本文以預(yù)測(cè)多日股票價(jià)格為目標(biāo)建立遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型（GA-BP神經(jīng)網(wǎng)絡(luò)模型）.BP神經(jīng)網(wǎng)絡(luò)能根據(jù)股票歷史數(shù)據(jù)找出股票市場(chǎng)波動(dòng)的內(nèi)在規(guī)律來預(yù)測(cè)將來一段時(shí)間內(nèi)的股票價(jià)格變化.但是在BP神經(jīng)網(wǎng)絡(luò)中權(quán)值的更新調(diào)整都與初始權(quán)值相關(guān),初始權(quán)值取值不當(dāng)可能會(huì)使網(wǎng)絡(luò)陷入局部極小而導(dǎo)致預(yù)測(cè)精度不高.由于遺傳算法是一種不容易陷入局部最優(yōu)陷阱的啟發(fā)式全局搜索算法,剛好能夠彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)此方面的不足.故而利用遺傳算法優(yōu)化其初始權(quán)值和閾值能夠提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度.現(xiàn)有的對(duì)股價(jià)的預(yù)測(cè)的研究中,基本都是利用多天的數(shù)據(jù)來預(yù)測(cè)未來一天的價(jià)格,預(yù)測(cè)長(zhǎng)度有限.而中國(guó)的證券市場(chǎng)實(shí)行的是T+1交易制度,即投資者買入股票后當(dāng)天不能把股票賣出,至少要在買入股票后的下一個(gè)交易日才能賣出.對(duì)于大部分的投資者來說,仍然無法準(zhǔn)確判斷未來第二天的股票價(jià)格趨勢(shì),無法把握買入或者賣出的最佳時(shí)機(jī),實(shí)際參考價(jià)值有限.本文在構(gòu)建GA-BP神經(jīng)網(wǎng)絡(luò)模型時(shí),將換手率作為一個(gè)預(yù)測(cè)股票價(jià)格的輸入指標(biāo),利用多天的多個(gè)指標(biāo)預(yù)測(cè)未來連續(xù)多日的股票價(jià)格.首先是將連續(xù)三天的開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)和換手率作為輸入變量先利用遺傳算法得到最優(yōu)初始權(quán)值... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第一章 預(yù)備知識(shí)
    1.1 BP神經(jīng)網(wǎng)絡(luò)
    1.2 遺傳算法
    1.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
    1.4 主成分分析
第二章 預(yù)測(cè)多日股票價(jià)格的GA-BP神經(jīng)網(wǎng)絡(luò)模型
    2.1 數(shù)據(jù)的選取與處理
    2.2 GA-BP網(wǎng)絡(luò)的構(gòu)建
    2.3 實(shí)驗(yàn)結(jié)果
第三章 GA-BP神經(jīng)網(wǎng)絡(luò)模型的投資效率分析
    3.1 模擬投資
    3.2 深證成指收益
    3.3 結(jié)果分析
第四章 基于主成分分析的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)多日價(jià)格
    4.1 數(shù)據(jù)說明
    4.2 主成分分析
    4.3 構(gòu)建GA-BP網(wǎng)絡(luò)模型用于價(jià)格預(yù)測(cè)
    4.4 實(shí)驗(yàn)結(jié)果與投資效率分析
第五章 總結(jié)
參考文獻(xiàn)
在學(xué)期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在股指預(yù)測(cè)中的應(yīng)用研究[J]. 黃宏運(yùn),朱家明,李詩(shī)爭(zhēng).  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[2]基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測(cè)[J]. 郝繼升,任浩然,井文紅.  河南科學(xué). 2017(02)
[3]基于多元線性回歸分析的股價(jià)預(yù)測(cè)——以中信銀行為例[J]. 陳璐璐.  經(jīng)濟(jì)研究導(dǎo)刊. 2016(19)
[4]基于BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的股票指數(shù)預(yù)測(cè)模型比較[J]. 彭望蜀.  南方金融. 2013(01)
[5]基于遺傳BP網(wǎng)絡(luò)的股市預(yù)測(cè)模型研究與仿真[J]. 鄧凱,趙振勇.  計(jì)算機(jī)仿真. 2009(05)
[6]基于時(shí)間序列的支持向量機(jī)在股票預(yù)測(cè)中的應(yīng)用[J]. 彭麗芳,孟志青,姜華,田密.  計(jì)算技術(shù)與自動(dòng)化. 2006(03)
[7]基于支持向量機(jī)的股票預(yù)測(cè)[J]. 張晨希,張燕平,張迎春,陳潔,萬忠.  計(jì)算機(jī)技術(shù)與發(fā)展. 2006(06)
[8]基于遺傳算法BP神經(jīng)網(wǎng)絡(luò)優(yōu)化證券組合投資[J]. 朱小梅,郭志鋼,楊先鳳.  江漢大學(xué)學(xué)報(bào)(自然科學(xué)版). 2005(03)
[9]基于決策樹的股市數(shù)據(jù)挖掘與仿真[J]. 鄒筱梅,姜山,唐賢瑛.  計(jì)算機(jī)仿真. 2004(03)
[10]1997年度諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)評(píng)介布萊克-斯科爾斯公式[J]. 彭實(shí)戈.  科學(xué). 1998(02)

碩士論文
[1]神經(jīng)網(wǎng)絡(luò)與證券選擇[D]. 張倩.鄭州大學(xué) 2017
[2]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究及MATLAB仿真[D]. 任謝楠.天津師范大學(xué) 2014
[3]神經(jīng)網(wǎng)絡(luò)技術(shù)在股票價(jià)格短期預(yù)測(cè)中的應(yīng)用研究[D]. 閆冬.重慶交通大學(xué) 2013
[4]基于GA-BP神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)理論及應(yīng)用[D]. 尹璐.華北電力大學(xué)（北京） 2010
[5]基于數(shù)據(jù)挖掘技術(shù)的股價(jià)預(yù)測(cè)實(shí)證分析[D]. 唐文慧.西南財(cái)經(jīng)大學(xué) 2009
[6]基于時(shí)間序列分析的股票價(jià)格趨勢(shì)預(yù)測(cè)研究[D]. 趙國(guó)順.廈門大學(xué) 2009



本文編號(hào)：3455878