基于pca的cs-rbf网络的股票预测研究

《基于pca的cs-rbf网络的股票预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于PCA的CS-RBF网络的股票预测研宄陈海波CHENHai-bo曰王晓东WANGXiao-dong(丙安工程大学理学院，丙安710048)(SchoolofScience,Xi'anPolytechnicUniversity,Xi'an710048,China)摘要院针对传统的RBF祌经网络在选取中心矢量参数时的不足，提出用具有较强跳出局部最优的布谷鸟算法(CS)优化RBF神经网络的中心矢量的改进算法，并将该算法应用于股票价格的预测，仿真结果表明：该算法的预测精度比传统的RBF算法的预测精度高，是一种有效的股票预测方法。Abstract:Aimedatthedisadvantageof

2、selectingcentervectorsparametersofRBFneuralnetwork,animprovedalgorithmisproposedtooptimizeRBFneuralnetwork'scentervectors,basedonCuckooSearchalgorithmwithstrongjumpingoutoflocaloptimum,anditisappliedtopredictthestockprice.Simulationresultshowsthenewalgorithm'spredictionaccuracyishigherthanthetradi

3、tionRBF's,anditisaneffectivemethodofstockforecasting.关键词院RBF祌经M络；布谷鸟算法；主成分分析；股票价格预测Keywords:RBFneuralnetwork;CuckooSearchalgorithm；PrincipalComponentAnalysis；stockpriceprediction中图分类号院TP181;F830文献标识码院A文章编号院1006-4311(2014)31-0142-020引言股票市场是一种非常复杂的非线性动态系统，同时乂受到政治、经济等诸多因素的影响，使得对股票价格进行预测有一定的难度。而神经网络其有

4、很强的非线性拟合能力，可映射任意复杂的非线性关系，所以许多学者在这一领域进行了大量的研究，提出了有效的预测模型，如BP神经网络模型［1-2］、RBF神经网络模型［3-5］等。RBF神经网络广泛的应用于模式识别、函数逼近和预测等领域。传统的RBF神经网络在选取中心矢量参数时是随机在样木中选取的，这样选取的参数易使网络陷入局部最优，直接影响预测的精度。为了提高RBF神经网络进入全局最优的概率，考虑用较强的跳出局部最优的布谷鸟算法［6】去优化RBF神经网络的中心矢量，将其应用于股票价格的预测，建立了股票价格的预测模型，并用测试样本对该模型的推广能力进行了检验。1样本的选取与RBF神经网络的输入向

5、量的确定选取西安旅游2014年1月2日至2014年5月23日共94天的股票数据作为样本。与股票价格有密切关系的8个指标分别为开盘、最高、最低、收盘、MA.MA5、MA.MA10、MA.MA20、MA.MA60，由于这些指标之间相关性很强，存在数据冗余现象，因此利用主成分分析(PCA)对这8个指标进行降维。应用SPSS软件得到第一、第二和第三主成分的累计方差贡献率为94.372%,故选取第一、第二和第三主成分作为RBF神经网络的输入。这三个主成分分别为：Y1=0.952X1+0.953X2+0.944X3+0.916X4+0.959X5+0.837X6+0.575X7-0.108X8Y2=-

6、0.118X1-0.146X2-0.211X3-0.228X4+0.054X5+0.359X6+0.685X7+0.802X8Y3=0.117X1+0.175X2+0.168X3+0.165X4-0.060X5-0.319X6-0.349X7+0.585X82布谷鸟-RBF神经网络(CS-RBF)算法传统的RBF神经网络的中心矢量都是随机在训练样本中选择的，随机性强，而网络的预测性能受到中心矢量的影响，合适的取值会使RBF神经网络进入全局最优的概率增人，因此考虑用较强的跳出局部极值能力的布谷鸟算法去优化RBF神经网络的中心矢量，同吋对基函数的宽度以及隐层到输出层的连接权值也进行优化。利用S

7、PSS进行系统聚类，在并类过程中根据聚合系数随分类数的变化曲线选择合适的分类数。聚合系数在并类过程中呈增加趋势，聚合系数小，表示合并的两类的相似程度较大，所以在曲线开始变得平缓的点可作为确定基函数的中心个数。最后确定基函数中心个数为18,也即隐层单元数为18。布谷鸟-RBF算法(CSRBF):淤随机产生n个鸟巢位置X(0)=Xl(0),X2(0),…,Xn蓑⑼寖T，每个鸟巢代表RBF神经网络的基函数中心、宽度和隐层到输出