基于非参数的多种群遗传神经网络在股指预测中的应用.pdf

《基于非参数的多种群遗传神经网络在股指预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于非参数的多种群遗传神经网络在股指预测中的应用摘要现代的股票市场是一个巨大的投资、融资市场，每天都有大笔资金的流入和流出，它在社会稳定发展中扮演着越来越重要的角色。若是谁能把握住股票市场发展的趋势，并且能够在短时间内做出投资决策，那么谁就能从这个巨大的投、融资市场上获取利益。若想把握住股市的趋势，并且能够及时做出正确的决策，对股票市场进行预测和分析就显得必不可少。现有的股市预测分析方法主要有基本面分析法和技术分析法，但是这些分析方法都存在着各自的缺陷，难以令人信服。随着股票市场的发展，基于股市金融数据的时间序列分析预测方法开始涌现，但大多

2、数方法都是基于线性假设前提之下的，与股市数据所呈现的非线性特征相违背。经研究发现神经网络在解决这类非线性问题上有着自己特有的优势，因此，本文从神经网络入手，将多种群遗传算法与神经网络相结合，构造了一个多种群遗传神经网络模型，并将其应用于股票价格指数的预测。该组合模型不仅克服了传统神经网络易陷于局部最小值、初始权值难以确定等缺陷，还避免了标准遗传算法所存在的早熟收敛问题。同时，该模型还具有训练快、预测结果稳定、预测精度高等优点，为股价指数预测提供了一种新的思路和途径。本文首先阐述了神经网络方法，介绍了BP神经网络模型的学习算法，并且分析了该模

3、型的不足之处。为了改进这些不足，我们引入了遗传算法和多种群概念，在阐述了遗传算法的原理和多种群概念之后，提出了将多种群遗传算法和神经网络方法相结合的思路，并设计了本文的多种群遗传神经网络模型。同时，本文还对该模型的输入层指标变量进行了全面考虑，从宏观基本面和技术分析面综合考虑了影响股价指数的变量，并且利用非参数核估计方法对这些指标变量进行了筛选，该方法有别于传统的主成分分析、最小二乘估计等方法，在变量选择方法上所有突破和创新。最后本文将筛选后的8个指标变量分别作为多种群遗传神经网络模型和传统的BP神经网络模型的输入层指标，对上证指数进行实证

4、研究分析。实证结果表明：多种群遗传神经网络模型比传统的BP神经网络模型有更好的预测精度，这就说明本文对多种群遗传神经网络模型的构造是科学合理的。关键词：股价指数预测，神经网络，遗传算法，多种群遗传神经网络，非参数核估计1●玎EAPPLICATIONOFMⅡ，11一GROUPGENEllCNEI爪AI，NETWORKD4STOCKINDEXPREDIClrIoNT11emodernstockmarketisahugeinvestment,fmancingmarket,everydaytherehasalargecapitalinflowand

5、outflowanditplaysmoreandmoreimportantroleintheSOCialstabilityanddevelopment．IfwhoCanmasterthetrendofthedevelopmentofthestockmarketandmakeinvestmentdecisioninashorttime，thentheoneCangethugeprofitfromthisgreatinvestmentandfinancingmarket．Ifwewanttograspthetrendofthestockmark

6、et,andmakethecorrectdecisionintime，theforecastandanalysisofstockmarketseemsnecessary．Themainstreamviewoftheexistingstockmarketforecastandanalysismethodcontainsfundamentalanalysisandtechnicalanalysis，buttheseanalysismethodshavetheirinherentdefectsandunbelievable．Withthedeve

7、lopmentofthestockmarket,thestockmarketanalysisbasedonfinancialdatatimeseriesforecastmethodhavebeguntoemerge，butmostofthemethodisbasedonIinearunderassumptionsandagainstthestockmarketnonlinearcharacteristics．ButtheneuralnetworkhasitsownspechladvantageinsolvingthiskiIldofnonl

8、inearproblems，therefore，thisarticlecombinetheneuralnetworkswithmultiplepopulationgenetica