股票預(yù)測是經(jīng)濟(jì)領(lǐng)域一項重要的課題,股票市場具有高噪聲、強(qiáng)非線性等特點,傳統(tǒng)的預(yù)測方法很難建立一個精確的數(shù)學(xué)模型,目前對股票預(yù)測的建模主要采用神經(jīng)網(wǎng)絡(luò)的方法,但是神經(jīng)網(wǎng)絡(luò)對股票市場的預(yù)測主要存在著以下缺點:輸入向量的維數(shù)難以確定、收斂于局部極小點、訓(xùn)練時間過長、泛化能力弱,很難捕捉到股市黑馬等。針對這些缺點,本文做了如下幾方面的工作: 1.用相空間重構(gòu)的思想來確定貝葉斯神經(jīng)網(wǎng)絡(luò)輸入向量的維數(shù)。在股市的中期預(yù)測中,預(yù)測對象是一維的時間序列,而網(wǎng)絡(luò)輸入序列的長度選取一直以來都是一個難點,本文從混沌效應(yīng)中的相空間重構(gòu)思想來確定網(wǎng)絡(luò)輸入向量的維數(shù),在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式上采用貝葉斯正則化的神經(jīng)網(wǎng)絡(luò),它可以有效提高網(wǎng)絡(luò)的泛化能力。這種方法綜合了混沌理論、神經(jīng)網(wǎng)絡(luò)和貝葉斯正則化方法各自的優(yōu)點,它既考慮了上證綜指的混沌特性,又考慮到了相空間中相點間的非線性關(guān)系,而且還提高了網(wǎng)絡(luò)的泛化能力。通過第二章的預(yù)測分析可知:采用這種方法的預(yù)測有效度比普通的預(yù)測方法提高了8%左右。 2.建立股市短期預(yù)測神經(jīng)網(wǎng)絡(luò)模型。在股市的短期預(yù)測中建立了兩種網(wǎng)絡(luò)模型:普通結(jié)構(gòu)的貝葉斯神經(jīng)網(wǎng)絡(luò)和并聯(lián)結(jié)構(gòu)的貝葉斯神經(jīng)網(wǎng)絡(luò)。貝葉斯神經(jīng)...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-3lnC(r)與lnr的關(guān)系

圖2-3lnC(r)與lnr的關(guān)系Figure2-3TherelationshipbetweenlnC(r)andlnrm向右遞增，從圖像上看當(dāng)m大于8時，曲線基本上趨于穩(wěn)定，選取算斜率可得到上證綜指時間序列的關(guān)聯(lián)維數(shù)D=2.67....

圖2-6網(wǎng)絡(luò)結(jié)構(gòu)示意圖

網(wǎng)絡(luò)權(quán)值和閾值的均方和，在h∈[3,6]時，其值逐漸減小說明其權(quán)值和閾值沒有得到充分優(yōu)化，還有降低的余地；而當(dāng)h≥7時，其值不再隨著隱層節(jié)點數(shù)的增加而明顯增加，說明網(wǎng)絡(luò)的權(quán)值和閾值已經(jīng)得到充分的優(yōu)化，繼續(xù)增加隱層節(jié)點數(shù)并不能有效的降低SSW。3）隨著隱層節(jié)點數(shù)的增加γ....

圖3-1貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖3-1貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)示意圖Figure3-1BayesianNetworkstructure3.3.1樣本的選擇在樣本的選取上，為了避開短線資金的控盤，選取最具代表性的上證指數(shù)作為預(yù)測樣本，因為上證指數(shù)是各種因素的綜合，短線資金很難對其有較大的影響，從總體上來說上....

圖3-4并聯(lián)結(jié)構(gòu)的網(wǎng)絡(luò)模型示意圖

3.4并聯(lián)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)預(yù)測模型3.4.1網(wǎng)絡(luò)結(jié)構(gòu)模型在目前的股市預(yù)測模型上，對于輸入數(shù)據(jù)的選擇一般地分為兩種數(shù)據(jù)類型，第一種數(shù)據(jù)類型是股票的原始數(shù)據(jù)，即股票本身的交易數(shù)據(jù)；第二種數(shù)據(jù)類型是技術(shù)指標(biāo)值（即是第二章我們所介紹的技術(shù)指標(biāo)）。雖然有的研究采集的數(shù)據(jù)也包含這兩種數(shù)據(jù)類型....

本文編號：3997620