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