隨著中國經(jīng)濟的迅猛發(fā)展,大量和金融相關(guān)的企業(yè)正在快速崛起,例如螞蟻金服旗下的余額寶。上億的用戶導(dǎo)致了余額寶每天都有大量資金的流入和流出,隨著用戶群的日漸擴大,資金的管理壓力也在隨之增加。在既要降低資金流動風(fēng)險又要使得日常業(yè)務(wù)正常運轉(zhuǎn)的情況下,對未來資金流量的大小作出準確的預(yù)測是一件極為重要的事情。查閱相關(guān)文獻和資料可以知道,如今在實際操作里經(jīng)常被使用的模型有BP神經(jīng)網(wǎng)絡(luò)模型和ARIMA時間序列模型。由于原始數(shù)據(jù)的量級太大,在使用前,需要將其處理成量級較小的序列數(shù)據(jù)。這里的BP神經(jīng)網(wǎng)絡(luò)采用了一步迭代法進行預(yù)測,即每次預(yù)測一個結(jié)果,再將預(yù)測結(jié)果和前面的數(shù)據(jù)結(jié)合起來再次進入到下一步的預(yù)測,依此循環(huán)得到全部的預(yù)測結(jié)果。在進行預(yù)測之前,須要對模型進行訓(xùn)練,訓(xùn)練的好壞依賴于對模型參數(shù)的設(shè)定,只要訓(xùn)練的模型達到收斂也就是訓(xùn)練過程中的誤差一旦達到事先設(shè)定的誤差時,模型就會停止訓(xùn)練,這時訓(xùn)練好的模型就可以用于接下來的預(yù)測。為了使網(wǎng)絡(luò)模型擬合效果有所比較,接下來再使用時間序列模型進行分析。這里的原始數(shù)據(jù)是不穩(wěn)定的時間序列數(shù)據(jù),因此需要進行差分變換使其成為穩(wěn)定的時間序列,再對序列進行白噪聲檢驗和正態(tài)性檢驗,... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：44 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．１?ＢＰ神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)??

?宦畚模崳姡?牐停粒櫻裕牛搖?櫻牐裕齲牛櫻桑櫻崳?為：最大循環(huán)次數(shù)為５０００次，學(xué)習(xí)精度為０．０００１，學(xué)習(xí)速率為０．０１，每１００個輪??回顯示一次結(jié)果。下圖３．４為模型結(jié)構(gòu)圖。??Ｎ＾ｙｒａｌ?Ｎｅｔｗｏｒｋ?”????Ｕｙ＃ｒ??Ｕｙ＃ｒ????Ｚ?’?１??Ａｌｇｏｒｉｔｈｍｓ??Ｔｒａｉｎｉｎｇ：?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ?ｗｉｔｈ?Ｍｏｍｅｎｔｕｍ?＆．?Ａｄａｐｔｉｖｅ?ＬＲ?（ｔｒａｉｎｇｃｋｌ??Ｐｅｒｆｏｒｍａｎｃｅ：?Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ?Ｉｍｓｅ）??Ｃａｉｃｕｌａｔｉｏｎｓ：?ＭＥＸ??圖３．４?ＢＰ神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)??３．４．３預(yù)測結(jié)果分析??當(dāng)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成后，可以得到相應(yīng)的預(yù)測結(jié)果和圖形，通過圖３．５和??３．６可以知道模型的擬合效果。模型的識別率大概在９５％左右的，且訓(xùn)練１００次左??右模型達到收斂狀態(tài)。如果ｉ？值越和１越接近且均方根誤差證的值越小，則說??明模型的訓(xùn)練效果越好。從下圖３．５可以知道，申購序列的及＝０．８７、見＝?０．２９０９，??贖出序列的ｉ？?＝?０．９１、ｉ？ＭＳ￡?＝?０．２９１７，其中的均方根誤差是通過計算得出。??根據(jù)上面的結(jié)果，ＢＰ神經(jīng)網(wǎng)絡(luò)模型對本章數(shù)據(jù)的訓(xùn)練精度較高，且模型的擬??合效果也比較準確。為了使得神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果有所比較，下面將使用時間??序列模型再對本文的數(shù)據(jù)進行探索性分析。??Ｔｒａｉｎｉｎｇ：?Ｒ＝０＾６６２８?Ｔｒａｉｎｉｎｇ：?Ｒ＝？．９１２１５??１

