本文關(guān)鍵詞：基于遺傳算法優(yōu)化的馬爾可夫鏈預(yù)測上證指數(shù)模型的研究

  更多相關(guān)文章： 支持向量機(jī)回歸 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 遺傳算法 馬爾可夫鏈 上證指數(shù)收盤價(jià)預(yù)測

【摘要】：在股票市場不斷發(fā)展的今天,股票投資已成為不少人生活中重要的資本經(jīng)營方式。如何準(zhǔn)確地分析、預(yù)測股市走勢來提高投資收益是投資者十分關(guān)注的問題。近年來隨著人工智能技術(shù)的興起,國內(nèi)外眾多研究學(xué)者對如何將人工智能技術(shù)應(yīng)用于股票預(yù)測領(lǐng)域進(jìn)行大量的研究與探索。本文提出一種將遺傳算法(Genetic Algorithm,GA)與馬爾可夫鏈進(jìn)行組合來分別優(yōu)化徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)模型與支持向量機(jī)回歸(Support Vector Regression,SVR)模型的新方法,并將優(yōu)化后的組合模型應(yīng)用于對上證指數(shù)收盤價(jià)的預(yù)測中。本文做的工作主要有以下幾方面:①詳細(xì)論述了國內(nèi)外學(xué)者對股票預(yù)測的研究現(xiàn)狀,并介紹了本文的相關(guān)技術(shù)基礎(chǔ)知識,為接下來實(shí)現(xiàn)模型奠定良好的基礎(chǔ)。②分別建立兩個(gè)未經(jīng)優(yōu)化的預(yù)測模型——RBF神經(jīng)網(wǎng)絡(luò)模型與SVR模型并預(yù)測上證指數(shù)收盤價(jià)。兩種模型均選取相同時(shí)間范圍的實(shí)驗(yàn)數(shù)據(jù)作為實(shí)驗(yàn)?zāi)Ｐ偷挠?xùn)練樣本和測試樣本。③使用GA優(yōu)化過的馬爾可夫鏈分別對RBF神經(jīng)網(wǎng)絡(luò)模型與SVR模型預(yù)測值與真實(shí)值之間的相對誤差進(jìn)行修正。實(shí)驗(yàn)結(jié)果表明,基于GA優(yōu)化的馬爾可夫鏈的RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高于基于RBF神經(jīng)網(wǎng)絡(luò)模型與基于馬爾可夫鏈優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型,并且基于GA優(yōu)化的馬爾可夫鏈的SVR模型預(yù)測精度比基于SVR模型與基于馬爾可夫鏈優(yōu)化的SVR模型更高。因此,該組合方法具有可行性與有效性。此外,本文對兩種組合模型進(jìn)行對比發(fā)現(xiàn),在預(yù)測精度方面,基于GA優(yōu)化的馬爾可夫鏈的SVR模型優(yōu)于基于GA優(yōu)化的馬爾可夫鏈的RBF神經(jīng)網(wǎng)絡(luò)模型。
【關(guān)鍵詞】：支持向量機(jī)回歸 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 遺傳算法 馬爾可夫鏈 上證指數(shù)收盤價(jià)預(yù)測
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP18;O211.62
【目錄】：

