本文詳細(xì)分析了BP神經(jīng)網(wǎng)絡(luò)的原理、學(xué)習(xí)算法等,使用三層BP神經(jīng)網(wǎng)絡(luò)對(duì)上證指數(shù)收盤價(jià)進(jìn)行實(shí)證分析。首先,文章通過(guò)秩相關(guān)系數(shù)分析因子與上證指數(shù)收盤價(jià)的關(guān)系,對(duì)因子進(jìn)行篩選,去掉與上證指數(shù)收盤價(jià)相關(guān)性較小的因子,以輸入更有效的因子,使網(wǎng)絡(luò)更快地學(xué)習(xí)到輸入與輸出之間的內(nèi)在規(guī)律;然后,本文通過(guò)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)、改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)這兩種模型對(duì)上證指數(shù)的收盤價(jià)進(jìn)行實(shí)證分析,通過(guò)預(yù)測(cè)值與真實(shí)值之間的平均絕對(duì)誤差MAE、方向正確率DS得出改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)能力方面表現(xiàn)更好;隨后,用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)通過(guò)平均絕對(duì)誤差MAE、方向正確率DS確定最佳參數(shù),即訓(xùn)練集、訓(xùn)練函數(shù)、學(xué)習(xí)率、隱節(jié)點(diǎn)個(gè)數(shù)以及激活函數(shù)的確定;最后,本文比較了不同行情下BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力,發(fā)現(xiàn)在盤整期行情的表現(xiàn)能力不如牛市行情。通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)的原理以及實(shí)證的研究,結(jié)果表明三層BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)股票價(jià)格的有效預(yù)測(cè),對(duì)投資實(shí)踐有一定的借鑒意義。

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1:生物神經(jīng)元的結(jié)構(gòu)來(lái)源

先來(lái)介紹生物神經(jīng)元的結(jié)構(gòu)。神經(jīng)元是人腦組織的基本處理單位，是人腦處理信息的最小單元。其模型如圖2.1所示。圖2.1:生物神經(jīng)元的結(jié)構(gòu)來(lái)源（來(lái)源:韓力群[40]）樹突：接受輸入信號(hào)，輸入端；軸突：輸出端，通過(guò)突觸將輸出信號(hào)傳向其他神經(jīng)元的樹突；突觸：輸入輸出的連接；細(xì)胞體：相....

圖2.2:人工神經(jīng)元的結(jié)構(gòu)

圖2.2:人工神經(jīng)元的結(jié)構(gòu)()表示時(shí)刻的輸入向量，()表示時(shí)刻神經(jīng)元的輸出，閾值，則神經(jīng)元的狀態(tài)可表示為=(∑=1),=1,...,,....

圖2.3:閾值型變換函數(shù)

圖2.3:閾值型變換函數(shù)變換函數(shù)換函數(shù)是定義域?yàn)閷?shí)數(shù)，值域?yàn)閇0,1]或[-1,1]的非減連連續(xù)型狀態(tài)的輸出模型。引入非線性激活函數(shù)，使得模的函數(shù)映射。其中，最典型的非線性變換函數(shù)是函數(shù)本性變換函數(shù)的Sigmoid函數(shù)曲線，簡(jiǎn)稱型曲線。在之?dāng)?shù)曲線連續(xù)、可導(dǎo)的優(yōu)....

圖2.4:S型變換函數(shù)

.圖2.4展示了這兩種S型函數(shù)。從圖2.4可以看出，S型函數(shù)抑制兩邊的值，對(duì)中間的細(xì)微變化感知明顯。對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)可以提高特征識(shí)別度。(3)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式人工神經(jīng)網(wǎng)絡(luò)具有怎樣的功能是由訓(xùn)練后的連接權(quán)值決定。人工神經(jīng)網(wǎng)絡(luò)的核心是權(quán)值的不斷調(diào)整，改變權(quán)值的規(guī)則稱為學(xué)習(xí)規(guī)則或....

本文編號(hào)：3909902