本文選題：股指期貨　切入點：模糊信息粒化　出處：《南方金融》2017年11期

【摘要】：為提高區(qū)間預測的精度,提出一種基于三角模糊信息�；母倪M徑向基(RBF)與支持向量回歸機(SVR)相結(jié)合的混合神經(jīng)網(wǎng)絡區(qū)間預測模型,對股指期貨價格的變化區(qū)間進行預測。首先,對原始數(shù)據(jù)進行模糊�；幚�,獲得相應的變化區(qū)間;其次,采取自組織學習策略并運用減聚類算法,對傳統(tǒng)的RBF神經(jīng)網(wǎng)絡進行優(yōu)化,改進模型的結(jié)構(gòu)與參數(shù);然后,運用SVR對模型滾動預測過程中產(chǎn)生的殘差趨勢作進一步的估計,從而修正預測值;最后,運用改進混合神經(jīng)網(wǎng)絡對模糊粒化后的滬深300股指期貨數(shù)據(jù)進行實例驗證。結(jié)果表明,基于模糊信息粒化的改進混合神經(jīng)網(wǎng)絡區(qū)間預測模型能夠較為精確地預測股指期貨價格的變化范圍與價格走勢,有效提高單一非參數(shù)模型的點預測與區(qū)間預測的精度和運行效率,同時具備較好的網(wǎng)絡結(jié)構(gòu)與擬合能力。
[Abstract]:In order to improve the accuracy of interval prediction, a hybrid neural network interval prediction model based on triangular fuzzy information granulation (RBF) and support vector regression machine (SVR) is proposed. The change interval of stock index futures price is forecasted. Firstly, the original data is processed by fuzzy granulation, and the corresponding change interval is obtained. Secondly, self-organizing learning strategy is adopted and clustering algorithm is used to reduce the value of stock index futures. The traditional RBF neural network is optimized to improve the structure and parameters of the model. Then, SVR is used to further estimate the trend of residual error in the process of model rolling prediction, so that the prediction value can be revised. The improved hybrid neural network is used to verify the fuzzy-granulated data of Shanghai and Shenzhen 300 stock index futures. The results show that, The improved hybrid neural network interval prediction model based on fuzzy information granulation can accurately predict the range and price trend of stock index futures price. The accuracy and operation efficiency of point prediction and interval prediction of single nonparametric model are improved effectively, and the network structure and fitting ability are also improved.
【作者單位】： 華南理工大學工商管理學院;
【基金】：國家自然科學基金項目《區(qū)域孵育網(wǎng)絡體系建設運營評價及其風險度量》(項目編號:71073056) 教育部人文社會科學項目《P2P的信用風險評價與監(jiān)管研究》(項目編號:Y9150040) 中央高校重大決策項目《互聯(lián)網(wǎng)金融與孵化器企業(yè)集群融資創(chuàng)新及其對策研究》(項目編號:D214433W)的資助
【分類號】：F724.5;TP183

【相似文獻】

相關期刊論文 前10條

1 陳世君;林自葵;劉志高;;基于混合神經(jīng)網(wǎng)絡的鐵路材料消耗的預測方法研究[J];鐵道建筑技術;2009年S2期

2 韓勝菊;陶冶;楊文蓮;皮國喜;;混合神經(jīng)網(wǎng)絡響應面調(diào)度法在漁船協(xié)同論證中的應用[J];大連水產(chǎn)學院學報;2010年02期

3 尉斌;孟巍;;基于混合神經(jīng)網(wǎng)絡的車輛路徑模型研究[J];計算機工程與設計;2011年11期

4 安凱;混合神經(jīng)網(wǎng)絡及其在非線性系統(tǒng)控制中的應用[J];光電工程;2000年05期

5 許銳,黃達詮,李志能;洗牌型光電混合神經(jīng)網(wǎng)絡實驗系統(tǒng)[J];光學學報;2002年01期

6 吳勉,邵惠鶴;基于聯(lián)合時頻分析的混合神經(jīng)系統(tǒng)在信號分類與模式識別中的應用[J];控制理論與應用;2001年S1期

7 鄭生榮,辛勇,楊國泰,何成宏;基于混合神經(jīng)網(wǎng)絡與遺傳算法方法的注塑參數(shù)優(yōu)化[J];計算機應用;2004年02期

8 廖雪平;羅飛;;混合神經(jīng)網(wǎng)絡在污水毒性預測中的應用[J];化工自動化及儀表;2011年02期

9 李誼,王知衍,曾海贊;采用混合神經(jīng)網(wǎng)絡高精確度提取機票字符[J];計算機工程與應用;2004年08期

10 劉梅清,馮衛(wèi)民,劉光臨,程宏舉;混合神經(jīng)網(wǎng)絡在泵站機組故障診斷中的應用[J];武漢水利電力大學學報;2000年03期

相關會議論文 前1條

1 代勁;何中市;;基于云模型的快速信息粒化算法[A];第五屆全國信息檢索學術會議論文集[C];2009年

相關博士學位論文 前2條

1 陳潔;商空間的�；P鍵技術及問題求解研究[D];安徽大學;2014年

2 錢宇華;復雜數(shù)據(jù)的�；瘷C理與數(shù)據(jù)建模[D];山西大學;2011年

相關碩士學位論文 前8條

1 羅練海;基于Hadoop的混合神經(jīng)網(wǎng)絡計算平臺研究與實現(xiàn)[D];華南理工大學;2016年

2 張鵬飛;基于混合神經(jīng)網(wǎng)絡技術的風功率預測研究[D];沈陽工業(yè)大學;2015年

3 許興華;基于混合神經(jīng)網(wǎng)絡的非線性動態(tài)系統(tǒng)建模[D];北京化工大學;2006年

4 胡珊;混合神經(jīng)網(wǎng)絡在石油價格預測中的應用研究[D];南昌大學;2013年

5 劉景華;基于信息�；奶卣鬟x擇算法研究[D];閩南師范大學;2016年

6 王昆;基于邏輯方法的粒化理論[D];首都師范大學;2014年

7 宋金朋;數(shù)據(jù)集的�；瘶溲芯颗c應用[D];河南師范大學;2014年

8 張豐旺;基于信息�；腟VM在證券時間序列分析中的應用[D];昆明理工大學;2014年

，

本文編號：1657256