發(fā)布時(shí)間：2020-11-09 00:26

　　 根據(jù)混沌理論,具有混沌特征的中國(guó)金融市場(chǎng)可以通過(guò)恰當(dāng)?shù)哪Ｐ蛠?lái)尋找混沌時(shí)間序列中隱含的規(guī)律,從而實(shí)現(xiàn)預(yù)測(cè)目的。在此基礎(chǔ)上本文利用遞歸預(yù)測(cè)器神經(jīng)網(wǎng)絡(luò)RPNN和量子行為粒子群優(yōu)化算法QPSO建立了混沌時(shí)間序列預(yù)測(cè)模型。RPNN是專門為時(shí)間序列研發(fā)的動(dòng)態(tài)時(shí)間延遲神經(jīng)網(wǎng)絡(luò)。本文采用QPSO算法訓(xùn)練RPNN神經(jīng)網(wǎng)絡(luò),解決了模型預(yù)測(cè)過(guò)程中陷入局部最優(yōu)以及預(yù)測(cè)精度差等問(wèn)題。首先本文使用合適的方法將QPSO與RPNN結(jié)合,構(gòu)建了 QPSO-RPNN模型。繼而本文以上證綜合指數(shù)作為研究對(duì)象,使用QPSO-RPNN進(jìn)行不同周期的仿真與預(yù)測(cè),并分析對(duì)比不同預(yù)測(cè)周期的預(yù)測(cè)效果,結(jié)果表明QPSO-RPNN有效的實(shí)現(xiàn)了混沌時(shí)間序列的短期預(yù)測(cè),其預(yù)測(cè)精度較高。最后本文將理論與實(shí)踐結(jié)合,以股票作為研究對(duì)象,對(duì)多支股票進(jìn)行仿真與預(yù)測(cè),并以預(yù)測(cè)結(jié)果為基礎(chǔ),分別研究了日度級(jí)別的程序化交易以及15分鐘級(jí)別短周期交易。通過(guò)對(duì)預(yù)測(cè)結(jié)果以及程序化交易的結(jié)果進(jìn)行分析,證明了 QPSO-RPNN模型具有較高預(yù)測(cè)精度及其在程序化交易方面的可應(yīng)用性。
【學(xué)位單位】：廈門大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：F832.51;F224
【部分圖文】：

論文結(jié)構(gòu)圖

斷續(xù)的輸入狀態(tài)響應(yīng)而進(jìn)行信息處理。它具有與人腦相似的特點(diǎn)，比如對(duì)信息進(jìn)??行并行處理，以及自適應(yīng)自學(xué)習(xí)能力等。神經(jīng)網(wǎng)絡(luò)根據(jù)其性能可以分成兩大類：??動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)和靜態(tài)神經(jīng)網(wǎng)絡(luò)。靜態(tài)神經(jīng)網(wǎng)絡(luò)由靜態(tài)神經(jīng)元組成，如圖３－１所示，??ｖ，，?ｖ２，?Ｖ：，，?Ｖ．，，…，Ｖ，，為神經(jīng)元輸入，Ｗ，，，Ｗ２ｉ，…，Ｗｎｉ為相應(yīng)的權(quán)值，Ａ為神經(jīng)??元的閾值，ｆ（＿）是神經(jīng)元的激活函數(shù)，則該祌經(jīng)元實(shí)現(xiàn)的輸入輸出映射關(guān)系為：??ｙ?＝?ｆ（Ｅｆ＝ｉ?＋?０ｔ）?（３．１）??靜態(tài)神經(jīng)網(wǎng)絡(luò)包括常規(guī)的前向神經(jīng)網(wǎng)絡(luò)、ＲＢＦ神經(jīng)網(wǎng)絡(luò)等，靜態(tài)神經(jīng)網(wǎng)絡(luò)難以實(shí)??Ｖｌ?ｕｔ??Ｖ３?—??：１?〇ｉ?）?＾?ｆ⑷?｜?＾??ｙ??Ｖｎ?圖３－１：靜態(tài)神經(jīng)元結(jié)構(gòu)??現(xiàn)復(fù)雜動(dòng)態(tài)系統(tǒng)的映射關(guān)系。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)更適合用來(lái)實(shí)現(xiàn)動(dòng)態(tài)系統(tǒng)，其中遞歸??神經(jīng)網(wǎng)絡(luò)是動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的一種，是由動(dòng)態(tài)神經(jīng)元組成，動(dòng)態(tài)神經(jīng)元的輸入包括??系統(tǒng)當(dāng)前輸入和反饋以及其他神經(jīng)元的輸出，其輸入輸出的關(guān)系滿足：??ｙ?＝?ｆＣＩＨｉＵ／ｊＵｊＣｔ?－?Ｔｊ）?＋?Ｂｉ）?（３．?２）??Ｈｏｐｆｉｅｌｄ網(wǎng)絡(luò)、Ｅｌｍａｎ網(wǎng)絡(luò)是應(yīng)用較為廣泛的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)內(nèi)部??具有帶延遲因子的反饋連接，可以更好的反映動(dòng)態(tài)系統(tǒng)特性和演化行為，其連接??方式主要有兩種：１）多層反饋。網(wǎng)絡(luò)具有輸入層、隱層和輸出層

