基于PSO的神经网络模型在股价预测上的研究及应用

基于PSO的神经网络模型在股价预测上的研究及应用

论文摘要

在对目前国际上股票预测研究的热点之一——人工神经网络进行深入地分析与研究的基础上,针对其收敛速度慢,学习中不具备全局搜索能力,易陷入局部极小,并最终导致股价预测精度不高的问题,本文提出了基于粒子群优化(Particle Swarm Optimization,PSO)的神经网络模型及算法,并对输入变量运用主成分分析法降维处理,以提高算法的效率,与BP神经网络相比,股价预测精度提高较大。主要从事了以下研究工作:(1) BP算法通过对BP算法的深入研究,运用MATLAB对现实股票的价格进行仿真预测,实验表明其预测精度不高,不能满足实际的要求。(2) PSO算法通过对PSO算法改进的讨论和比较,从实际情况出发,确定了带惯性因子的PSO算法做为基于PSO的神经网络算法的基础。(3)采用主成分分析法对多维变量降维引入主成分分析法对原始输入变量进行降维处理,选择输入变量的主成分作为网络输入,一方面减少了输入维数,消除了各输入变量的相关性,提高了运算的效率;另一方面提高了网络的收敛性和稳定性,也简化了网络的结构。实验证明:与未经处理的多变量相比,输入变量由原来的15个变成3个,大大减少了输入维数,运行时间减少,预测精度有所提高。(4)基于PSO的神经网络模型及算法基于PSO的神经网络模型及算法是本研究的中心,在对BP算法、PSO算法以及主成分分析法深入研究的基础上,提出了基于PSO的神经网络模型及算法。实验结果表明,在股价预测上,与BP神经网络相比,基于PSO的神经网络模型预测精度更高,且达到实验的预期目的。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪 论
  • 1.1 引言
  • 1.2 课题的研究背景及意义
  • 1.3 国内外研究综述
  • 1.3.1 基于人工神经网络的股价预测的最新进展
  • 1.3.2 粒子群优化研究现状
  • 1.4 本文的研究的内容
  • 1.4.1 BP 神经网络算法
  • 1.4.2 粒子群优化算法
  • 1.4.3 主成分分析法选取变量
  • 1.4.4 基于 PSO 的神经网络模型及算法
  • 1.5 本文的内容组织
  • 第2章 神经网络模型
  • 2.1 神经网络概述
  • 2.2 神经网络结构及学习机理
  • 2.3 反向传播算法(BP 算法)
  • 2.3.1 BP 算法网络模型
  • 2.3.2 BP 学习算法
  • 2.4 BP 算法存在的问题
  • 2.5 对策
  • 2.5.1 提高BP 算法的收敛速度
  • 2.5.2 权值调节的全局优化算法
  • 2.5.3 粒子群优化算法
  • 第3章 粒子群优化算法
  • 3.1 算法起源
  • 3.2 算法原理
  • 3.3 基本粒子群优化(PSO)算法
  • 3.3.1 算法步骤及流程图
  • 3.3.2 设计过程中应注意的参数设置
  • 3.4 粒子群优化算法的改进
  • 3.4.1 带惯性因子的PSO 算法
  • 3.4.2 带收缩因子的PSO 算法
  • 3.4.3 其它PSO 改进算法
  • 第4章 主成分分析法
  • 4.1 主成分分析概念
  • 4.2 主成分分析的基本思想
  • 4.3 主成分分析的实现步骤
  • 第5章 基于PSO 的神经网络预测模型及算法
  • 5.1 基于PSO 的神经网络预测原理
  • 5.2 带惯性因子的PSO 的神经网络结构设计
  • 5.3 原始数据的预处理
  • 5.4 主成分的多维变量降维
  • 5.5 激励函数的选择
  • 5.6 建立股价预测模型
  • 5.7 算法设计及性能测试
  • 第6章 模型的实证与分析
  • 6.1 预测目标及数据来源
  • 6.2 基于PSO 的ANN 与BP 的ANN 比较
  • 6.3 收盘价预测
  • 6.3.1 单输入
  • 6.3.2 多输入
  • 6.3.3 主成分处理后的多输入
  • 6.4 最高最低价预测
  • 第7章 总结和展望
  • 7.1 总结
  • 7.2 展望
  • 参考文献
  • 附录
  • 硕士研究生期间发表的学术论文
  • 致谢
  • 相关论文文献

