期权定价：Black-Schloes模型与BP神经网络模型.docVIP

期权定价：Black-Schloes模型与BP神经网络模型 1、相关定义 1.1、BP 神经网络的概念 BP 神经网络的应用已经扩展到各个领域,它按照误差逆传播算法对多层前馈网络 进行训练,BP 神经网络模型物理拓扑结构主要包括输入层(input)、隐藏层(hide layer) 和输出层(output layer),而且各层之间会实现全连接。 BP (Back Propagation)神经网络[22]是一种神经网络学习算法。其由输入层、中间层、 输出层组成的阶层型神经网络,中间层可扩展为多层。相邻层之间各神经元进行全连接, 而每层各神经元之间无连接,网络按有教师示教的方式进行学习,当一对学习模式提供 给网络后,各神经元获得网络的输入响应产生连接权值(Weight)。然后按减小希望输 出与实际输出误差的方向,从输出层经各中间层逐层修正各连接权,回到输入层。此过 程反复交替进行,直至网络的全局误差趋向给定的极小值,即完成学习的过程。 BP 神经网络具有自适应学习和记忆的功能,并且可以储存输入-输出模式的映射关 系,而不需要提前对其映射关系的数学方程进行揭示。BP 神经网络通过梯度下降法进 行学习,并通过逆向传播对模型的阈值和权值不断地调整,从而达到使其误差平方和最 小的效果。 1.2、人工神经网络的定义 人工神经网络系统是由大量神经元广泛互连形成的巨大网络系统,它 对人类大脑功能做出了抽象、简化和模拟。一般意义上,人工神经网络系 统是一个高度复杂的非线性动力学系统。虽然每个神经元的功能和结构简 单,但从神经元的基本功能出发,逐步组成从简单到复杂神经网络。同时, 因为人工神经网络已经可以被分解为简单的神经元以及神经元之间相互连 接的关系,所以我们在研究方法上强调综合而非分解。 1.3、BP 神经网络定义 BP (Back Propagation)神经网络是一种神经网络学习算法。其由输入层、中间层、输 出层组成的阶层型神经网络,中间层可扩展为多层。相邻层之间各神经元进行全连接, 而每层各神经元之间无连接,网络按有教师示教的方式进行学习,当一对学习模式提供 给网络后,各神经元获得网络的输入响应产生连接权值(Weight)。然后按减小希望输 出与实际输出误差的方向,从输出层经各中间层逐层修正各连接权值,回到输入层。此 过程反复交替进行,直至网络的全局误差趋向给定的极小值,即完成学习的过程。 1.4、组合预测模型概念简述 组合预测模型就是将各种不同的单一预测模型按照某种有效的方式 组合到一起所构造而成的一个新的预测模型。新构造的预测模型能够充 分发挥单个预测模型的优势,避免单一预测模型的不足,从而来提高模 型的预测能力、模型的稳定性和可靠性。在掌握单一预测模型特点的前 提下,在单一预测模型的预测能力比较强的地方使用单一预测模型来进 行预测,在单一预测模型比较弱的地方使用其它的预测模型来预测,这 样就可以达到强弱互补,重用利用其优点,避免其弱项。使我们在利用 组合预测模型进行预测的时候更加完全反映数据中所包含的信息,使组 合预测模型具有更加良好的性能。组合预测的概念被提出以后,许许多 多的组合模型如雨后春笋般冒了出来,比较常用的主要有灰色模型与遗 传模型、灰色与支持向量机模型、基于BP神经网络的灰色预测、灰色神 经网络模型等等。该节的主要工作是如何更好地将GM(1,1)和BP神经网络 这两个模型组合到一起,在新构造的模型中让其各自的不足能够更少的 暴露出来,它们各自的优点能够更好的得以利用。 1.5、PID 神经网络定义 PID 神经网络是一种具有比例、积分、微分功能神经元的新型神经网络。它将 PID 控制模型运用到神经网络中,根据设立的目标函数自动调节控制参数,使得控制 参数与目标函数达到良好的”匹配”。PID 神经网络主要包括 P 神经元,I 神经元和 D 神经元。P 神经元主要控制参数比例,I 神经元主要控制参数积分,而 D 神经元主要 是控制参数的微分,在隐层神经元中主要通过这三种神经元对网络参数进行控制。 1.6、BP神经网络算法的定义 BP神经网络算法是是通过任意选定一组权值,将给定的目标输出直接作 为线性方程的代数和来建立线性方程组,解得待求权,不存在传统方法的局部极 小及收敛速度慢的问题,并且更易理解。其基本思路是由信号的正向传播与误差 的反向传播两个过程组成的〔绷。 正向传播:输入样本一输入层一各隐(含)层(处理)一输出层。若输 出层实际输出与期望输出不符,则转入误差反向传播。 误差反向传播:输出误差(某种形式)一隐(含)层(逐层)一输入层。 其主要目的是通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层 单元的误差信号,进而修正各单元的权值(其过程就是一个权值调整的过程)。 3.3.2传统的