论文部分内容阅读
随着市场经济的不断发展和中国股市的规范化、正规化,股票投资不断兴起,股票市场在金融投资领域占有越来越重要的地位。因此较准确地描述股价走势,不但对我们日常生活产生巨大影响,也会对我国经济的持续发展提供有价值的参考。传统的股票预测方法不能很好地的分析和拟合高度非线性、多因素影响的股票市场,存在预测精度不高、预测速度较慢等问题。而人工神经网络以其良好的非线性逼近性以及自适应、自组织等特点被广泛应用在金融领域。本文基于神经网络模型并结合多元线性回归分析以及主成分分析在股票预测中的作用,分别提出基于多元回归的Elman神经网络组合模型和基于主成分分析的Elman神经网络组合模型,并利用包钢股份数据进行仿真实验,检验模型的预测效果。1)多元回归神经网络模型。多元线性回归根据解释变量与被解释变量之间的线性关系而建立回归模型的过程。本文利用多元线性回归和神经网络相结合的方法进行预测,将多元线性回归方法预测结果作为Elman神经网络的输入层神经元,经过神经网络学习和训练得到预测结果。结果表明,与单一神经网络模型预测结果相比,组合模型预测精度和预测速度有较大提升,更加适合处理数据信息复杂的系统。2)主成分神经网络模型。利用主成分法进行降维,将多个解释变量通过线性变化转化为少数主成分的过程。单一的Elman神经网络输入向量过于复杂,数据之间存在一定相关性。为了减小数据之间的冗余度,利用主成分分析法来分析股票指数之间的相关性,形成新的样本集,并将新的样本集作为Elman的训练数据。不仅减少了网络建模时输入数,而且能够有效地提高网络学习效率。为了检验模型预测效果,建立结构相同的BP神经网络和Elman神经网络模型,并利用原始数据进行预测。运用软件matlab和eviews对包钢股份2013年4月12日到2014年3月26日期间股票收盘价进行仿真预测,结果表明基于主成分分析的Elman神经网络预测模型具有较高的预测精度、较快的网络训练速度,能够更好的预测该股票价格走势。