本文關(guān)鍵詞：幾種改進(jìn)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)股指預(yù)測模型研究

  更多相關(guān)文章： 小波 偏微分方程 BP—DNN模型 GRNN—DNN模型

【摘要】：在過去的2015年里人們經(jīng)歷了一場波瀾壯闊的大牛市,也經(jīng)歷了一場從未有過的股災(zāi),多數(shù)人的財(cái)富在這一場泡沫中經(jīng)歷了過山車式的變化。而隨著經(jīng)濟(jì)的發(fā)展和人民財(cái)富的積累,股市在承擔(dān)資產(chǎn)配置和為中小企業(yè)融資方面將扮演越來越重要的角色。股市的好壞將直接影響國計(jì)民生,因此如何更好的預(yù)測市場未來的走勢就顯得尤為重要。通過查閱文獻(xiàn)我們發(fā)現(xiàn),傳統(tǒng)的股市預(yù)測方法在進(jìn)行數(shù)據(jù)去噪時(shí)單純的采取小波去噪的方式,一旦閾值的選擇不合理就會(huì)造成對高頻部分去噪過度,使得去噪數(shù)據(jù)不能很好的保留原始數(shù)據(jù)的細(xì)節(jié)特征。另外傳統(tǒng)預(yù)測方法老套且創(chuàng)新性不強(qiáng),多數(shù)文章都是將以往用過的模型重新套用或者單一的組合,并沒有新的研究方法出現(xiàn)。針對以上問題,本文通過Wind數(shù)據(jù)庫提取自2005年4月6日到2015年4月3日滬深300收盤指數(shù)作為原始研究數(shù)據(jù),共計(jì)2428組,數(shù)據(jù)真實(shí)可靠。在對原始股票數(shù)據(jù)進(jìn)行去噪處理時(shí),利用偏微分去噪可以更好的保留數(shù)據(jù)細(xì)節(jié)特征的優(yōu)點(diǎn)。本文首次將偏微分和小波去噪相結(jié)合運(yùn)用于股票數(shù)據(jù)的分析和預(yù)測中,提出了小波偏微分混合去噪模型。將原始數(shù)據(jù)、小波去噪數(shù)據(jù)、小波與偏微分方程去噪數(shù)據(jù)三種數(shù)據(jù)各抽取542組作為預(yù)測模型的輸入變量進(jìn)行對比研究。由于股票數(shù)據(jù)的非線性特性,本文引入在處理非線性問題時(shí)更具優(yōu)勢的GRNN神經(jīng)網(wǎng)絡(luò)模型,并與傳統(tǒng)股票預(yù)測時(shí)采取的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比�；趧�(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)理論,本文模仿前人將時(shí)間窗口滑動(dòng)和后反饋連接加入BP神經(jīng)網(wǎng)絡(luò)進(jìn)而得到可以處理動(dòng)態(tài)問題的BP-DNN模型。首次將時(shí)間窗口滑動(dòng)和后反饋連接引入GRNN神經(jīng)網(wǎng)絡(luò)提出更適合處理非線性動(dòng)態(tài)問題的GRNN-DNN模型。最后我們將上述數(shù)據(jù)處理模型與兩種預(yù)測模型組合進(jìn)行訓(xùn)練和預(yù)測,得到四種可以對股票數(shù)據(jù)進(jìn)行預(yù)測的組合模型,得出以下結(jié)論：1)由去噪后的指數(shù)圖形可得,小波偏微分混合去噪在去除噪聲的同時(shí)可以更好的保留原始數(shù)據(jù)的細(xì)節(jié)特征。2)在同一預(yù)測模型背景下,三種數(shù)據(jù)預(yù)測誤差最小的是小波去噪數(shù)據(jù),小波與偏微分方程去噪數(shù)據(jù)次之,原始數(shù)據(jù)最差。3)在相同數(shù)據(jù)背景下,GRNN-DNN模型的預(yù)測效果要優(yōu)于BP-DNN模型。4)在同一神經(jīng)網(wǎng)絡(luò)背景下,雖然就預(yù)測效果而言小波去噪的數(shù)據(jù)預(yù)測效果最好,但這是建立在與預(yù)測值所對比的真實(shí)值是小波去噪后的數(shù)據(jù)。若將幾種組合模型的預(yù)測值與原始數(shù)據(jù)真實(shí)值作對比,小波與偏微分方程去噪模型和GRNN-DNN模型的組合預(yù)測效果最好。
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP18;F832.51

