本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列研究與應(yīng)用

  更多相關(guān)文章： 股票預(yù)測(cè) 混沌時(shí)間序列 神經(jīng)網(wǎng)絡(luò) 粒子群算法 局域預(yù)測(cè)

【摘要】：隨著國(guó)民收入的不斷提高以及人們投資觀念的不斷增強(qiáng),保持金融市場(chǎng)穩(wěn)定發(fā)展已經(jīng)成為金融投資領(lǐng)域的研究熱點(diǎn)。股票作為金融市場(chǎng)的重要組成部分,其價(jià)格走勢(shì)一定程度上反映了金融市場(chǎng)的健康程度,能夠及時(shí)預(yù)測(cè)股票價(jià)格走勢(shì)已經(jīng)成為政府和投資者的頭等大事。股票價(jià)格走勢(shì)具有典型的非線性特征,而且對(duì)于一些復(fù)雜的系統(tǒng),其內(nèi)部信息蘊(yùn)含著混沌特性,導(dǎo)致傳統(tǒng)時(shí)間序列預(yù)測(cè)模型無(wú)法充分挖掘系統(tǒng)的內(nèi)在特性,嚴(yán)重影響模型的預(yù)測(cè)效果。本文基于混沌局域法預(yù)測(cè)思想,將系統(tǒng)內(nèi)部信息從低維空間映射到了高維空間,更充分地挖掘和恢復(fù)了系統(tǒng)的內(nèi)在特性,并利用RBF神經(jīng)網(wǎng)絡(luò)收斂速度快、結(jié)構(gòu)簡(jiǎn)單的優(yōu)點(diǎn)以及粒子群優(yōu)化算法較強(qiáng)的全局搜索能力,來(lái)充分挖掘相點(diǎn)間的演化規(guī)律,建立了基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的混沌局域預(yù)測(cè)模型。全文主要工作如下:1)由于局域法預(yù)測(cè)效果依賴(lài)于臨近點(diǎn)的選取,“偽臨近點(diǎn)”的存在將嚴(yán)重影響到局域法預(yù)測(cè)效果。為了提高局域法預(yù)測(cè)模型的精度,首先針對(duì)現(xiàn)有的臨近點(diǎn)選取方法的不足,提出了基于李雅普諾夫指數(shù)改進(jìn)的臨近點(diǎn)選取方法,為建立預(yù)測(cè)模型打下基礎(chǔ)。由于傳統(tǒng)歐氏距離無(wú)法客觀反映相點(diǎn)各維分量對(duì)預(yù)測(cè)的影響,根據(jù)混沌時(shí)間序列具有初值敏感性的特點(diǎn),利用最大李雅普諾夫指數(shù)構(gòu)造權(quán)系數(shù)對(duì)歐氏距離進(jìn)行改進(jìn)并構(gòu)造距離關(guān)聯(lián)度,將距離關(guān)聯(lián)度和向量夾角余弦作為相空間中相點(diǎn)間的空間關(guān)系和演化趨勢(shì)的評(píng)價(jià)標(biāo)準(zhǔn),并考慮到相空間中相點(diǎn)的演化趨勢(shì)與其前S步相點(diǎn)存在相關(guān)性的特點(diǎn),通過(guò)追蹤前S步相點(diǎn)的演化趨勢(shì),提出了改進(jìn)的臨近點(diǎn)選取方法。利用Lorenz方程x分量產(chǎn)生的混沌時(shí)間序列進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明利用改進(jìn)方法選取的臨近點(diǎn)進(jìn)行預(yù)測(cè),其預(yù)測(cè)精度比其它傳統(tǒng)方法更高。2)針對(duì)于具有混沌特性的股票時(shí)間序列,利用RBF神經(jīng)網(wǎng)絡(luò)的收斂速度快、結(jié)構(gòu)簡(jiǎn)單的優(yōu)點(diǎn)建立了基于RBF神經(jīng)網(wǎng)絡(luò)的混沌全域預(yù)測(cè)模型,對(duì)浦發(fā)銀行歷史股票日收盤(pán)價(jià)進(jìn)行預(yù)測(cè),模型的預(yù)測(cè)效果不佳。基于混沌時(shí)間序列的局域法預(yù)測(cè)思想,提出了一種改進(jìn)的股票價(jià)格預(yù)測(cè)模型。首先利用改進(jìn)的臨近點(diǎn)選取方法,合理選取臨近點(diǎn)。之后利用粒子群優(yōu)化算法的全局搜索能力來(lái)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值ij?、基函數(shù)中心ic以及標(biāo)準(zhǔn)差i?,提出了改進(jìn)的預(yù)測(cè)模型——基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的混沌局域預(yù)測(cè)模型。最后實(shí)驗(yàn)對(duì)比結(jié)果顯示,改進(jìn)模型的預(yù)測(cè)精度更高,說(shuō)明了改進(jìn)模型的有效性。
【關(guān)鍵詞】：股票預(yù)測(cè) 混沌時(shí)間序列 神經(jīng)網(wǎng)絡(luò) 粒子群算法 局域預(yù)測(cè)
【學(xué)位授予單位】：沈陽(yáng)工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：O211.61;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-17
• 1.1 混沌時(shí)間序列的研究背景、意義及研究現(xiàn)狀9-13
• 1.1.1 混沌時(shí)間序列的研究背景、意義9
• 1.1.2 混沌時(shí)間序列的研究現(xiàn)狀9-13
• 1.2 神經(jīng)網(wǎng)絡(luò)的研究背景、意義及研究現(xiàn)狀13-15
• 1.2.1 神經(jīng)網(wǎng)絡(luò)的研究背景、意義13-14
• 1.2.2 神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀14-15
• 1.3 論文結(jié)構(gòu)及主要研究成果15-17
• 第2章 與課題相關(guān)的基礎(chǔ)理論17-30
• 2.1 混沌時(shí)間序列的基礎(chǔ)理論17-25
• 2.1.1 混沌時(shí)間序列相空間重構(gòu)的常見(jiàn)方法17-21
• 2.1.2 混沌時(shí)間序列識(shí)別的常見(jiàn)方法21-23
• 2.1.3 混沌時(shí)間序列預(yù)測(cè)的常見(jiàn)方法23-25
• 2.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的基礎(chǔ)理論25-28
• 2.2.1 RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)25-26
• 2.2.2 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法26-28
• 2.3 粒子群優(yōu)化算法的基礎(chǔ)理論28-30
• 2.3.1 粒子群算法的基本原理28
• 2.3.2 粒子群算法的優(yōu)化流程28-30
• 第3章 局域法預(yù)測(cè)中臨近點(diǎn)選取方法的改進(jìn)30-38
• 3.1 引言30-31
• 3.2 傳統(tǒng)臨近點(diǎn)選取方法31-33
• 3.2.1 傳統(tǒng)歐氏距離法31-32
• 3.2.2 向量夾角余弦法32
• 3.2.3 關(guān)聯(lián)度法32-33
• 3.3 基于李雅普諾夫指數(shù)的臨近點(diǎn)選取方法的改進(jìn)33-34
• 3.4 仿真實(shí)驗(yàn)34-37
• 3.5 本章小結(jié)37-38
• 第4章 基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)38-47
• 4.1 引言38-39
• 4.2 基于RBF神經(jīng)網(wǎng)絡(luò)混沌全域法預(yù)測(cè)模型的建立39-41
• 4.2.1 基于RBF神經(jīng)網(wǎng)絡(luò)混沌全域法預(yù)測(cè)模型的建模過(guò)程39-40
• 4.2.2 仿真實(shí)驗(yàn)40-41
• 4.2.3 實(shí)驗(yàn)結(jié)果分析41
• 4.3 基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)混沌局域預(yù)測(cè)模型的建立41-46
• 4.3.1 基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化過(guò)程41-42
• 4.3.2 基于粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的混沌局域預(yù)測(cè)模型的建立42
• 4.3.3 仿真實(shí)驗(yàn)42-45
• 4.3.4 實(shí)驗(yàn)結(jié)果分析45-46
• 4.4 本章小結(jié)46-47
• 第5章 結(jié)論與展望47-48
• 參考文獻(xiàn)48-51
• 附錄A 浦發(fā)銀行股票歷史日收盤(pán)價(jià)51-54
• 在學(xué)研究成果54-55
• 致謝55

