發(fā)布時間：2020-12-29 10:27

　　用傳統(tǒng)的時間序列分析方法處理簡單線性問題取得了較好的效果,但對股票這樣的復(fù)雜非線性系統(tǒng)就顯得力不從心。人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)給非線性時間序列分析提供了新的有效途徑,但仍存在一些缺陷。針對神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中遇到的問題,本課題將粗糙集理論引入預(yù)測模型并展開深入研究。(1)利用粗糙集理論對股票數(shù)據(jù)進(jìn)行預(yù)處理,從大量原始數(shù)據(jù)中提取出核心知識,提高分析效率。條件信息熵離散化方法的計算復(fù)雜度很高,本課題對原算法離散點(diǎn)的選擇和計算過程進(jìn)行改進(jìn),得到一種啟發(fā)示信息熵離散化方法,并利用該方法對股票數(shù)據(jù)進(jìn)行離散化處理。(2)將遺傳算法應(yīng)用于最小約簡的尋找,針對基本遺傳算法存在的弱點(diǎn),對其各遺傳因子進(jìn)行改進(jìn)。采用基于改進(jìn)遺傳算法的屬性約簡方法對股票數(shù)據(jù)進(jìn)行約簡,從而得到更優(yōu)的約簡結(jié)果。(3)徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法各有優(yōu)缺點(diǎn),在實(shí)際應(yīng)用中,很難直接確定哪種算法更為理想。本課題通過實(shí)驗,對RBF網(wǎng)絡(luò)三種常用算法的性能進(jìn)行分析比較,來確定適合股票預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。(4)提出股票拐點(diǎn)定義及分類(三類拐點(diǎn)),設(shè)定拐點(diǎn)參數(shù),建立相應(yīng)決策支持模型,選取適當(dāng)級別的股票數(shù)據(jù),對股票走勢拐點(diǎn)進(jìn)行預(yù)測,為中小投資... 

【文章來源】：青島理工大學(xué)山東省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究的背景和意義
    1.2 國內(nèi)外的研究現(xiàn)狀
    1.3 課題研究的內(nèi)容及目標(biāo)
第2章 粗糙集理論研究
    2.1 粗糙集理論的基本概念
    2.2 粗糙集連續(xù)屬性離散化研究
        2.2.1 離散化問題描述
        2.2.2 粗糙集屬性離散化方法
        2.2.3 離散化算法的評價標(biāo)準(zhǔn)
    2.3 粗糙集屬性約簡算法研究
        2.3.1 粗糙集屬性約簡算法
        2.3.2 基于遺傳算法的屬性約簡研究
    2.4 本章小結(jié)
第3章 基于RBF網(wǎng)絡(luò)的股票趨勢預(yù)測研究
    3.1 RBF網(wǎng)絡(luò)理論研究
        3.1.1 徑向基函數(shù)（RBF）
        3.1.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.3 RBF網(wǎng)絡(luò)學(xué)習(xí)算法
        3.1.4 典型神經(jīng)網(wǎng)絡(luò)模型的比較
    3.2 股票數(shù)據(jù)選擇
        3.2.1 股票的選擇
        3.2.2 輸入變量的選擇
        3.2.3 輸出變量的選擇
    3.3 股票數(shù)據(jù)預(yù)處理
    3.4 股票趨勢預(yù)測結(jié)果分析
    3.5 本章小結(jié)
第4章 基于粗糙集和RBF網(wǎng)絡(luò)的股票趨勢預(yù)測研究
    4.1 粗糙集與神經(jīng)網(wǎng)絡(luò)集成方法研究
        4.1.1 粗糙集與神經(jīng)網(wǎng)絡(luò)相結(jié)合的必要性
        4.1.2 粗糙集與神經(jīng)網(wǎng)絡(luò)集成方法研究現(xiàn)狀
    4.2 基于粗糙集和RBF網(wǎng)絡(luò)的股票時序分析流程
    4.3 股票數(shù)據(jù)選擇及預(yù)處理
        4.3.1 對股票數(shù)據(jù)進(jìn)行離散化處理
        4.3.2 對決策表進(jìn)行屬性約簡
        4.3.3 股票數(shù)據(jù)的規(guī)范化處理
    4.4 基于粗糙集和RBF網(wǎng)絡(luò)集成的股票趨勢預(yù)測
        4.4.1 股票趨勢預(yù)測步驟
        4.4.2 兩種約簡樣本的預(yù)測結(jié)果分析
    4.5 基于粗糙集和RBF網(wǎng)絡(luò)的股票預(yù)測方法優(yōu)越性
        4.5.1 預(yù)測結(jié)果比較
        4.5.2 時間復(fù)雜性比較
    4.6 本章小結(jié)
第5章 粗糙集和RBF網(wǎng)絡(luò)在拐點(diǎn)預(yù)測中的應(yīng)用研究
    5.1 拐點(diǎn)及其分類
    5.2 股票拐點(diǎn)預(yù)測實(shí)例分析
        5.2.1 拐點(diǎn)預(yù)測模型輸入變量的選擇
        5.2.2 拐點(diǎn)預(yù)測模型輸出變量的處理
        5.2.3 拐點(diǎn)預(yù)測實(shí)現(xiàn)
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于簡化分辨矩陣的粗糙集屬性約簡算法[J]. 田衛(wèi)東,周創(chuàng)德,胡學(xué)鋼,周紅鵑,李培培.  計算機(jī)科學(xué). 2008(03)
[2]基于小生境遺傳算法的粗糙集屬性約簡方法[J]. 王楊.  計算機(jī)工程. 2008(05)
[3]一種基于依賴度的決策表屬性約簡算法[J]. 蔡莉,胡學(xué)鋼.  安慶師范學(xué)院學(xué)報(自然科學(xué)版). 2008(01)
[4]一種基于屬性依賴的屬性約簡算法[J]. 路松峰,劉芳,胡波.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2008(02)
[5]一種基于分辨矩陣的新的屬性約簡算法[J]. 汪小燕,楊思春.  計算機(jī)技術(shù)與發(fā)展. 2008(02)
[6]基于可辨識矩陣的屬性約簡算法[J]. 官禮和.  計算機(jī)工程. 2008(03)
[7]基于粗糙集和小生境遺傳算法的層次聚類算法[J]. 廖喜訊,羅可,趙敏.  計算機(jī)工程與設(shè)計. 2008(01)
[8]一種基于屬性重要性的變精度粗糙集屬性約簡算法[J]. 胡文君,鄒海.  現(xiàn)代計算機(jī)(專業(yè)版). 2007(12)
[9]基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的新股上市價格預(yù)測法[J]. 周世昊,林蒼祥,倪衍森.  計算機(jī)工程. 2007(22)
[10]中國證券市場存在的問題[J]. 吳園園,許東萍.  商場現(xiàn)代化. 2007(33)

博士論文
[1]基于粗糙集的數(shù)據(jù)挖掘算法研究[D]. 劉文軍.北京師范大學(xué) 2004

碩士論文
[1]基于粗糙集理論與遺傳算法的分類算法研究[D]. 何國建.西南交通大學(xué) 2005



本文編號：2945487