应用神经网络建立金融预测分析系统

论文摘要

人们运用多种神经网络交易系统到金融市场并进行决策分析,并且使用不用的方法和投资策略来最大化利润。在该领域内最新的研究发展围绕着概率分布的预测而展开。Dirk Husmeier于1997年设计了一个基于高斯混合模型(简称GM模型)的神经网络用来预测概率密度。为了展示其预估概率密度函数的优势,本文使用这个模型来预测欧元对美元汇率(EUR/USD)的时间序列并做出投资决策。 本文采用高斯混合模型(GM)来构建了一个预测欧元对美元汇率的神经网络,并使用从1999年1月1日至2003年12月31日的欧元对美元汇率的时间序列来训练该网络模型,并使用2004年1月1日至2005年3月15日的欧元对美元汇率的时间序列来验证模型结果。在文章的后半部分,还对GM模型进行了一些算法和结构的改进。实验数据显示,在利用了结合阈值和模型委员会的情况下,高斯混合模型表现的非常优秀,取得了更佳的实验结果。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 研究背景
• 1.2 本文研究方向
• 1.3 本文组织结构
• 第二章 神经网络简介
• 2.1 人工神经网络的起源和定义
• 2.2 人工神经网络的发展史
• 2.2.1 人工神经网络研究阶段的划分
• 2.2.2 人工神经网络国内外研究状况
• 2.3 神经网络的发展现状
• 2.3.1 神经生理学、神经解剖学研究的发展
• 2.3.2 与之相关的数学领域的研究与发展
• 2.3.3 神经网络应用的研究与发展
• 2.3.4 神经网络硬件的研究与发展
• 2.3.5 新型神经网络模型的研究
• 第三章 神经网络在金融领域的应用现状
• 3.1 金融和经济问题
• 3.2 传统金融市场假设和挑战
• 3.3 金融神经网络的设计
• 3.3.1 网络设计的出发点
• 3.3.2 金融数据的特点
• 3.3.3 神经网络模型的构造
• 3.4 神经网络模型应用的金融评价
• 3.5 神经网络与其它方法的结合
• 第四章 应用高斯混合模型构建金融预测分析系统
• 4.1 EM算法及高斯混合模型简介
• 4.1.1 EM算法
• 4.1.2 EM应用于 Mixture of Gaussian
• 4.2 工具介绍
• 4.2.1 神经网络的结构与参数的确定
• 4.2.2 MATLAB程序设计流程
• 4.3 具体系统设计
• 4.3.1 基本介绍
• 4.3.2 汇率及相关的金融数据
• 4.3.3 高斯混合模型
• 4.4 实验结果
• 4.4.1 未运用阈值和 GM委员会后的实验结果
• 4.4.2 运用阈值和 GM委员会后的实验结果
• 4.5 实验小结
• 第五章 总结
• 参考文献
• 致谢