股票市場作為經(jīng)濟領域中的重要代表,受到各界的廣泛關注,又因為股票價格受諸多因素影響,導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預測,可引導投資者合理投資,使投資風險最小化。我們基于神經(jīng)網(wǎng)絡在預測領域的強大優(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)絡相結合,對基于改進蝙蝠算法的神經(jīng)網(wǎng)絡預測模型和優(yōu)化模型進行了深入的研究,研究結果對股票預測具有一定的理論意義和實際應用價值。本文主要研究工作如下:1.在對神經(jīng)網(wǎng)絡和蝙蝠算法的基本原理與國內(nèi)外研究現(xiàn)狀進行綜述的基礎上,結合現(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)預測模型提供了基礎資料。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,進而訓練神經(jīng)網(wǎng)絡,給出基于混沌蝙蝠算法(CBA)的神經(jīng)網(wǎng)絡預測模型;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練神經(jīng)網(wǎng)絡,給出基于混沌差分蝙蝠算法(CDEBA)的神經(jīng)網(wǎng)絡預測模型。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 本文的主要組織結構
2.相關理論知識
    2.1 BP神經(jīng)網(wǎng)絡的相關知識
        2.1.1 BP神經(jīng)網(wǎng)絡的結構
        2.1.2 BP神經(jīng)網(wǎng)絡的學習算法
        2.1.3 BP神經(jīng)網(wǎng)絡的參數(shù)設置
        2.1.4 BP神經(jīng)網(wǎng)絡的計算步驟
        2.1.5 BP算法程序?qū)崿F(xiàn)流程
        2.1.6 BP神經(jīng)網(wǎng)絡的局限性
    2.2 蝙蝠算法的相關知識
        2.2.1 蝙蝠算法的生物學知識
        2.2.2 蝙蝠算法的基礎知識
        2.2.3 蝙蝠算法的運算步驟
    2.3 混沌理論的相關知識
        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
3.基于蝙蝠算法的神經(jīng)網(wǎng)絡優(yōu)化算法
    3.1 BP神經(jīng)網(wǎng)絡的基本原理
    3.2 基于蝙蝠算法的神經(jīng)網(wǎng)絡學習算法
        3.2.1 蝙蝠算法訓練神經(jīng)網(wǎng)絡的可行性
        3.2.2 蝙蝠算法訓練BP神經(jīng)網(wǎng)絡的基本思想
        3.2.3 基于蝙蝠算法訓練BP神經(jīng)網(wǎng)絡的步驟
    3.3 基于混沌蝙蝠算法的神經(jīng)網(wǎng)絡學習算法
        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 混沌蝙蝠算法訓練BP神經(jīng)網(wǎng)絡的步驟
    3.4 基于混沌差分蝙蝠算法的神經(jīng)網(wǎng)絡學習算法
        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練BP神經(jīng)網(wǎng)絡的基本思想
        3.4.3 混沌差分蝙蝠算法訓練BP神經(jīng)網(wǎng)絡的步驟
    3.5 本章小結
4.基于優(yōu)化蝙蝠算法的神經(jīng)網(wǎng)絡預測模型的建立
    4.1 BP神經(jīng)網(wǎng)絡對時間序列數(shù)據(jù)預測
        4.1.1 BP神經(jīng)網(wǎng)絡對時間序列數(shù)據(jù)預測的基本思想
        4.1.2 BP神經(jīng)網(wǎng)絡預測的基本步驟
    4.2 基于蝙蝠算法的神經(jīng)網(wǎng)絡預測模型
        4.2.1 BP神經(jīng)網(wǎng)絡模型的建立
        4.2.2 蝙蝠算法的相關參數(shù)的選取
        4.2.3 基于蝙蝠算法的神經(jīng)網(wǎng)絡預測模型
    4.3 基于優(yōu)化蝙蝠算法的神經(jīng)網(wǎng)絡預測模型
        4.3.1 基于混沌蝙蝠算法的神經(jīng)網(wǎng)絡預測模型
        4.3.2 基于混沌差分蝙蝠算法的神經(jīng)網(wǎng)絡預測模型
    4.4 本章小結
5.基于優(yōu)化蝙蝠算法的BP神經(jīng)網(wǎng)絡預測模型的應用
    5.1 蝙蝠神經(jīng)網(wǎng)絡模型預測股票的方法
        5.1.1 原始數(shù)據(jù)的選取
        5.1.2 蝙蝠神經(jīng)網(wǎng)絡模型預測股票的基本步驟
    5.2 基于優(yōu)化蝙蝠算法的神經(jīng)網(wǎng)絡預測模型的建立與預測結果
        5.2.1 基于蝙蝠神經(jīng)網(wǎng)絡預測模型的建立與預測結果
        5.2.2 基于混沌蝙蝠神經(jīng)網(wǎng)絡預測模型的建立與預測結果
        5.2.3 基于混沌差分蝙蝠神經(jīng)網(wǎng)絡預測模型的建立與預測結果
    5.3 各模型預測結果比較分析
    5.4 本章小結
6.總結與展望
    6.1 總結
    6.2 展望
參考文獻
致謝
作者簡介



本文編號：3913622