论文部分内容阅读
金融股票证券市场是一个集高风险和收益并存的市场,其中蕴含了一个高度复杂的非线性动力系统,不仅包含了分形运动和随机运动,同时也包含了趋势运动和周期运动。随着金融证券市场不断向信息化、随机化、复杂化发展,对证券市场的异常波动识别与诊断变得越来越重要。国内外的研究显示:人工智能技术打破了传统统计控制方法的局限,已逐步形成证券市场异常波动识别与诊断新的研究方向。BP神经网络和RBF神经网络可以从复杂的数据中寻找参数间的内在规律,对任意形式的非线性函数都有较好的拟合程度,在分类识别证券市场波动方面具有的独到优势。如何选取神经网络的节点和学习算法,构建神经网络对波动模式进行诊断是证券市场异常波动识别的关键。 本文在收集整理大量国内外文献的基础上,以BP神经网络和RBF神经网络为理论依据,系统地研究了基于神经网络的证券市场异常波动模式识别方法。首先,在国内外证券市场波动的分析方法以及神经网络研究综述的理论支撑下,将证券市场的异常波动界定为趋势、阶跃等五种模式。其次,提出基于多神经网络的证券市场异常波动模式识别框架;进而,对不同的隐含层神经元节点的选择和学习算法的参数进行优化,构建了基于人工神经网络的证券市场异常波动模式识别模型。最后,在MATLAB软件平台下,利用神经网络工具箱对证券市场异常波动模式识别模型进行实证分析。研究结果表明:①基于BP神经网络和RBF神经网络的证券市场异常波动识别模型相比于传统的识别方法更有效率;②运用弹性梯度下降算法优化后建立的多BP神经网络识别框架的性能是最优的,从理论分析和实证结果都要优于RBF神经网络。 本文的研究特色与创新之处主要表现在:①对证券市场内在的波动模式进行界定和分类;②提出了基于BP神经网络和RBF神经网络的证券市场异常波动模式识别模型;③对比了不同神经网络个体对整个证券市场异常波动模式识别模型识别精度的差异。 本文的研究不仅提出了一套可操作的基于BP神经网络和RBF神经网络的证券市场异常波动模式识别模型和实证分析结果,而且为证券市场异常波动的识别与诊断提供了理论依据和识别方法。