基于GA的ANN股价指数预测研究

基于GA的ANN股价指数预测研究

论文摘要

近年来,人工神经网络(ANN)的快速发展,为股票市场的建模与预测提供了许多新技术和新方法。目前,国内外很多学者建立了基于人工神经网络的股票价格指数预测模型。还有一些学者,尝试将多种模型和人工神经网络模型混合应用,但是这些模型都存在一定问题,其预测性能不尽人意。本文针对现行的股价指数预测方法的不足,根据股票价格指数的非线性变动特点,探讨基于遗传算法GA的人工神经网络股价指数预测模型的建立与应用。具体来讲,全文共分为七章。第一章是导论,阐述本文的选题目的和意义,综述国内外利用人工神经网络进行股价指数预测的研究,并概述本文的研究内容、研究方法和技术路线。第二章,论述股价指数预测的现状和存在的问题。目前国内外学者利用人工神经网络进行股价预测,主要是基于两类方法,一类是利用单一的人工神经网络进行建模预测,但是由于单一神经网络存在的“过拟合”问题,其预测性能并不理想;另一类是混合多种人工智能技术进行建模并预测,但依然存在变量选择、算法选取和样本设计不合理等问题,同时,混合多种智能技术的模型应用往往十分复杂,限制了其实际应用。第三章,阐述人工神经网络和遗传算法的基本理论。重点阐述BP神经网络的基本结构设计和遗传算法的原理及基本流程,并根据我国股价指数变动的特点,构建基于GA的ANN股价指数预测框架。第四章对股价指数预测进行分析。在分析股价指数预测难点的基础上,重点阐述了将遗传算法与BP神经网络相结合,进行股价指数预测的优势。利用遗传算法优化BP网络的权值,既克服了单一BP神经网络存在的“过拟合”问题,又解决了单一遗传算法的收敛性差的问题。即可利用基于遗传算法的BP神经网络模型的非线性函数逼近特性,对股价指数进行预测。第五章,建立基于GA的ANN股价指数预测模型。首先确定BP神经网络结构和初始权值;接着构造训练样本,对BP网络进行初次学习训练,并用测试样本对网络的预测性能进行检测;然后,利用遗传算法对BP神经网络的权值进行优化,并将优化后的权值和阀值固定下来,利用训练样本对优化后的网络进行再次训练,并再次进行测试,最终建立基于GA的ANN股价指数预测模型。第六章,是沪深300指数预测。选择具有较好市场代表性的沪深300指数,利用第五章建立的模型,对沪深300指数进行预测。预测结果表明,文中所建立的基于GA的BP网络模型预测比较精确,可将其用于实际中股价指数预测,为投资者提供一定帮助。第七章是结论与展望。本文的基本结论为:经过遗传算法优化后的BP网络模型能够提高指数预测的精度;模型需要合理确定BP网络输入层和隐层神经元数目;优化时需要合理确定遗传算法的控制参数。但同时,用遗传算法优化设计BP神经网络,还需进一步探讨遗传算法适应度评价函数的确定,神经网络的输入变量和样本规模等方面的研究。本文的创新工作是,构建基于GA的ANN股价指数预测模型,并应用于沪深300指数预测。

论文目录

  • 摘要
  • Abstract
  • 第1章 导论
  • 1.1 选题的目的和意义
  • 1.1.1 选题的目的
  • 1.1.2 选题的意义
  • 1.2 国内外相关研究综述
  • 1.2.1 国外相关研究综述
  • 1.2.2 国内相关研究综述
  • 1.3 研究内容和研究方法
  • 1.3.1 研究内容
  • 1.3.2 研究方法
  • 1.3.3 技术路线
  • 第2章 股价指数预测的现状与问题
  • 2.1 股价指数预测的现状
  • 2.2 股价指数预测存在的问题
  • 2.2.1 传统预测方法的局限性
  • 2.2.2 基于ANN的股价指数预测模型的不足
  • 第3章 ANN和GA基本理论
  • 3.1 ANN基本理论
  • 3.1.1 人工神经元模型
  • 3.1.2 BP网络的基本结构
  • 3.2 BP网络的设计
  • 3.2.1 BP网络的生成及初始化
  • 3.2.2 BP网络的学习规则
  • 3.2.3 BP神经网络的训练和预测
  • 3.3 GA基本理论
  • 3.3.1 GA算法的原理
  • 3.3.2 遗传算法基本参数设计
  • 3.4 基于GA的ANN股价指数预测框架
  • 第4章 股价指数预测分析
  • 4.1 股价指数预测的难点
  • 4.1.1 股价指数
  • 4.1.2 股价指数变动的主要影响因素
  • 4.1.3 股价指数预测的困难
  • 4.2 遗传算法与BP神经网络相结合
  • 第5章 基于GA的ANN股价指数预测模型构建
  • 5.1 BP神经网络结构
  • 5.1.1 信息的表达方式
  • 5.1.2 网络输入层和输出层设计
  • 5.1.3 隐层神经元个数的确定
  • 5.1.4 算法工具以及样本来源
  • 5.2 BP网络对样本的学习
  • 5.2.1 BP网络的传递函数
  • 5.2.2 BP网络的学习误差
  • 5.3 GA算法优化BP网络
  • 5.3.1 遗传算法基本参数
  • 5.3.2 遗传算法优化BP网络的权值
  • 5.4 建立预测模型
  • 5.4.1 训练样本构造
  • 5.4.2 BP网络的初次训练
  • 5.4.3 BP神经网络的优化
  • 5.4.4 优化后的BP神经网络训练
  • 第6章 沪深300指数预测
  • 6.1 沪深300指数
  • 6.1.1 沪深300指数的组成
  • 6.1.2 沪深300指数的市场代表性
  • 6.2 基于GA的ANN沪深300指数预测
  • 6.2.1 预测样本构成
  • 6.2.2 沪深300指数预测
  • 6.2.3 结果分析
  • 第7章 结论与展望
  • 7.1 结论
  • 7.2 研究展望
  • 参考文献
  • 致谢
  • 在校期间发表的论文和参与的课题
  • 附录
  • 相关论文文献