３．?２遞歸預(yù)測(cè)器神經(jīng)網(wǎng)絡(luò)??ＲＰＮＮ?（Ｒｅｃｕｒｒｅｎｔ?Ｐｒｅｄｉｃｔｏｒ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）是一種特殊的多重分支時(shí)間??延遲神經(jīng)網(wǎng)絡(luò)，圖３－２為ＲＰＮＮ的結(jié)構(gòu)圖。ＲＰＮＮ的所有神經(jīng)元節(jié)點(diǎn)相互連接，與??一般的神經(jīng)網(wǎng)絡(luò)不同，ＲＰＮＮ網(wǎng)絡(luò)沒(méi)有層次結(jié)構(gòu)，而是根據(jù)功能分為輸入節(jié)點(diǎn)、??狀態(tài)節(jié)點(diǎn)、輸出節(jié)點(diǎn)。輸入節(jié)點(diǎn)接受外部輸入，輸出節(jié)點(diǎn)是網(wǎng)絡(luò)對(duì)輸入的響應(yīng)，??狀態(tài)節(jié)點(diǎn)反映了輸入與輸出之間的映射關(guān)系。其中ｒ，，�。蓿�，ｒ？是外部輸入節(jié)點(diǎn)，??中間是帶有閾值的神經(jīng)元，上方是網(wǎng)絡(luò)的存儲(chǔ)器，網(wǎng)絡(luò)存儲(chǔ)器中存放網(wǎng)絡(luò)在不同??時(shí)刻中的輸出信息，存儲(chǔ)器與神經(jīng)元的連接上具有相應(yīng)的權(quán)值。網(wǎng)絡(luò)節(jié)點(diǎn)可以同??時(shí)具有輸出功能和反饋功能。由于節(jié)點(diǎn)之間引入了多分支和時(shí)間延遲，ＲＰＮＮ的??時(shí)序特點(diǎn)更加明顯，并且網(wǎng)絡(luò)具有局部反饋的特性，即網(wǎng)絡(luò)當(dāng)前時(shí)刻的輸出不僅??與當(dāng)前時(shí)刻網(wǎng)絡(luò)的外部輸入有關(guān)
【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 周揚(yáng);;基于lyapunov指數(shù)的股票市場(chǎng)混沌性研究[J];金融經(jīng)濟(jì);2014年20期

2 謝朝華;李忠;鄭詠梅;文鳳華;;中國(guó)股票市場(chǎng)分形與混沌特征:1994～2008[J];系統(tǒng)工程;2010年06期

3 張勝,劉紅星,高敦堂,沈振宇,業(yè)蘇寧;ANN非線性時(shí)間序列預(yù)測(cè)模型輸入延時(shí)τ的確定[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年06期

4 韓文秀,郁俊莉,王其文;我國(guó)資本市場(chǎng)混沌特性研究[J];系統(tǒng)工程理論與實(shí)踐;2002年10期

5 林小明,王美今;我國(guó)股票市場(chǎng)的混沌現(xiàn)象與市場(chǎng)有效性[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;1997年04期

本文編號(hào)：2875589