基于软计算技术的股票智能预测决策研究

《基于软计算技术的股票智能预测决策研究》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、摘要摘要本论文介绍了软计算技术及其应用与发展，并将其应用于股票预测及构建东京证券市场股票交易决策辅助系统中。软计算技术主要包括模糊集及模糊控制理论，人工神经网络技术和概率推理。在软计算中，模糊逻辑神经网络以及概率推理之间是互补的而不是竞争的，它们各有自己的优点和长处。本文主要以Nikkei-225为研究对象。首先我们依据经验知识选择了20个比较重要的变It，并以其为神经网络输入变t应用BP网络对Nikkei-225作了四周后的预测，但其预测效果并不是很理想。随后我们对这20个变量进行了敏感性分析并按照敏

2、感性分析的结果从中选择了合适的输入变量.在此基础之上，采用了单隐层和双隐层的BP神经网络及广义回归神经网络(GRNN)分别对股票指数(Nikkei-225)作了四周后的预测。预测结果表明我们已基本掌握了影响Nikkei-225变动的主要因素同时也证明了敏感性分析的有效性。我们对这几种神经网络的预测性能也做了比较。本文充分考虑了实际股市的交易状况，如每次交易的各项花费，我们构建了两个股票交易决策辅助系统.其中，股票交易决策辅助系统I是在对股票进行四周后预测的基础之上构建的。而股票交易决策辅助系统n则是对传

3、统的技术分析方法的改进基础之上构建的。大量的仿真结果证明了这两个股票交易决策辅助系统的有效性。我们也尝试使用遗传算法进行了参数的优化，很多工作还需要进一步地完普。虽然本论文的研究是针对日本股市的，但是在改变一些参数和细节的基础上，本论文的方法也可以应用于中国的股市。关性饲软计算技术;神经网络;敏感性分析;决策辅助系统哈尔滨工业大学工学硕士学位论文AbstractThedefinition,developmentandcurrentstatusofSoftComputingTechniquesisintr

4、oducedinthisthesis,inwhichtheSoftComputingTechniqueisappliedintothepredictionofstocksandtheconstructionofDecisionSupportSystematTokyoStockExchange.Theprincipalcontributionsofsoftcomputingtechniquesarefuzzylogic,neuralnetworkstheoryandprobabilisticreasoni

5、ng;alltheelementsofSoftComputingTechniquesarecomplementaryratherthancompetitive.Theyhaveadvantageseachother.Inthisthesis,Nikkei-225hasbeenchosenasthemainobjectofourresearch.Accordingtotheexperience,wehavechosen20variablesasinputvariablesandgotthepredicti

6、onofNikkei-225fourweeksinthefutureusingBPneuralnetworks.However,thepredictionresultwasnotsatisfying.Inordertoimprovethesystem'sperformance,wehaveutilizedsensitivityanalysistochoosetheappropriateinputvariables.Afterthat,weutilizeneuralnetworksofthreemodel

7、stogetthepredictionofNikkei-225fourweeksinthefuturerespectively.Theyare:ModelI:BPneuralnetworksofonehiddenlayer;ModelII:BPneuralnetworksoftwohiddenlayers;ModelIII:GRNN(GeneralizedRegressionNeuralNetworks).Accordingtothecriterionssuchascoincidenceratioofp

8、rediction,山esimulationresultsmanifeststhattheneuralnetworkhadalreadygraspedtheprincipleimpactsonNikkei-225andalsoconfirmtheefectivenessofsensitivityanalysis.Wealsocomparedthepredictionperformancesofthesethreemodelsofneural