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王崇;趙金樓;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的消費(fèi)者購買行為特征的挖掘[J];情報(bào)雜志;2011年11期

2 劉學(xué)廣,王登峰,常振臣,張建南,薛殿倫;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法在車內(nèi)噪聲參考信號拾取上的應(yīng)用[J];河北工業(yè)科技;2004年03期

3 韓衛(wèi)華,寧佐貴;時(shí)間序列預(yù)測的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)方法[J];微機(jī)發(fā)展;2004年09期

4 田松柏;張耀輝;郭金茂;陳悅峰;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的裝備技術(shù)狀態(tài)預(yù)測模型[J];裝甲兵工程學(xué)院學(xué)報(bào);2007年01期

5 房毅憲;邢延健;李勝正;;時(shí)延動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J];山東輕工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

6 張敏;申曉寧;殷利平;;采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的多模型自適應(yīng)重構(gòu)控制方法[J];計(jì)算機(jī)測量與控制;2012年05期

7 傅鸝，，裴小兵;一種指數(shù)型動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);1996年06期

8 黃金泉,孫健國;非線性系統(tǒng)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)自適應(yīng)辨識(shí)[J];南京航空航天大學(xué)學(xué)報(bào);1999年03期

9 孫富春,孫增圻,慕春棣;采樣非線性系統(tǒng)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)穩(wěn)定自適應(yīng)控制[J];自動(dòng)化學(xué)報(bào);2000年06期

10 諸勇,錢積新;基于魯棒穩(wěn)定高階動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識(shí)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2001年01期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前5條

1 黃西士;吳滄浦;;一種用于跟蹤控制的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)[A];1993中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1993年

2 諸勇;錢積新;;基于魯棒穩(wěn)定高階動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識(shí)[A];1998年中國控制會(huì)議論文集[C];1998年

3 項(xiàng)n\伍;;自適應(yīng)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)控制感應(yīng)電機(jī)系統(tǒng)[A];2003年中國智能自動(dòng)化會(huì)議論文集（上冊）[C];2003年

4 郝悍勇;張宇;孫增圻;;一種基于UIO和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷方法[A];2005年中國智能自動(dòng)化會(huì)議論文集[C];2005年

5 劉耀年;趙明宇;王震宇;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷在線預(yù)測研究[A];中國高等學(xué)校電力系統(tǒng)及其自動(dòng)化專業(yè)第二十四屆學(xué)術(shù)年會(huì)論文集（中冊）[C];2008年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 麥歡歡;非線性的耦合系統(tǒng)一致性問題研究[D];重慶大學(xué);2012年

2 范劍超;微粒群優(yōu)化算法與動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)建模預(yù)測研究[D];大連理工大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 趙晨;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預(yù)測中的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 陳雯吉;基于主成分分析和NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股市情緒指數(shù)構(gòu)建與預(yù)測[D];蘭州大學(xué);2016年

3 張鑫;基于動(dòng)態(tài)建模的短期風(fēng)電功率預(yù)測[D];上海電機(jī)學(xué)院;2016年

4 趙躍波;幾種改進(jìn)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)股指預(yù)測模型研究[D];北京交通大學(xué);2016年

5 譚曉惠;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性研究及應(yīng)用[D];西南交通大學(xué);2002年

6 呂琪;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的交通事件檢測算法[D];浙江大學(xué);2003年

7 王穎;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模理論及優(yōu)化技術(shù)研究[D];東北石油大學(xué);2011年

8 張明;基于改進(jìn)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股票預(yù)測模型的研究[D];內(nèi)蒙古大學(xué);2014年

9 鄭偉范;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[D];西南交通大學(xué);2004年

10 尹嵩;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)的FPGA實(shí)現(xiàn)[D];西安理工大學(xué);2009年

本文編號：1299835