论文部分内容阅读
股票市场是与人们的生活、社会稳定和经济发展密切相关的金融市场,如何有效地分析和预测股市走势一直是人们关注研究的问题,现在已经提出了很多理论方法和技术。在这些方法中,人工神经网络由于其独特的结构和处理信息的方法,高度并行、分布式存储等特点,特别适合于处理不确定的模糊信息和要同时考虑许多因素条件的问题,因此在股市分析中越来越受到人们的重视。 由于股市行情的涨落是一个时间序列问题,现在时刻的股票价格是受前一段时间的股市变化因素的影响的。因此在使用神经网络理论对股票市场进行分析预测时,对神经网络的数据预处理方法、回溯时间、学习算法和结构等方面都有独特的要求。本论文通过建立一个基于神经网络的股票价格预测系统(NEUSPF),研究了股市应用中这几方面的问题。 1.分析了神经网络的数据预处理方法,常用的特征提取方法——主成分分析法,在分析时没有考虑原始数据和分析的目标的关系,带有较大的盲目性。基于这点,我们提出相关主成分分析法,通过求原始数据与分析目标之间的相关系数,提取出与目标具有最大相关性的特征项。这种方法在NEUSPF系统中的应用表明,相关主成分分析法比主成分分析法为系统提供的数据更能反映原始数据的变化情况。 2.分析了传统的BP算法,为解决要同时调整算法中的两个参数一学习速率η和动量参数α的问题,我们引入第三参数—调节参数ρ,这样就可以只调整ρ的值,而保持η和α的值不变,从而使调节两个参数的复杂问题,简化为只要调整一个参数。并且根据股票预测的时间序列特点,在误差计算中加入时间敏感性系数,提出了时间敏感性误差,有利于神经网络的训练学习,提高了系统的预测能力。 3.时间序列问题都存在回溯时间长短的选择问题,过短或过长的回溯期都将影响系统的性能。在NEUSPF系统中,结合