    • [1].亚洲新兴市场股价指数期货的特点与发展[J]. 金融博览 2010(04)
    • [2].海外股价指数期货合约的比较与分析[J]. 海南金融 2010(11)
    • [3].股价指数期货定价模式研究[J]. 华北金融 2009(12)
    • [4].基于小波分解的股价指数期货对现货效应的实证研究[J]. 上海经济研究 2008(02)
    • [5].新一轮汇改后汇率与股价关系的实证研究[J]. 南方企业家 2018(02)
    • [6].股价指数期货领先滞后现货价格研究[J]. 财会通讯 2010(06)
    • [7].中国股价指数构建研究[J]. 现代经济(现代物业下半月刊) 2008(10)
    • [8].基于人工神经网络的股价指数预测[J]. 知识经济 2009(01)
    • [9].基于股价指数预测的仿真研究[J]. 计算机仿真 2010(10)
    • [10].货币供应量与我国股票市场关系的实证研究[J]. 西部皮革 2017(22)
    • [11].中美经济与股市发展对比及存在问题[J]. 商 2014(26)
    • [12].谁来为“空军”买单[J]. 商业故事 2010(03)
    • [13].我国宏观经济变量与股价指数的长期协整关系研究[J]. 中国物价 2016(01)
    • [14].投资者行为、资源依赖与供应链股价崩盘传染研究[J]. 安徽师范大学学报(人文社会科学版) 2018(04)
    • [15].台湾股市创历史新高有感[J]. 股市动态分析 2020(23)
    • [16].美国股价变动对台湾及大陆股价影响的研究分析——基于gretl数据分析工具[J]. 智富时代 2018(10)
    • [17].股市风云[J]. 卓越理财 2008(05)
    • [18].中国股市影响因素趋势分析[J]. 时代金融 2014(23)
    • [19].国内宏观因素对股价指数影响的实证分析[J]. 经济研究导刊 2014(27)
    • [20].存款准备金率调整对银行板块股价指数的影响[J]. 价格理论与实践 2012(06)
    • [21].汇率、利率与国外股价对中国股价的影响研究——基于高频数据的ECM-T-Garch实证研究[J]. 金融理论与实践 2017(11)
    • [22].中国股价指数与经济增长的实证分析[J]. 时代金融 2009(10)
    • [23].央行货币政策的股市效应分析[J]. 现代商贸工业 2008(09)
    • [24].股指成份股调整与股价崩盘风险:基于一项准自然实验的证据[J]. 金融研究 2018(03)
    • [25].中国股市指数的投资收益分析[J]. 经济研究导刊 2014(06)
    • [26].解决我国股价指数与股价背离的方案[J]. 当代经济 2009(06)
    • [27].关于成交量对股票指数预测的有效性研究——以上海证券交易所综合股价指数为例[J]. 中南财经政法大学研究生学报 2011(02)
    • [28].资金流向对股价指数的影响的研究[J]. 商 2015(52)
    • [29].指数化的效率与问题:回顾与展望[J]. 证券市场导报 2009(04)
    • [30].股价指数和货币供应量、物价指数关系的实证分析[J]. 中外企业家 2015(08)

    标签:;  ;  ;  ;  

    基于GA的ANN股价指数预测研究
    下载Doc文档

    猜你喜欢