股票市場作為經(jīng)濟領(lǐng)域中的重要代表,受到各界的廣泛關(guān)注,又因為股票價格受諸多因素影響,導(dǎo)致股票價格具有很強的不確定性,因此,對股票價格進行科學(xué)預(yù)測,可引導(dǎo)投資者合理投資,使投資風(fēng)險最小化。我們基于神經(jīng)網(wǎng)絡(luò)在預(yù)測領(lǐng)域的強大優(yōu)勢與不足,考慮將一種新型人工智能算法——蝙蝠算法(Bat Algorithm,BA)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,對基于改進蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型和優(yōu)化模型進行了深入的研究,研究結(jié)果對股票預(yù)測具有一定的理論意義和實際應(yīng)用價值。本文主要研究工作如下:1.在對神經(jīng)網(wǎng)絡(luò)和蝙蝠算法的基本原理與國內(nèi)外研究現(xiàn)狀進行綜述的基礎(chǔ)上,結(jié)合現(xiàn)代人工智能理論及股票價格特點,為建立非線性時間序列數(shù)據(jù)預(yù)測模型提供了基礎(chǔ)資料。2.為了提高傳統(tǒng)蝙蝠算法的收斂速度、尋優(yōu)精度及初始解的質(zhì)量,考慮引入混沌算法對蝙蝠算法進行優(yōu)化,進而訓(xùn)練神經(jīng)網(wǎng)絡(luò),給出基于混沌蝙蝠算法(CBA)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型;考慮到混沌蝙蝠算法仍存在種群種類單一、易陷入局部最優(yōu)的不足,進一步將差分進化算法引入,運用混沌差分蝙蝠算法訓(xùn)練神經(jīng)網(wǎng)絡(luò),給出基于混沌差分蝙蝠算法(CDEBA)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。3.以鞍鋼股份(000898)數(shù)據(jù)為研究...

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
1.緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究綜述
        1.2.1 神經(jīng)網(wǎng)絡(luò)的國內(nèi)外研究現(xiàn)狀
        1.2.2 蝙蝠算法的國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要組織結(jié)構(gòu)
2.相關(guān)理論知識
    2.1 BP神經(jīng)網(wǎng)絡(luò)的相關(guān)知識
        2.1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.1.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
        2.1.3 BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置
        2.1.4 BP神經(jīng)網(wǎng)絡(luò)的計算步驟
        2.1.5 BP算法程序?qū)崿F(xiàn)流程
        2.1.6 BP神經(jīng)網(wǎng)絡(luò)的局限性
    2.2 蝙蝠算法的相關(guān)知識
        2.2.1 蝙蝠算法的生物學(xué)知識
        2.2.2 蝙蝠算法的基礎(chǔ)知識
        2.2.3 蝙蝠算法的運算步驟
    2.3 混沌理論的相關(guān)知識
        2.3.1 混沌理論簡介
        2.3.2 混沌理論的基本概念和特征
        2.3.3 混沌優(yōu)化算法步驟
    2.4 差分進化算法的相關(guān)知識
        2.4.1 差分進化算法簡介
        2.4.2 差分進化算法的運算步驟
        2.4.3 差分進化算法擴展模式
    2.5 本章小結(jié)
3.基于蝙蝠算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
    3.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理
    3.2 基于蝙蝠算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
        3.2.1 蝙蝠算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的可行性
        3.2.2 蝙蝠算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的基本思想
        3.2.3 基于蝙蝠算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的步驟
    3.3 基于混沌蝙蝠算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
        3.3.1 混沌蝙蝠算法的提出
        3.3.2 混沌蝙蝠算法的基本思想
        3.3.3 混沌蝙蝠算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的步驟
    3.4 基于混沌差分蝙蝠算法的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
        3.4.1 混沌差分蝙蝠算法的提出
        3.4.2 混沌差分蝙蝠算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的基本思想
        3.4.3 混沌差分蝙蝠算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的步驟
    3.5 本章小結(jié)
4.基于優(yōu)化蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立
    4.1 BP神經(jīng)網(wǎng)絡(luò)對時間序列數(shù)據(jù)預(yù)測
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)對時間序列數(shù)據(jù)預(yù)測的基本思想
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的基本步驟
    4.2 基于蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        4.2.1 BP神經(jīng)網(wǎng)絡(luò)模型的建立
        4.2.2 蝙蝠算法的相關(guān)參數(shù)的選取
        4.2.3 基于蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型
    4.3 基于優(yōu)化蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        4.3.1 基于混沌蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型
        4.3.2 基于混沌差分蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型
    4.4 本章小結(jié)
5.基于優(yōu)化蝙蝠算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的應(yīng)用
    5.1 蝙蝠神經(jīng)網(wǎng)絡(luò)模型預(yù)測股票的方法
        5.1.1 原始數(shù)據(jù)的選取
        5.1.2 蝙蝠神經(jīng)網(wǎng)絡(luò)模型預(yù)測股票的基本步驟
    5.2 基于優(yōu)化蝙蝠算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立與預(yù)測結(jié)果
        5.2.1 基于蝙蝠神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立與預(yù)測結(jié)果
        5.2.2 基于混沌蝙蝠神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立與預(yù)測結(jié)果
        5.2.3 基于混沌差分蝙蝠神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立與預(yù)測結(jié)果
    5.3 各模型預(yù)測結(jié)果比較分析
    5.4 本章小結(jié)
6.總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
作者簡介



本文編號：3913622