论文部分内容阅读
在过去的2015年里人们经历了一场波澜壮阔的大牛市,也经历了一场从未有过的股灾,多数人的财富在这一场泡沫中经历了过山车式的变化。而随着经济的发展和人民财富的积累,股市在承担资产配置和为中小企业融资方面将扮演越来越重要的角色。股市的好坏将直接影响国计民生,因此如何更好的预测市场未来的走势就显得尤为重要。通过查阅文献我们发现,传统的股市预测方法在进行数据去噪时单纯的采取小波去噪的方式,一旦阈值的选择不合理就会造成对高频部分去噪过度,使得去噪数据不能很好的保留原始数据的细节特征。另外传统预测方法老套且创新性不强,多数文章都是将以往用过的模型重新套用或者单一的组合,并没有新的研究方法出现。针对以上问题,本文通过Wind数据库提取自2005年4月6日到2015年4月3日沪深300收盘指数作为原始研究数据,共计2428组,数据真实可靠。在对原始股票数据进行去噪处理时,利用偏微分去噪可以更好的保留数据细节特征的优点。本文首次将偏微分和小波去噪相结合运用于股票数据的分析和预测中,提出了小波偏微分混合去噪模型。将原始数据、小波去噪数据、小波与偏微分方程去噪数据三种数据各抽取542组作为预测模型的输入变量进行对比研究。由于股票数据的非线性特性,本文引入在处理非线性问题时更具优势的GRNN神经网络模型,并与传统股票预测时采取的BP神经网络模型进行对比。基于动态神经网络理论,本文模仿前人将时间窗口滑动和后反馈连接加入BP神经网络进而得到可以处理动态问题的BP-DNN模型。首次将时间窗口滑动和后反馈连接引入GRNN神经网络提出更适合处理非线性动态问题的GRNN-DNN模型。最后我们将上述数据处理模型与两种预测模型组合进行训练和预测,得到四种可以对股票数据进行预测的组合模型,得出以下结论：1)由去噪后的指数图形可得,小波偏微分混合去噪在去除噪声的同时可以更好的保留原始数据的细节特征。2)在同一预测模型背景下,三种数据预测误差最小的是小波去噪数据,小波与偏微分方程去噪数据次之,原始数据最差。3)在相同数据背景下,GRNN-DNN模型的预测效果要优于BP-DNN模型。4)在同一神经网络背景下,虽然就预测效果而言小波去噪的数据预测效果最好,但这是建立在与预测值所对比的真实值是小波去噪后的数据。若将几种组合模型的预测值与原始数据真实值作对比,小波与偏微分方程去噪模型和GRNN-DNN模型的组合预测效果最好。