    • [1].基于PSO的带式输送机张紧装置控制器仿真研究[J]. 煤矿机械 2019(12)
    • [2].种植业结构调度的多目标优化模型及PSO并行算法[J]. 重庆科技学院学报(自然科学版) 2020(01)
    • [3].基于PSO的并网微电网优化运行[J]. 电工技术 2020(05)
    • [4].基于PSO的舰船成像多普勒参数的标定算法[J]. 舰船科学技术 2020(06)
    • [5].基于改进PSO的矿井提升机控制系统参数优化设计[J]. 煤矿机械 2020(06)
    • [6].基于PSO的塔式起重机模糊神经网络滑模防摆控制[J]. 机床与液压 2016(22)
    • [7].基于PSO优化的支持向量机在软土路基沉降数据处理中的应用[J]. 工程质量 2016(12)
    • [8].PSO算法的改进及其在水下潜器地形匹配中的应用[J]. 舰船科学技术 2017(02)
    • [9].基于PSO与多变量支持向量机的通信基站能耗预测[J]. 萍乡学院学报 2017(03)
    • [10].基于改进PSO算法的微电网调度方法[J]. 电网与清洁能源 2017(07)
    • [11].基于PSO的异构无线网络垂直切换决策方案[J]. 控制工程 2017(10)
    • [12].分簇竞争PSO测试用例自动生成算法[J]. 软件导刊 2015(12)
    • [13].面向安全椭圆曲线参数的PSO优化选择[J]. 安庆师范学院学报(自然科学版) 2014(04)
    • [14].一种基于PSO的改进光流算法[J]. 计算技术与自动化 2014(04)
    • [15].基于改进PSO算法的电动出租车充电站站址规划[J]. 电气自动化 2020(05)
    • [16].极小化等待时间的热处理批调度模型与PSO解[J]. 计算机仿真 2020(04)
    • [17].PSO改进算法及其在模拟电路故障诊断中的应用[J]. 机电一体化 2016(11)
    • [18].基于非线性-复位PSO的数据采集与处理系统[J]. 辽宁石油化工大学学报 2016(06)
    • [19].基于PSO算法锻轧宽度自动控制的仿真与优化[J]. 煤炭技术 2017(07)
    • [20].基于社团PSO算法的异步电机参数估计方法[J]. 微特电机 2017(04)
    • [21].基于改进PSO用户习惯感知的服务组合[J]. 阜阳师范学院学报(自然科学版) 2017(03)
    • [22].采用PSO算法对低压断路器的低能耗优化设计[J]. 电工技术学报 2017(19)
    • [23].基于铁路无线通信环境下改进的PSO算法在多用户检测中的应用[J]. 铁道标准设计 2016(01)
    • [24].PSO算法在马斯京根法参数率定中的应用[J]. 水电站机电技术 2016(08)
    • [25].基于改进PSO算法的模糊神经网络研究[J]. 信息通信 2014(11)
    • [26].基于PSO的梯形断面水跃共轭水深计算方法[J]. 黑龙江科技信息 2015(20)
    • [27].基于改进PSO的导弹制导精度分配[J]. 计算机应用 2013(S2)
    • [28].基于PSO优化极限学习机的机器人控制研究[J]. 辽宁科技大学学报 2020(04)
    • [29].基于PSO算法的船用永磁电机齿槽转矩优化[J]. 中国舰船研究 2014(03)
    • [30].基于多目标PSO算法的信息工程监理[J]. 计算机系统应用 2013(02)

    标签:;  ;  ;  ;  

    基于PSO的神经网络模型在股价预测上的研究及应用
    下载Doc文档

    猜你喜欢