資源描述：
《大創(chuàng)中期答辯課件.ppt》由會員上傳分享，免費在線閱讀，更多相關內容在教育資源-天天文庫。
1、xxxxxxxx研究理學院xxxxx2017一項目簡介1.課題主要運用神經(jīng)網(wǎng)絡進行滬深300股指的預測研究內容2.課題采用遺傳算法（GA）、粒子群算法(PSO)等來優(yōu)化神經(jīng)網(wǎng)絡。提高了神經(jīng)網(wǎng)絡的預測效果。3.預計運用深度學習的方法進行預測二項目進展情況1.閱讀股指波動預測模型方面書籍選擇合適的股指預測與實現(xiàn)方法2.閱讀機器學習與神經(jīng)網(wǎng)絡方面的論文及書籍3.利用網(wǎng)絡學習python數(shù)據(jù)分析及機器學習。4.用python編寫多種的神經(jīng)網(wǎng)絡對股指進行預測，并進行誤差分析。三階段性成果第一階段利用python實現(xiàn)BP神經(jīng)網(wǎng)絡。利用2015年4月到2017年8月的503組滬深
2、300指數(shù)數(shù)據(jù)進行了處理和擬合后利用2017年9月的16組數(shù)據(jù)進行股指的預測。即運用前一天的開盤價、收盤價、最高價、最低價預測當日的收盤價。最終BP神經(jīng)網(wǎng)絡預測平均相對誤差為3.226%。開盤價收盤價最高價最低價當日收盤價三階段性成果第二階段（改進）由于BP神經(jīng)網(wǎng)絡權值和閾值的初始化需要利用隨機矩陣，所以它：1、網(wǎng)絡的收斂性較慢，需要較長的訓練時間；2、容易陷入局部最小值。因此我們可以用具有全局搜索性的遺傳算法或粒子群算法作為神經(jīng)網(wǎng)絡的學習算法來訓練網(wǎng)絡的權值和閾值。三階段性成果BP神經(jīng)網(wǎng)絡GA+BP神經(jīng)網(wǎng)絡PSO+BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡擬合基本符合股指變化趨勢前
3、面的峰值部分擬合不太理想GA+BP神經(jīng)網(wǎng)絡的擬合結果相比于BP神經(jīng)網(wǎng)絡有了很明顯的改善PSO+BP神經(jīng)網(wǎng)絡在拐點上擬合結果優(yōu)于GA+BP神經(jīng)網(wǎng)絡三種神經(jīng)網(wǎng)絡的擬合效果對比圖三階段性成果BP神經(jīng)網(wǎng)絡GA+BP神經(jīng)網(wǎng)絡PSO+BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡擬合相對誤差大致穩(wěn)定在[-0.1,0.1]誤差的波動很大，方差很大，擬合結果不太理想GA+BP神經(jīng)網(wǎng)絡的擬合結果誤差相比于BP神經(jīng)網(wǎng)絡小了很多相對誤差集中在[-0.05,0.05]波動比BP神經(jīng)網(wǎng)絡擬合有所改善PSO+BP神經(jīng)網(wǎng)絡相對誤差集中在[-0.05,0.05]略優(yōu)于GA+BP神經(jīng)網(wǎng)絡三種神經(jīng)網(wǎng)絡擬合效果相對誤差的對比
4、圖三階段性成果BP神經(jīng)網(wǎng)絡GA+BP神經(jīng)網(wǎng)絡PSO+BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡遠優(yōu)于略優(yōu)于三種神經(jīng)網(wǎng)絡的預測結果BP神經(jīng)網(wǎng)絡預測平均相對誤差為3.226%，GA+BP神經(jīng)網(wǎng)絡預測平均相對誤差為0.239%，PSO+BP預測平均相對誤差為0.233%。四存在問題及解決方法A1：神經(jīng)網(wǎng)絡的參數(shù)調試目前并沒有一個特定的規(guī)律經(jīng)過多次調試的經(jīng)驗，才能得到更為精準的預測結果A2：更高效的算法來提高程序的運行效率。如GA,PSO。將訓練時間從1h→15minsQ2：訓練神經(jīng)網(wǎng)絡所用時間長（權值、閾值）Q1：進行神經(jīng)網(wǎng)絡的參數(shù)調試十分困難。（學習率，訓練次數(shù)，隱含層網(wǎng)絡的神經(jīng)元個數(shù)）
5、四存在問題及解決方法1.引進新的激活函數(shù)&損失函數(shù)2.用更多數(shù)據(jù)以及指標訓練（乖離率，成交量，日收益率）A3：如何在現(xiàn)有模型上提高預測的精度？Q3：1.增加網(wǎng)絡層數(shù)2.嘗試運用深度學習（后期研究的重點）A4：如何優(yōu)化改進現(xiàn)有的神經(jīng)網(wǎng)絡模型？Q4：四存在問題及解決方法BP神經(jīng)網(wǎng)絡模型和深度學習模型BP神經(jīng)網(wǎng)絡中，采用的是誤差反向傳遞的方式進行，根據(jù)預測值和實際值的差值去改變前面各層的參數(shù)，直至收斂。深度學習是整體的調參方法。原因在于如果采用BP的機制，對于一個多隱層（7層以上），殘差傳播到最前面的層已經(jīng)變得很小。感謝各位的批評指正！
