發(fā)布時(shí)間：2018-01-13 17:43

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的金融數(shù)據(jù)分析方法研究　出處：《廣東財(cái)經(jīng)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 遺傳算法 主成分分析 BP神經(jīng)網(wǎng)絡(luò) 股指技術(shù)指標(biāo) 適應(yīng)度函數(shù) 金融數(shù)據(jù)分析

【摘要】：股市是一個(gè)復(fù)雜的系統(tǒng),股市研究是經(jīng)濟(jì)領(lǐng)域一個(gè)炙手可熱的課題。神經(jīng)網(wǎng)絡(luò)具有良好的非線性系統(tǒng)擬合能力,然而采用神經(jīng)網(wǎng)絡(luò)模型分析預(yù)測股票,難以給出合適的變量選擇準(zhǔn)則。遺傳算法基于達(dá)爾文“適者生存”理論,通過一個(gè)合適的適用度函數(shù)的“指導(dǎo)”,使得優(yōu)質(zhì)基因(優(yōu)質(zhì)個(gè)體)能夠以較大的概率遺傳給下一代得以存續(xù)。將這一方法用于變量選擇,可以對(duì)影響股票價(jià)格的變量進(jìn)行全局優(yōu)化,有效地解決了神經(jīng)網(wǎng)絡(luò)輸入層變量的選取問題。已有適用度函數(shù)只考慮預(yù)測誤差,預(yù)測誤差越小,個(gè)體的適用度越高。然而,當(dāng)預(yù)測誤差相同或相近時(shí),我們更應(yīng)該優(yōu)先選擇那些變量個(gè)數(shù)少的個(gè)體。顯然,已有適用度函數(shù)并不能解決這一問題�；谶@一思想,本文提出了一種新的適用度函數(shù)。新的適用度函數(shù)不僅考慮預(yù)測誤差,同時(shí)也考慮變量的個(gè)數(shù)�；谛碌倪m用度函數(shù)的“指導(dǎo)”得到的優(yōu)質(zhì)個(gè)體,既能保證好的預(yù)測結(jié)果,又具有較少的變量個(gè)數(shù)。本文選取滬深300指數(shù)數(shù)據(jù),分別采用單一的人工神經(jīng)網(wǎng)絡(luò)模型(BPNN),主成分分析和神經(jīng)網(wǎng)絡(luò)組合模型(PCA-BPNN),遺傳算法和神經(jīng)網(wǎng)絡(luò)組合模型(GA-BPNN)和本文改進(jìn)的遺傳算法和神經(jīng)網(wǎng)絡(luò)組合模型(IGA-BPNN)進(jìn)行實(shí)驗(yàn)。結(jié)果表明,本文方法在保證基本相當(dāng)?shù)念A(yù)測精度的同時(shí),能有效減少變量個(gè)數(shù)。
[Abstract]:Stock market is a complex system, stock market research is a hot topic in the economic field. Neural network has a good nonlinear system fitting ability, but the neural network model is used to analyze and predict stocks. The genetic algorithm is based on Darwin's "survival of the fittest" theory, through the "guidance" of an appropriate applicability function. So that high-quality genes (high-quality individuals) can be inherited to the next generation with a high probability to survive. Using this method to select variables, we can optimize the variables that affect the stock price globally. The problem of selection of input layer variables in neural network is effectively solved. The prediction error is only considered in the existing applicability function. The smaller the prediction error, the higher the individual applicability. However, when the prediction error is the same or similar. We should give priority to those who have a small number of variables. Obviously, the existing function of degree of applicability can not solve this problem. In this paper, a new fitness function is proposed. The new fitness function not only considers the prediction error, but also considers the number of variables. This paper selects the index data of CSI 300 and uses a single artificial neural network model (BPNN). Principal component analysis (PCA) and neural network combined model (PCA-BPNN). The genetic algorithm and neural network combination model GA-BPNN) and the improved genetic algorithm and neural network combination model IGA-BPNN) are tested. This method can effectively reduce the number of variables while ensuring the basic equivalent prediction accuracy.
【學(xué)位授予單位】：廣東財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F224;F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王志敏;葛騰飛;彭亞寧;汪旺;;滬深300股指與股指期貨相關(guān)性研究——基于GARCH模型的實(shí)證分析[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2015年01期

2 韓穎;;基于改進(jìn)差分進(jìn)化算法的RBF神經(jīng)網(wǎng)絡(luò)在股指預(yù)測中的應(yīng)用[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年11期

3 扈香梅;;淺談基本面分析和技術(shù)分析在股票市場的應(yīng)用[J];新西部(理論版);2014年05期

4 楊娟麗;徐梅;王福林;王吉權(quán);劉慧;;基于BP神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測問題研究[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2013年04期

5 崔銘元;楊成;溫尚敏;;基于灰色神經(jīng)網(wǎng)絡(luò)的宏觀經(jīng)濟(jì)因素修正股指預(yù)測模型[J];軟件;2012年09期

6 蔡紅;陳榮耀;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測研究[J];計(jì)算機(jī)仿真;2011年03期

7 歐陽金亮;陸黎明;;綜合改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法在股價(jià)預(yù)測中的應(yīng)用[J];計(jì)算機(jī)與數(shù)字工程;2011年02期

8 周磊;;基于粗糙集和支持向量機(jī)的股指期貨預(yù)測模型研究[J];山東科學(xué);2010年05期

9 姜婷婷;王高雅;王文雯;;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測模型[J];科技信息;2010年24期

10 張吉?jiǎng)?梁娜;;基于som網(wǎng)絡(luò)-主成分-BP網(wǎng)絡(luò)的股價(jià)預(yù)測[J];統(tǒng)計(jì)與決策;2008年06期

相關(guān)碩士學(xué)位論文 前10條

1 陳安輝;基于GA-ANFIS的股指預(yù)測研究[D];哈爾濱工業(yè)大學(xué);2015年

2 李雪蓮;基本面與技術(shù)面相結(jié)合的A股量化選股模型設(shè)計(jì)[D];河北經(jīng)貿(mào)大學(xué);2015年

3 張希影;基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測[D];青島科技大學(xué);2014年

4 喬建偉;BP神經(jīng)網(wǎng)絡(luò)在股票投資分析中的應(yīng)用[D];電子科技大學(xué);2013年

5 崔燕敏;基于小波分析和AGA-SVR模型的股指預(yù)測方法研究[D];華南理工大學(xué);2013年

6 楊帆;基于遺傳神經(jīng)網(wǎng)絡(luò)算法的股票預(yù)測研究[D];蘭州大學(xué);2013年

7 徐劍波;基于數(shù)據(jù)挖掘技術(shù)的股票技術(shù)指標(biāo)分析預(yù)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2012年

8 方智;基于多技術(shù)指標(biāo)模型的滬深300指數(shù)走勢預(yù)測[D];江西財(cái)經(jīng)大學(xué);2012年

9 孫躍實(shí);基于知識(shí)挖掘和RBF+AFSA的股指預(yù)測的實(shí)證分析[D];華北電力大學(xué)（北京）;2011年

10 趙國順;基于時(shí)間序列分析的股票價(jià)格趨勢預(yù)測研究[D];廈門大學(xué);2009年

，

本文編號(hào)：1419893