資源描述:
《融合群智能方法bp神經(jīng)網(wǎng)絡模型及其在股市預測中的應用》由會員上傳分享,免費在線閱讀,更多相關內(nèi)容在學術論文-天天文庫。
1、學校代碼:10207分類號:F22學號:4102040004密級:內(nèi)部碩士學位論文融合群智能方法BP神經(jīng)網(wǎng)絡模型及其在股市預測中的應用ImprovedBPNeuralNetworkModelsCombinedSwarmIntelligenceMethodandTheirApplicationstoForecastStockMarket學科專業(yè):數(shù)量經(jīng)濟學研究方向:金融工程姓名:李青召指導教師:王麗敏副教授碩士學位類型:學歷碩士授予單位:吉林財經(jīng)大學二〇一三年三月萬方數(shù)據(jù)萬方數(shù)據(jù)原創(chuàng)性聲明本人聲明所呈交的學位論文是本人在導師指導下進行的研究工作及取得的研究成果。除文中已經(jīng)注
2、明引用的內(nèi)容外,本論文不含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的研究成果,也不包含為獲得吉林財經(jīng)大學或其他教育機構的學位或證書而使用過的材料。對本文的研究做出重要貢獻的個人和集體,均已在文中以明確方式標明。因本學位論文引起的法律結果完全由本人承擔。本學位論文成果歸吉林財經(jīng)大學所有。指導教師簽名:日期:學位論文作者簽名:日期:學位論文版權使用授權書本學位論文作者完全了解吉林財經(jīng)大學有關保留、使用學位論文的規(guī)定,有權保留并向國家有關部門或機構送交論文的復印件和磁盤,允許論文被查閱和借閱。本人授權吉林財經(jīng)大學可以將學位論文的全部或部分內(nèi)容編入有關數(shù)據(jù)庫進行檢索,可以采用影印、縮印
3、或掃描等復制手段保存、匯編學位論文。(保密的學位論文在解密后適用本授權書,本論文:□不保密,□保密期限至年月止)。指導教師簽名:日期:學位論文作者簽名:日期:萬方數(shù)據(jù)中文摘要鑒于智能計算方法具有自適應、自學習、并行性等優(yōu)點,本文以智能計算方法為基礎,通過引入趨勢因子和群智能等方法,提出了改進BP神經(jīng)網(wǎng)絡模型并將其應用于股市預測領域中。具體內(nèi)容包括:(1)通過對BP神經(jīng)網(wǎng)絡的輸入層、隱層和輸出層節(jié)點數(shù)目的確定,建立基于BP神經(jīng)網(wǎng)絡的股市預測模型,并將其對深圳成分指數(shù)進行仿真模擬預測。實驗結果表明,BP神經(jīng)網(wǎng)絡用于股市預測領域是可行的,有效的,具有一定的優(yōu)越性。(2)鑒于趨勢
4、因子具有糾正預測方向的特性,為進一步提高BP神經(jīng)網(wǎng)絡的預測性能,本文將趨勢因子引入到BP神經(jīng)網(wǎng)絡中,提出了引入趨勢因子BP神經(jīng)網(wǎng)絡,即DF-BPNN網(wǎng)絡(BPNeuralNetworkwithDirectionFactor)。實驗結果表明,與基本BP神經(jīng)網(wǎng)絡相比,本文提出的DF-BPNN模型的預測性能優(yōu)于BP神經(jīng)網(wǎng)絡,其預測精度有進一步的改善。(3)鑒于粒子群優(yōu)化算法具有較好的全局搜索能力和優(yōu)化性能,本文利用粒子群優(yōu)化算法對BP神經(jīng)網(wǎng)絡的權重和閾值進行優(yōu)化,提出了一種基于群智能的PSO-BP混合神經(jīng)網(wǎng)絡模型即PSO-BPNN(PSO-BPNeuralNetwork)。另外
5、,采用本文提出的PSO-BPNN模型對深圳成分指數(shù)股市進行預測,得到了令人滿意的結果。(4)針對本文提出的引入趨勢因子BP神經(jīng)網(wǎng)絡和PSO-BP混合神經(jīng)網(wǎng)絡,與基本BP神經(jīng)網(wǎng)絡的預測性能進行比較研究。通過實驗獲得的仿真模擬圖與數(shù)值結果表明,本文提出的引入趨勢因子BP神經(jīng)網(wǎng)絡與PSO-BP混合神經(jīng)網(wǎng)絡的預測性能均優(yōu)于基本BP神經(jīng)網(wǎng)絡,但引入趨勢因子BP神經(jīng)網(wǎng)絡與PSO-BP混合神經(jīng)網(wǎng)絡相比,其預測性能差別較小。關鍵詞:BP神經(jīng)網(wǎng)絡,粒子群優(yōu)化算法,趨勢因子,股市預測I萬方數(shù)據(jù)AbstractInviewoftheintelligentcomputingmethodshave
6、manyadvantagessuchasself-adaptive,self-learning,parallel,etc.,sosomeimprovedBPneuralnetworkmodelsareproposedbyintroducingthedirectionfactorandparticleswarmoptimizationalgorithmintoBPneuralnetworkinthispaper.Inaddition,thepresentedmodelsareusedinthefieldofthestockmarketprediction.Themajorc
7、ontentasfollows:(1)BydeterminingBPneuralnetwork’snodenumber,includinginputlayer,hiddenlayerandoutputlayer,weestablishaBPneuralnetworkpredictionmodelbasedonstockmarketwhichweapplytoforecasttheShenzhenComponentIndex.TheexperimentresultsshowthatBPneuralnetworkusedinthe