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