發(fā)布時(shí)間：2021-04-30 02:53

　　隨著程序化交易的不斷發(fā)展,金融時(shí)間序列的趨勢(shì)預(yù)測(cè)算法得到了廣泛的研究。本文一方面對(duì)金融時(shí)間序列的預(yù)測(cè)進(jìn)行了研究,針對(duì)BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)應(yīng)用中存在收斂速度慢、易陷入局部極值、訓(xùn)練結(jié)果不穩(wěn)定、預(yù)測(cè)精度有限等問(wèn)題進(jìn)行了算法優(yōu)化,另一方面對(duì)金融時(shí)間序列的模式識(shí)別開(kāi)展了研究,針對(duì)SAX算法進(jìn)行了改進(jìn),具體研究?jī)?nèi)容如下:首先,針對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度不夠的問(wèn)題,本文提出了對(duì)進(jìn)入BP網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行預(yù)處理的混合系統(tǒng)模型。該模型利用歷史數(shù)據(jù),篩選出與測(cè)試樣本數(shù)據(jù)的模式匹配程度高的子序列,輸入子序列來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò),構(gòu)建出基于模式識(shí)別的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。仿真結(jié)果表明,通過(guò)對(duì)不同數(shù)據(jù)段RMSE、MRE和WDS的分析,相比基于趨勢(shì)點(diǎn)的趨勢(shì)預(yù)測(cè)方法或多輸入變量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,本文提出的混合系統(tǒng)預(yù)測(cè)模型的預(yù)測(cè)誤差更小,預(yù)測(cè)效果更準(zhǔn)確。其次,針對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間較長(zhǎng)、易陷入局部極值的問(wèn)題,本文提出了一種改進(jìn)的PSO-BP預(yù)測(cè)模型算法,該算法利用改進(jìn)的PSO算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,從而具備了較好的全局搜索能力,再利用BP神經(jīng)網(wǎng)絡(luò)的局部搜索能力進(jìn)一步確定權(quán)值和閾值,從而確定BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 論文研究的背景和意義
    1.2 金融時(shí)間序列的特點(diǎn)
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 論文主要工作及章節(jié)安排
第2章 股票預(yù)測(cè)相關(guān)理論概述
    2.1 引言
    2.2 金融時(shí)間序列預(yù)測(cè)系統(tǒng)基本模型
    2.3 金融時(shí)間序列數(shù)據(jù)樣本的選取
    2.4 金融時(shí)間序列數(shù)據(jù)預(yù)處理
        2.4.1 數(shù)據(jù)規(guī)范化處理
        2.4.2 數(shù)據(jù)平穩(wěn)性處理
    2.5 神經(jīng)網(wǎng)絡(luò)模型
        2.5.1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及原理
        2.5.2 BP神經(jīng)網(wǎng)絡(luò)原理
        2.5.3 BP神經(jīng)網(wǎng)絡(luò)算法基本實(shí)現(xiàn)步驟
        2.5.4 BP算法存在的缺陷
    2.6 金融時(shí)間序列的符號(hào)聚合近似
    2.7 模型評(píng)價(jià)標(biāo)準(zhǔn)
    2.8 本章小結(jié)
第3章 基于模式匹配的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
    3.1 引言
    3.2 數(shù)據(jù)預(yù)處理
    3.3 模式匹配系統(tǒng)
        3.3.1 相似度指標(biāo)
        3.3.2 尋找模式匹配的子序列
    3.4 模式匹配和神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型
        3.4.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
        3.4.2 系統(tǒng)算法模型
    3.5 仿真結(jié)果與性能分析
        3.5.1 股價(jià)趨勢(shì)預(yù)測(cè)
        3.5.2 不同數(shù)據(jù)段的股價(jià)趨勢(shì)預(yù)測(cè)
        3.5.3 性能對(duì)比分析
    3.6 本章小結(jié)
第4章 基于PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
    4.1 引言
    4.2 基本PSO算法原理
    4.3 改進(jìn)的PSO算法
    4.4 基于PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
    4.5 仿真結(jié)果與分析
        4.5.1 改進(jìn)PSO-BP預(yù)測(cè)模型參數(shù)設(shè)置
        4.5.2 數(shù)據(jù)預(yù)處理
        4.5.3 訓(xùn)練時(shí)長(zhǎng)
        4.5.4 預(yù)測(cè)精度
    4.6 本章小結(jié)
第5章 基于金融時(shí)間序列的符號(hào)聚合近似測(cè)度的改進(jìn)
    5.1 引言
    5.2 本節(jié)所使用的符號(hào)
    5.3 改進(jìn)的符號(hào)聚合近似表示方法
        5.3.1 數(shù)據(jù)預(yù)處理
        5.3.2 子序列數(shù)據(jù)搜索
        5.3.3 數(shù)據(jù)分割
        5.3.4 相似度計(jì)算
    5.4 仿真結(jié)果與性能分析
        5.4.1 匹配時(shí)間
        5.4.2 匹配準(zhǔn)確性
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3168697