论文部分内容阅读
我国股票市场是一个非线性动力系统。通过本文和众多研究结果表明,用传统的时间序列模型对股票价格进行预测,由于受其非线性映射性能弱以及难以确定合适的模型结构的制约,因而对股票价格的相关预测大多很难取得理想的效果。神经网络作为一种现代的智能信息处理方法,具有依据数据自适应学习、非线性映射性能强等特点,适用于处理类似股票价格这类的复杂非线性问题。 本文首先运用传统的时间序列模型对股价指数序列进行建模分析,其预测结果基本反映了股价指数的未来的趋势与走向。在选用神经网络技术的过程中,笔者查阅相关文献和在相关的实验的基础上,选用了广义回归神经网络(GRNN)技术,与传统的BP网络相比,GRNN的计算速度快,结果稳定,人为选定的参数少。通过运用MATLAB6.5平台的GARCH和ANN工具箱,对股价指数序列建立自回归移动平均模型(ARMA)和GRNN模型,并对股价指数进行预测,结果表明说明传统的时间序列模型在非线性逼近能力上明显差于神经网络。为了提高预测的精确度,本文提出ARMA—广义回归神经网络模型,把ARMA模型和GRNN模型结合起来,实验表明,ARMA模型与GRNN结合的预测结果好于ARMA模型和单纯以股价指数作为GRNN网络输入参数的预测结果,这说明ARMA模型给整个模型输入了股价指数的有关统计特征提高了预测的精度。其结果也充分体现了ARMA-广义回归神经网络模型更好的非线性逼近能力。