论文部分内容阅读
随着我国经济快速增长和股票市场的不断扩大,股票市场产生了大量有价值的数据信息,这些数据成为投资者进行股票投资的重要分析主体。同时,股票价格的预测也成为投资者和相关学者的一个重要研究对象。日益增长的数据不仅难以处理,更给股票价格的预测者们带来了无从选择的难题。BP神经网络作为大数据预测方面的经典算法备受投资者和研究人员的青睐,但是,BP算法本身固有的一些缺点也制约着其预测的效率和效果,在股票价格短期预测方面依然存在着预测精度方面的缺陷。本文在深入分析股票价格短期预测面临的问题和比较多种股票价格预测方法的基础上,探讨BP神经网络、主成分分析法和遗传算法对股票价格进行短期预测的可行性。BP神经网络能够利用对过往股票市场数据的学习,找出股票市场发展变化的内在规律,从而实现对未来一段时间内股票价格数据变动的预测。为此,本文所做的主要研究工作有:针对股票价格数据影响因素多的问题,选用主成分分析法来解决了BP神经网络输入向量的维数约减问题,同时,为了建立影响因素和预测向量之间的相关性关系,提高预测的精度,引入了计量经济学中拟合优度的概念,结合传统的主成分分析法,创新性的提出了相关主成分分析法。针对BP算法容易陷入局部极小点而影响预测精度的缺点,利用遗传算法对BP神经网络进行优化,构建了遗传算法优化的BP神经网络预测模型。在前面算法的基础上,建立了以相关主成分分析法和遗传神经网络模型相结合的综合预测模型,并在Matlab7.0中予以实现。最后,为了检验所提出算法的有效性。文章最后进行实验,利用上证指数数据,对文章提出的相关主成分分析法、遗传神经网络模型和综合预测模型分别进行了仿真实验并进行了误差分析,误差分析表明以相关主成分分析法为维数约减方法的遗传神经网络模型在股票价格短期预测精度上有一定程度的改进。