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李壽濤;田微;郭鵬程;馬用學(xué);張浩;王楠;;基于模糊自適應(yīng)的BP神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)行駛車(chē)輛車(chē)長(zhǎng)測(cè)算[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2015年06期

2 吳華穩(wěn);王富章;;基于最大Lyapunov指數(shù)的鐵路煤炭發(fā)送量預(yù)測(cè)研究[J];交通運(yùn)輸系統(tǒng)工程與信息;2013年06期

3 韓敏;王新迎;;多元混沌時(shí)間序列的加權(quán)極端學(xué)習(xí)機(jī)預(yù)測(cè)[J];控制理論與應(yīng)用;2013年11期

4 文富勇;;基于混沌時(shí)間序列的大壩變形監(jiān)測(cè)自適應(yīng)預(yù)測(cè)模型[J];水力發(fā)電;2013年11期

5 鄔開(kāi)俊;王鐵君;;基于RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化的混沌時(shí)間序列預(yù)測(cè)[J];計(jì)算機(jī)工程;2013年10期

6 盧輝斌;李丹丹;孫海艷;;PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2015年02期

7 孫炯;梁錦強(qiáng);劉凱;;一種基于最小二乘法的廣義加權(quán)組合預(yù)測(cè)模型[J];科技通報(bào);2013年08期

8 劉家和;金秀;陳露艷;苑瑩;;基于IDNPSO-BP神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)指數(shù)預(yù)測(cè)[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

9 張金良;譚忠富;;混沌時(shí)間序列的混合預(yù)測(cè)方法[J];系統(tǒng)工程理論與實(shí)踐;2013年03期

10 張琛;徐國(guó)麗;;基于云遺傳的RBF神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2014年16期

，

本文編號(hào)：856330