本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)與智能算法的股價預(yù)測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著經(jīng)濟改革的深入,人們對股票市場越來越重視,對股票預(yù)測的方法也不斷改進.本文對粒子群算法(PSO)和遺傳算法(GA)進行改進,提出了二者混合算法,并用BP神經(jīng)網(wǎng)絡(luò)結(jié)合粒子群算法、遺傳算法和它們的混合算法,對股票價格進行預(yù)測.主要內(nèi)容如下:本文首先介紹了人工神經(jīng)網(wǎng)絡(luò)、粒子群算法、遺傳算法相關(guān)原理、流程、優(yōu)點及缺陷,并分別提出改進慣性權(quán)重PSO,選擇種子法GA.其中,改進慣性權(quán)重PSO在慣性權(quán)值下降到某一數(shù)值,且兩次迭代適應(yīng)值之差小于另外某一數(shù)值時,給慣性權(quán)重一小增量;選擇種子GA在進行遺傳運算時,對原種群復制兩次,一份用于交叉,一份用于變異,再把三份合起來,取適應(yīng)值最高的前三分一個體作為下一代種群.接著,用4個測試函數(shù)比較這些算法,結(jié)果顯示,改進慣性權(quán)重法PSO、選擇算子法GA優(yōu)于傳統(tǒng)方法.然后提出了PSO和GA并聯(lián)算法.該算法在每步開始時進行信息交流,各取PSO和GA適應(yīng)值前10個粒子,對取出粒子的適應(yīng)值進行排序,把排序前10個粒子放進PSO和GA中,替代取出的粒子,然后同時進行改進慣性權(quán)重PSO和選擇種子GA迭代,并用上述4個測試函數(shù)測試該算法和另外兩種PSOGA串聯(lián)算法,結(jié)果顯示,PSO和GA并聯(lián)算法效果最好.最后采用改進效果較好的改進慣性權(quán)重PSO、選擇種子法GA及PSO、GA并聯(lián)算法,結(jié)合BP神經(jīng)網(wǎng)絡(luò),對股價進行預(yù)測,并與現(xiàn)有方法進行了比較.本文采用Matlab 2010b編程,利用英國設(shè)菲爾德大學(Sheffield)神經(jīng)網(wǎng)絡(luò)工具箱進行了仿真實驗,數(shù)值結(jié)果顯示,選擇種子GA結(jié)合BP神經(jīng)網(wǎng)絡(luò)的預(yù)測效果較好.
【關(guān)鍵詞】：股票 BP神經(jīng)網(wǎng)絡(luò) 粒子群算法 遺傳算法 PSOGA并聯(lián)算法
【學位授予單位】：深圳大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：F832.51;TP18
【目錄】：

• 摘要4-5
• Abstract5-10
• 第1章 緒論10-13
• 1.1 研究背景與研究意義10
• 1.2 國內(nèi)外研究現(xiàn)狀10-11
• 1.3 本文主要研究內(nèi)容11-12
• 1.4 研究內(nèi)容與章節(jié)安排12-13
• 第2章 BP神經(jīng)網(wǎng)絡(luò)和智能算法13-37
• 2.1 人工神經(jīng)網(wǎng)絡(luò)綜述13-15
• 2.1.1 人工神經(jīng)網(wǎng)絡(luò)的定義13
• 2.1.2 人工神經(jīng)網(wǎng)絡(luò)的原理13-14
• 2.1.3 人工神經(jīng)網(wǎng)絡(luò)的種類14-15
• 2.2 BP神經(jīng)網(wǎng)絡(luò)15-18
• 2.2.1 BP神經(jīng)網(wǎng)絡(luò)簡介15
• 2.2.2 BP神經(jīng)網(wǎng)絡(luò)原理[15]15-18
• 2.2.3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化18
• 2.2.4 BP神經(jīng)網(wǎng)絡(luò)不足18
• 2.3 粒子群算法18-20
• 2.3.1 粒子群算法簡介18-19
• 2.3.2 粒子群算法流程19-20
• 2.3.3 粒子群算法優(yōu)點和不足20
• 2.4 粒子群算法的改進20-28
• 2.4.1 前人的工作20-22
• 2.4.2 本文的改進方法22
• 2.4.3 測試函數(shù)22-23
• 2.4.4 粒子群算法優(yōu)化測試23-28
• 2.5 遺傳算法28-30
• 2.5.1 遺傳算法的來源28
• 2.5.2 遺傳算法各組成部分28-29
• 2.5.3 遺傳算法流程29-30
• 2.6 遺傳算法的改進30-37
• 2.6.1 前人的工作30
• 2.6.2 本文的改進方法30-31
• 2.6.3 測試函數(shù)31
• 2.6.4 遺傳算法優(yōu)化測試31-37
• 第3章 智能算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合37-50
• 3.1 PSO-BP混合算法37-39
• 3.1.1 智能算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)的必要性37
• 3.1.2 PSO-BP混合算法設(shè)計37-38
• 3.1.3 PSO-BP混合算法實現(xiàn)步驟38-39
• 3.2 GA-BP混合算法39-40
• 3.2.1 GA-BP混合算法總體設(shè)計39
• 3.2.2 GA-BP混合算法具體設(shè)計39
• 3.2.3 GA-BP混合算法流程39-40
• 3.3 PSO、GA串聯(lián)與BP混合算法40-42
• 3.3.1 算法流程41-42
• 3.3.2 算法測試時的變化42
• 3.4 PSO、GA并聯(lián)與BP混合算法42-43
• 3.4.1 算法描述42-43
• 3.4.2 算法流程43
• 3.5 PSO、GA串、并聯(lián)算法測試43-50
• 3.5.1 測試程序43-44
• 3.5.2 測試函數(shù)44
• 3.5.3 測試細節(jié)44-50
• 第4章 混合算法預(yù)測股價50-57
• 4.1 預(yù)測方法50
• 4.2 實驗環(huán)境50-51
• 4.3 測試結(jié)果51-56
• 4.4 結(jié)論56-57
• 第5章 總結(jié)與展望57-58
• 5.1 總結(jié)57
• 5.2 展望57-58
• 參考 文獻58-61
• 致謝61-62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 張丹;韓勝菊;李建;聶尚宇;;基于改進粒子群算法的BP算法的研究[J];計算機仿真;2011年02期

2 孟非;潘朋朋;;基于混沌PSO-BP混合算法的神經(jīng)網(wǎng)絡(luò)[J];計算機仿真;2011年02期

3 錢玉良;張浩;彭道剛;夏飛;;基于GA-PSO-BP的發(fā)電機組故障診斷[J];華東電力;2012年07期

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 劉海s

本文編號：402213