随着经济的发展和人们投资意识的转变,股票已成为现代人生活中的一个重要组成部分。投资者们一直在探索股票市场的内在运行规律,试图寻找更加有效的分析方法和工具。因此,对于股市规律的研究和预测具有重要应用价值。但是股票市场内部结构的复杂性和外部因素的多变性使得传统的预测方法很难取得令人满意的效果。本文正是在这样的背景下对股票市场的预测进行了研究。 本文首先分析了当前股市预测的现状,并系统分析说明了模糊系统与粒子群算法的机理、基本概念、模型描述等有关知识和研究现状。 随后,本文设计了一种带速度变异的改进粒子群算法RPSO。针对基本粒子群算法容易陷入局部极小和求解精度欠佳的问题,在设定情况下对粒子速度进行变异改变粒子轨迹,从而使粒子更可能找到或接近全局最优点。经Rastrigrin函数、Griewank函数和Rosenbrock函数对RPSO算法和基本PSO算法进行测试,结果表明,RPSO算法更容易跳出局部最优,寻优能力更好。 在改进粒子群算法基础上,本文提出了一种模糊系统辨识新方法。使用一种无监督的聚类算法对模糊系统结构辨识,此算法能够有效克服传统模糊c-means(FCM)算法必须预先确定聚类数量,且聚类结果受聚类中心选择和距离测量的影响的缺陷；在对模糊系统参数辨识时,采用改进粒子群算法进行寻优,充分利用粒子群算法对大规模数据寻优速度快的优点。随后,本文给出了基于RPSO算法和无监督聚类算法的模糊系统建模与辨识步骤,并对粒子的编码方式、搜索范围和适应度函数进行了设计,通过一个算例验证了这种方法的有效性。 最后,本文采用这种方法对上证综合指数收盘指数和中国石化某一时期内的股票价格进行了预测。实验结果表明,本文提出的基于RPSO算法的模糊模型辨识方法都能够较好的构造模糊系统的规则和辨识模糊系统参数,具有较好的非线性系统逼近能力,预测效果良好。