(tǒng)預(yù)測與建模的強有力工具。 本文以股價預(yù)測為研究對象,分析了目前股價預(yù)測的四種主要方法,包括投資分析法、時間序列分析法、非線性系統(tǒng)分析法以及組合預(yù)測法,并在人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的基礎(chǔ)上,提出了GA-Elman動態(tài)神經(jīng)網(wǎng)絡(luò)股價預(yù)測模型,即借助遺傳算法來訓練優(yōu)化網(wǎng)絡(luò)的初始權(quán)值。該模型的優(yōu)點是:保證了神經(jīng)網(wǎng)絡(luò)有良好的“記憶”功能的同時,使用遺傳算法全局變異算子避免了神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu),并且由于其具有并行搜索的特性,保證了算法的快速、穩(wěn)定。 為了驗證該模型的可行性和有效性,本文的實證研究主要分三個階段來逐層推進:在研究的第一階段,選取了中國聯(lián)通和四川長虹兩支股票對該模型進行檢驗,實證結(jié)果表明:該模型的一致率較高,在大多數(shù)情況下可以準確預(yù)測股價走勢。在研究的第二階段,以上證收盤指數(shù)為預(yù)測對象,對GA-Elman動態(tài)神經(jīng)網(wǎng)絡(luò)股價預(yù)測模型以及BP預(yù)測模型,RBF預(yù)測模型進行了比較分析,實證結(jié)果表明:GA-Elman動態(tài)神經(jīng)網(wǎng)絡(luò)股價預(yù)測模型的預(yù)測效果明顯優(yōu)于其它兩種靜態(tài)神經(jīng)網(wǎng)絡(luò)模型。在研究的第三階段,同樣以上證收盤指數(shù)為預(yù)測對象,對GA-Elman動態(tài)神經(jīng)網(wǎng)絡(luò)股價預(yù)測模型與傳統(tǒng)的時間序列模型進行了比較分析,并對兩種預(yù)測模型的預(yù)測結(jié)果進行誤差評價,實證結(jié)果表明:兩種模型均取得了較好的預(yù)測效果,各有利弊。同時,也證明了將動態(tài)神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到股市預(yù)測領(lǐng)域,是可行的、有效的。
【圖文】：

Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[11]如圖3.1所示。圖 3.1 多輸入單輸出的 Elman 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在圖 3.1 中，， U (t )=[ ()1u t, ()2u t,…, ()Mu t] 為輸入向量， Y (t )=[ y()1t ,

%Elman網(wǎng)絡(luò)預(yù)測y=sim(net,p_test);兩個實例的進化結(jié)果見圖4.1，可以看出在500代以后，相對誤差平方和已趨于穩(wěn)定并十分接近于零。a）中國聯(lián)通b）四川長虹圖 4.1 遺傳算法的進化結(jié)果
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2009
【分類號】：F224;F832.51

【引證文獻】

相關(guān)期刊論文 前2條

1 蘇匡;羅元;方楚賢;;基于神經(jīng)網(wǎng)絡(luò)對我國股票市場技術(shù)分析的實證檢驗[J];當代經(jīng)濟;2010年14期

2 蘇匡;羅元;方楚賢;;基于RBF神經(jīng)網(wǎng)絡(luò)對價值投資理念在中國股票市場的有效性研究[J];金融經(jīng)濟;2010年20期

相關(guān)碩士學位論文 前2條

1 張靜;智能選股及股價預(yù)測系統(tǒng)研究與開發(fā)[D];中南大學;2010年

2 田志偉;貝葉斯神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用[D];江南大學;2011年

本文編號：2598452