?宦畚模崳姡?牐停粒櫻裕牛搖?櫻牐裕齲牛櫻桑櫻崳?為：最大循環(huán)次數(shù)為５０００次，學(xué)習(xí)精度為０．０００１，學(xué)習(xí)速率為０．０１，每１００個輪??回顯示一次結(jié)果。下圖３．４為模型結(jié)構(gòu)圖。??Ｎ＾ｙｒａｌ?Ｎｅｔｗｏｒｋ?”????Ｕｙ＃ｒ??Ｕｙ＃ｒ????Ｚ?’?１??Ａｌｇｏｒｉｔｈｍｓ??Ｔｒａｉｎｉｎｇ：?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ?ｗｉｔｈ?Ｍｏｍｅｎｔｕｍ?＆．?Ａｄａｐｔｉｖｅ?ＬＲ?（ｔｒａｉｎｇｃｋｌ??Ｐｅｒｆｏｒｍａｎｃｅ：?Ｍｅａｎ?Ｓｑｕａｒｅｄ?Ｅｒｒｏｒ?Ｉｍｓｅ）??Ｃａｉｃｕｌａｔｉｏｎｓ：?ＭＥＸ??圖３．４?ＢＰ神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)??３．４．３預(yù)測結(jié)果分析??當(dāng)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成后，可以得到相應(yīng)的預(yù)測結(jié)果和圖形，通過圖３．５和??３．６可以知道模型的擬合效果。模型的識別率大概在９５％左右的，且訓(xùn)練１００次左??右模型達到收斂狀態(tài)。如果ｉ？值越和１越接近且均方根誤差證的值越小，則說??明模型的訓(xùn)練效果越好。從下圖３．５可以知道，申購序列的及＝０．８７、見＝?０．２９０９，??贖出序列的ｉ？?＝?０．９１、ｉ？ＭＳ￡?＝?０．２９１７，其中的均方根誤差是通過計算得出。??根據(jù)上面的結(jié)果，ＢＰ神經(jīng)網(wǎng)絡(luò)模型對本章數(shù)據(jù)的訓(xùn)練精度較高，且模型的擬??合效果也比較準確。為了使得神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果有所比較，下面將使用時間??序列模型再對本文的數(shù)據(jù)進行探索性分析。??Ｔｒａｉｎｉｎｇ：?Ｒ＝０＾６６２８?Ｔｒａｉｎｉｎｇ：?Ｒ＝？．９１２１５??１

【參考文獻】：
期刊論文
[1]基于ARMA-GARCH模型的資金流預(yù)測方法[J]. 周海峰.  軟件導(dǎo)刊. 2017(01)
[2]ARMA模型在小麥價格指數(shù)預(yù)測中的應(yīng)用[J]. 許鳳華,魏媛.  統(tǒng)計與決策. 2015(08)
[3]基于ARIMA的電力視頻流量分析和預(yù)測[J]. 崔振輝,李林川,趙承利,楊挺.  天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版). 2015(01)
[4]時間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測中的分析[J]. 劉海玥,白艷萍.  數(shù)學(xué)的實踐與認識. 2011(04)
[5]基于AR模型的海洋環(huán)境噪聲仿真預(yù)測研究[J]. 齊立新,賈云龍,唐海川.  海洋技術(shù). 2010(02)
[6]ARIMA模型在社會消費品零售總額預(yù)測中的應(yīng)用[J]. 張曉峰,李博.  商場現(xiàn)代化. 2007(32)
[7]Combination prediction method of chaotic time series[J]. ZHAO DongHua, RUAN Jiong & CAI ZhiJie Institute of Mathematics and Laboratory of Nonlinear Model and Method, Fudan University, Shanghai 200433, China.  Chinese Science Bulletin. 2007(04)
[8]ARIMA模型在福建省GDP預(yù)測中的應(yīng)用[J]. 趙蕾,陳美英.  科技和產(chǎn)業(yè). 2007(01)
[9]基于時間序列的BP神經(jīng)網(wǎng)絡(luò)的滑坡預(yù)測預(yù)報及其在Matlab中的實現(xiàn)[J]. 劉莉,賀聰.  中國水運(理論版). 2006(12)
[10]BP網(wǎng)絡(luò)應(yīng)用于黃河水質(zhì)的預(yù)測研究[J]. 陳麗華,常沁春,陳興國,胡之德.  蘭州大學(xué)學(xué)報. 2003(02)

碩士論文
[1]基于時間序列模型的天津市房地產(chǎn)市場研究[D]. 鄧琳佳.天津大學(xué) 2016
[2]人工神經(jīng)網(wǎng)絡(luò)在金融時間序列數(shù)據(jù)預(yù)測中的應(yīng)用研究[D]. 羊巍.貴州大學(xué) 2009



本文編號：3040820