發(fā)布時間：2020-03-27 23:45

【摘要】：股票市場數(shù)據(jù)通常具有極強的波動性,對股票市場數(shù)據(jù)的預(yù)測一直以來都是金融領(lǐng)域的重要課題。股票預(yù)測即對股票價格指數(shù)的運行趨勢進(jìn)行預(yù)測,這也是國內(nèi)外在統(tǒng)計金融領(lǐng)域的研究熱點。傳統(tǒng)的股票預(yù)測方法主要是線性預(yù)測法,其中較為常見的就是建立自回歸移動平均模型。在金融研究領(lǐng)域,自回歸移動模型(ARIMA)是一種主要的預(yù)測手段,這是一種線性的預(yù)測方法,其對一些平穩(wěn)數(shù)據(jù)的預(yù)測效果較好,但是對具有強波動性的股票數(shù)據(jù)往往效果欠佳。由于ARIMA模型的非線性預(yù)能力較差導(dǎo)致其始終無法產(chǎn)生較為滿意的預(yù)測結(jié)果,研究者需要尋找更多適用于股票預(yù)測的方法。機器學(xué)習(xí)對金融行業(yè)數(shù)據(jù)的處理有著得天獨厚的優(yōu)勢,其能精準(zhǔn)分析同一時間內(nèi)的大量股票數(shù)據(jù)或財務(wù)數(shù)據(jù)的變動,并很快得出相應(yīng)的結(jié)論,這樣使金融市場的運行效率得到顯著提高。在股票市場的趨勢預(yù)測方面,其能運用股價指數(shù)的相關(guān)特征對股票市場數(shù)據(jù)進(jìn)行預(yù)測,在財務(wù)數(shù)據(jù)管理方面,機器學(xué)習(xí)算法可對公司的資產(chǎn)負(fù)債表、現(xiàn)金流量表等財務(wù)數(shù)據(jù)進(jìn)行有效分析。我們需要尋找一些可以對非線性數(shù)據(jù)具有良好適應(yīng)性的預(yù)測方法,所以擬用機器學(xué)習(xí)的相關(guān)算法,本文采用的是小波神經(jīng)網(wǎng)絡(luò)(WNN)和支持向量機(SVM)。小波神經(jīng)網(wǎng)絡(luò)是將小波與神經(jīng)網(wǎng)絡(luò)結(jié)合的理論方法,這種方法融合了兩種理論的優(yōu)點,是一種有效的股票預(yù)測方法。支持向量機以堅實的數(shù)學(xué)理論做支撐,其采用核函數(shù)方法可以有效解決一些復(fù)雜計算,并應(yīng)用結(jié)構(gòu)風(fēng)險最小化原則使得這種方法在金融預(yù)測領(lǐng)域廣受推崇。使用BP算法的WNN收斂速度慢且易陷入局部最小,為改善模型性能,提高預(yù)測精度,擬用用粒子群算法(PSO)優(yōu)化WNN,優(yōu)化WNN參數(shù)以建立股票預(yù)測模型PSO-WNN。為了遵從實驗的邏輯性,同樣建立股票預(yù)測模型PSO-SVM。運用MATLAB進(jìn)行仿真實驗,通過分析實驗結(jié)果,證明小波神經(jīng)網(wǎng)絡(luò)和支持向量機在股票預(yù)測中的可行性。設(shè)定相關(guān)統(tǒng)計指標(biāo)衡量預(yù)測效果,評估優(yōu)化效果,并分析比較模型在優(yōu)化后的預(yù)測性能,最后綜合分析整體的預(yù)測性能。
【圖文】：

來形成的小波神經(jīng)網(wǎng)絡(luò)（WNN）已經(jīng)成為主要的股票預(yù)測方法。將小絡(luò)結(jié)合而成的 WNN 兼具多尺度分析能力和非線性學(xué)習(xí)能力。在 WNN過程中一般采用梯度修正法，，即通過修正網(wǎng)絡(luò)權(quán)值和小波基參數(shù)使 WN斷逼近期望輸出。NN 的拓?fù)錂C構(gòu)神經(jīng)網(wǎng)絡(luò)是基于小波變換而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型，是小波變換與神經(jīng)網(wǎng)即用非線性小波基取代通常的神經(jīng)元非線性激勵函數(shù)。BP 神經(jīng)網(wǎng)絡(luò)是結(jié)構(gòu)基礎(chǔ)。3.3 表示的就是 WNN 的結(jié)構(gòu)，其由一個輸入層、一個隱含層和一個輸出網(wǎng)絡(luò)理論，一個三層神經(jīng)網(wǎng)絡(luò)具備精確逼近一般非線性函數(shù)的能力，運交基對函數(shù)逼近使得網(wǎng)絡(luò)節(jié)點的冗余度較小。小波基函數(shù)取代原 Sigm層的激勵函數(shù)，時頻局部分析和自適應(yīng)學(xué)習(xí)被融合在了一起，這樣具備N 就有了更強的非線性逼近能力[10]。

將 168 月的數(shù)據(jù)當(dāng)作一組時間序列，前 106 個時間點的數(shù)據(jù)作為訓(xùn)練集樣本，62 個時間點作為測試集樣本，分別用 PSO-WNN 和 PSO-SVM 進(jìn)行訓(xùn)練。圖 6.2 為訓(xùn)集數(shù)據(jù)，圖 6.3 為測試集數(shù)據(jù)。圖 6.1 168 個月的期末上證綜合收盤指數(shù)
【學(xué)位授予單位】：安慶師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F224;F830.91

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 孟飛;蘭巨龍;胡宇翔;;基于改進(jìn)的量子粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J];計算機應(yīng)用研究;2015年05期

2 郭通;蘭巨龍;李玉峰;江逸茗;;基于量子自適應(yīng)粒子群優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測[J];電子與信息學(xué)報;2013年09期

3 羅勇;鄭金;寧美鳳;;基于相似日搜索的PSO-WNN組合模型在短期電力負(fù)荷預(yù)測中的應(yīng)用[J];信息與控制;2013年03期

4 李樹榮;雷陽;張強;張曉東;;一種求解最優(yōu)控制問題的混合WNN-PSO算法[J];系統(tǒng)仿真學(xué)報;2013年03期

5 潘玉民;張曉宇;張全柱;薛鵬騫;;基于量子粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J];信息與控制;2012年06期

6 雷秀娟;史忠科;周亦鵬;;PSO優(yōu)化算法演變及其融合策略[J];計算機工程與應(yīng)用;2007年07期

7 彭麗芳;孟志青;姜華;田密;;基于時間序列的支持向量機在股票預(yù)測中的應(yīng)用[J];計算技術(shù)與自動化;2006年03期

本文編號：2603569