時間序列分析、預測與挖掘是數(shù)據(jù)分析建模的重要手段,廣泛應用于氣象、金融、工程等領(lǐng)域,具有重要的研究價值[1]。股票,作為一種最典型的時間序列數(shù)據(jù),金融市場的晴雨表,自出現(xiàn)以來就受到投資者的關(guān)注。因為股票自身的長期發(fā)展趨勢、周期性的變化、季節(jié)性的變化和不規(guī)則運動,相比于其他統(tǒng)計數(shù)據(jù)要更復雜。高度波動且非規(guī)律變化數(shù)據(jù)的持續(xù)增長,使研究出更自動的能提取出有意義統(tǒng)計結(jié)論的有效分析方法需求非常迫切[2]。作為探索有價值隱藏信息的過程,數(shù)據(jù)挖掘在金融時間序列分析上已經(jīng)發(fā)揮了很大的作用。所以數(shù)據(jù)挖掘為投資者提供了有前瞻性和知識導向的決策,以幫助投資者用更小的投資風險成功獲利[3]。本文在此背景下,對基于神經(jīng)網(wǎng)絡的金融時間序列預測算法進行了詳細研究。主要的研究內(nèi)容及貢獻如下:第一,分析了一種極限學習機(Exretrme Learning Machine,ELM)訓練方法下的計算效率函數(shù)連接型神經(jīng)網(wǎng)絡(Computational Efficient Functional Link Artificial Neural Network,CEFLANN)模型。該模型能通過CEFLANN有效地反映復雜金融時間序...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 主要研究內(nèi)容
    1.3 主要創(chuàng)新點
    1.4 論文結(jié)構(gòu)安排
第二章 極限學習機下的計算效率泛函連接人工神經(jīng)網(wǎng)絡
    2.1 算法背景
        2.1.1 神經(jīng)網(wǎng)絡理論
        2.1.2 單隱藏層前饋神經(jīng)網(wǎng)絡
        2.1.3 泛函連接人工神經(jīng)網(wǎng)絡
        2.1.4 極限學習機理論
    2.2 基于極限學習機的計算效率泛函連接人工神經(jīng)網(wǎng)絡模型
        2.2.1 模型原理
        2.2.2 模型流程
    2.3 仿真實驗
        2.3.1 實驗設計
        2.3.2 性能評價
    2.4 實驗結(jié)果
        2.4.1 數(shù)據(jù)描述
        2.4.2 功能擴展模塊節(jié)點數(shù)設置
        2.4.3 性能評價函數(shù)
        2.4.4 股票交易系統(tǒng)
    2.5 本章小結(jié)
第三章 利用粒子群算法的在線順序極限學習機優(yōu)化
    3.1 算法背景
        3.1.1 在線順序極限學習機原理
        3.1.2 粒子群優(yōu)化算法
    3.2 基于粒子群優(yōu)化算法的在線順序極限學習機
        3.2.1 算法基本流程
        3.2.2 性能評價
    3.3 算法仿真
        3.3.1 實驗準備
        3.3.2 實驗結(jié)果
    3.4 本章小結(jié)
第四章 利用隨機蛙跳算法的極限學習機優(yōu)化
    4.1 算法背景
        4.1.1 基本的SFLA算法思想
        4.1.2 算法的組成要素及其模型
        4.1.3 SFLA算法的參數(shù)設置和終止條件
    4.2 利用隨機蛙跳算法的極限學習機優(yōu)化
        4.2.1 算法思想
        4.2.2 算法流程
    4.3 算法仿真
        4.3.1 實驗準備
        4.3.2 實驗結(jié)果
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文研究工作總結(jié)
    5.2 未來研究工作展望
參考文獻
致謝



本文編號：3929671