论文部分内容阅读
股票市场是一个典型的非线性动力系统。众多的研究结果表明，用传统的回归统计模型对股市进行预测，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双重制约，因而对股票市场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、可并行计算、非线性映射性能强的特点，适用于处理象股票市场这类的复杂非线性问题。 本文采用神经网络方法，对股票市场指数和股票交易买卖时机进行预测。其中，对于股指的预测，采用了多层前馈神经网络，网络训练分别采用EBP反向传播和ALOPEX模式提取算法。针对EBP算法存在的收敛速度慢、易陷入局部极小值的问题，本文提出了改进的EBP算法并采取网络初始权值参数变动赋值的措施。相对于EBP算法，ALOPEX算法的最优权值的搜索方向具有一定的随机性，能较好地避免网络训练中出现的局部性问题。对于股票交易买卖时机这一较复杂的预测问题，本文提出了改进的神经网络结构。这一结构不仅具有径向基网络隐含层的一些特征，而且具有相乘运算，能更加有效地处理数据变换映射。文章最后分析了交易时机网络预测模型的交易表现。结果表明，该神经网络预测模型用于交易决策能取得显著的效果，具有一定的实际价值。 总得说来，本文主要在以下几个方面做了一些新的工作： 1．为了提高网络训练和预测的精度，文章放弃以往对单个样本进行 处理的形式，改用输入全部的训练样本后再对网络的权值参数进 行调整，即批处理的方式，并在此基础上给出了EBP算法的改进。 另外，对EBP算法的局部极小值问题，本文提出了网络初始权值 参数变动赋值的方法。运算表明，该方法能在一定程度上避免 EBP算法存在的严重局部收敛缺陷。附录还给出了改进EBP算 法的详细C＋＋程序源代码。 2．文章将ALOPEX随机算法引入股指预测的网络模型之中。计算 表明，ALOPEX算法能在较大程度上减轻局部收敛的严重性，不 足之处是该算法的收敛速度过慢。 3．对于股市交易中的买入卖出点预测，文章提出了新的网络结构。 该网络结构不仅具有一般径向基网络隐含层的一些变换特征，而 且具有相乘运算隐含层，从而能够更有效地处理非线性映射问 题。