基于灰色粒子群神经网络期货价格预测.pdfVIP

基于灰色粒子群神经网络的期货价格预测 1 2 1 1 1 王海军 ，白玫 ，贾兆立 ，覃丽萍 ，李聂 1首都师范大学信息工程学院，北京（100048 ） 2 中国社会科学院工经所，北京（100836 ） E-mail：zyj11249@126.com 摘 要：针对目前在对中国期货市场进行价格预测时采用BP神经网络存在的问题,本文从网 络输入和网络参数两个方面对BP 网络模型进行优化。首先用灰色关联度分析法进行输入变 量的筛选,找出影响输出变量的重要因素作为网络输入,然后采用改进的粒子群算法对网络参 数进行优化,将经过选择优化后建立的BP神经网络模型用于期货价格预测。仿真结果表明, 经过优化后的BP神经网络模型在运行速度和预测精度方面明显优于单纯的BP神经网络模 型。 关键词：期货；灰色关联分析；粒子群算法；BP神经网络 中图分类号：TP183 0. 引 言 我国期货市场已经历十多年的发展历程，近年来关于期货市场风险控制问题的研究引起 了广泛关注。由于价格风险一直是期货风险控制研究的重点和中心,故分析与预测期货价格 变化趋势自然成为期货市场风险控制研究的重中之重。有人尝试建立神经网络时间序列模型 对期货价格进行预测，但由于采用的BP算法是基于梯度下降的，因而具有网络训练速度慢、 容易陷入局部极小值、全局搜索能力差等缺点，使得网络预测结果不是很好。针对此问题， 本文将灰色关联度分析、改进的粒子群算法与改进的BP算法相结合构造灰色粒子群神经网 络期货价格预测算法。首先，引入灰色关联度分析法对包含多种因素的输入变量进行筛选， [1] 选出对输出影响大的重要因素作为输入变量，从而使网络结构减轻，网络运行负担降低 。 其次，由于粒子群算法具有较强的全局搜索能力，容易得到全局最优解，正好可以弥补BP 算法的缺点[2]，因此采用改进的粒子群算法对网络进行参数优化，优化对象为网络权值和阈 值。仿真结果表明，基于灰色粒子群神经网络的模型无论从预测精度，还是运算速度方面都 明显优于单纯的BP神经网络模型。 1. 灰色粒子群神经网络期货价格预测算法描述 算法构造的总体思想是首先使用灰色关联度分析法对原始输入变量进行关联度分析，再 根据输入变量的关联度进行排序，根据关联度大小选定输入变量，确定最优网络结构。然后 利用改进粒子群算法优化神经网络的权值和阈值，最后采用BP算法训练网络，形成一个适 合于期货价格预测的模型。 1.1 灰色关联度分析 [3] 灰关联度分析的步骤如下 ： 1) 原始数据处理 设有一参考数列，记作Y ，Y ( y (1), y (2), ⋅⋅⋅, y (m)) 。一系列比较数列，依次记作 0 0 0 0 0 X ,X ,⋅⋅⋅,X ,其中X (x (1), x (2),=⋅⋅⋅, x (n )) ，i 1,2,⋅⋅⋅,m 。 1 2 m i i i i 这些原始数据由于量纲的不同，数值大小往往相差很大，为了处理的方便和准确，必须 对数据进行变换。在本文的研究中，为了和后续的神经网络数据处理相一致，采用了归一化 - 1 - [4] 处理 。其算法如下：求出数列中的最大值Max 和最小值Min ，用数列中的每个值X i 减去 最小值Min ，然后除以最大值Max 与最小值Min 之差。即： X i 0.2 =+0.6(X i −Min ) /(Max −Min )