• 中文摘要3-4
• 英文摘要4-8
• 1 緒論8-14
• 1.1 課題背景8-9
• 1.2 課題研究內(nèi)容9-10
• 1.3 課題研究意義10
• 1.4 國內(nèi)外研究現(xiàn)狀10-13
• 1.5 本文組織結(jié)構(gòu)13-14
• 2 相關(guān)技術(shù)及研究基礎(chǔ)14-29
• 2.1 人工神經(jīng)網(wǎng)絡(luò)14-19
• 2.1.1 神經(jīng)元模型14-16
• 2.1.2 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)16-17
• 2.1.3 RBF神經(jīng)網(wǎng)絡(luò)模型17-19
• 2.2 遺傳算法19-22
• 2.2.1 遺傳算法基本原理19-20
• 2.2.2 遺傳算法流程圖20-21
• 2.2.3 遺傳算法涉及理論與技術(shù)21-22
• 2.3 SVR模型22-27
• 2.3.1 統(tǒng)計(jì)學(xué)習(xí)理論22-23
• 2.3.2 支持向量機(jī)23-24
• 2.3.3 支持向量機(jī)回歸24-27
• 2.4 馬爾可夫鏈27-28
• 2.5 本章小結(jié)28-29
• 3 基于單一RBF神經(jīng)網(wǎng)絡(luò)模型與SVR模型29-37
• 3.1 基于RBF神經(jīng)網(wǎng)絡(luò)模型29-33
• 3.1.1 基于RBF神經(jīng)網(wǎng)絡(luò)模型的流程29-30
• 3.1.2 數(shù)據(jù)預(yù)處理30
• 3.1.3 RBF神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置30-31
• 3.1.4 RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果31-33
• 3.2 基于支持向量機(jī)回歸預(yù)測模型33-36
• 3.2.1 SVR模型流程34
• 3.2.2 SVR方法的參數(shù)設(shè)置34-35
• 3.2.3 SVR模型的預(yù)測結(jié)果35-36
• 3.3 本章小結(jié)36-37
• 4 基于GA優(yōu)化的馬爾可夫鏈的RBF神經(jīng)網(wǎng)絡(luò)模型37-49
• 4.1 基于馬爾可夫鏈優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型37-41
• 4.2 基于GA優(yōu)化的馬爾可夫鏈的RBF神經(jīng)網(wǎng)絡(luò)模型的流程41-44
• 4.2.1 GA對馬爾可夫鏈狀態(tài)劃分的優(yōu)化42-43
• 4.2.2 馬爾可夫鏈對預(yù)測誤差的修正43-44
• 4.3 實(shí)驗(yàn)結(jié)果分析44-47
• 4.3.1 基于GA優(yōu)化的馬爾可夫鏈的RBF神經(jīng)網(wǎng)絡(luò)模型實(shí)驗(yàn)結(jié)果分析44-45
• 4.3.2 三種模型預(yù)測性能對比與分析45-47
• 4.4 本章小結(jié)47-49
• 5 基于GA優(yōu)化的馬爾可夫鏈的SVR模型49-60
• 5.1 基于馬爾可夫鏈優(yōu)化的SVR模型50-53
• 5.2 基于GA優(yōu)化的馬爾可夫鏈的SVR模型的流程53-55
• 5.2.1 GA優(yōu)化馬爾可夫鏈狀態(tài)劃分54-55
• 5.2.2 馬爾可夫鏈對預(yù)測誤差的修正55
• 5.3 實(shí)驗(yàn)結(jié)果分析55-59
• 5.3.1 基于GA優(yōu)化的馬爾可夫鏈的SVR模型實(shí)驗(yàn)結(jié)果分析55-57
• 5.3.2 模型預(yù)測性能對比與分析57-59
• 5.4 本章小結(jié)59-60
• 6 總結(jié)與展望60-62
• 6.1 工作總結(jié)60
• 6.2 未來的展望60-62
• 致謝62-63
• 參考文獻(xiàn)63-67
• 附錄67
• A. 作者在攻讀學(xué)位期間發(fā)表的論文目錄67

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉迎春;;滬深300指數(shù)與上證指數(shù)關(guān)系的實(shí)證研究[J];遼寧經(jīng)濟(jì);2008年12期

2 姜娉婷;劉穎博;;上證指數(shù)與基金資產(chǎn)配置相關(guān)性實(shí)證研究[J];金融經(jīng)濟(jì);2009年14期

3 葉中行,楊利平;上證指數(shù)的混沌特性分析[J];上海交通大學(xué)學(xué)報(bào);1998年03期

4 朱寧;徐標(biāo);仝殿波;;上證指數(shù)的時(shí)間序列預(yù)測模型[J];桂林電子工業(yè)學(xué)院學(xué)報(bào);2006年02期

5 范漪涵;;生存模型對上證指數(shù)漲跌天數(shù)的探討[J];科協(xié)論壇(下半月);2007年03期

6 王強(qiáng);秦安增;;上證指數(shù)短期預(yù)測的數(shù)學(xué)模型[J];電腦編程技巧與維護(hù);2009年04期

7 欒s，

本文編號：945089