小波神经网络_硕士论文-小波神经网络在金融时间序列分析中的应用.pdfVIP

第4章基于小波神经网络的金融时间序列建模 可以找出它们之间可能存在的非线性协整关系。 [定理4．7】如果神经网络采用(4．4)的目标函数形式，并且其输出残差序列 p，)是缈不可约的，满足(4—5)的条件，那么残差序列{Et}不但具有渐近平稳分 布，而且该分布是唯一的。 从定理4．6和定理4．7可以看出，以{置}的分量序列作为网络的输入序列， 并运用神经网络拟合非线性协整函数，(h，b，…，x。)时，如果网络的输出残差 序列慨)是妒不可约的，那么可以通过调整遗忘因子五的值来满足定理4．7的条 件： max占I+l‘28 ，，。 ^or一一 l≤kT以以 从而使得网络输出的残差序列具有平稳的渐近分布。 遗忘因子五反映神经网络对观测值的遗忘程度。如果A值过小，那么网络对 以前观测值的遗忘程度太高，这样，神经网络对非线性协整关系进行拟合时，主 要依赖于当前时刻的样本观测值，从而，神经网络的权重系数容易随观测值的波 动而变化，神经网络中的权重系数将成为时变参数。一般无法得到稳定参数的非 线性协整函数八x¨，x：f，．一，x。)。在仿真试验中也发现，当旯取值比较小时，网 络输出残差序列的平稳性一般优于A取值较大时输出残差序列的平稳性。 从上面分析可知，确定神经网络的一个目标函数‘，。后，网络的“遗忘程度” 和网络“输出残差序列的平稳性”这两个方面存在相互影响，并且遗忘因子直接 影响网络中参数估计值的平稳性收敛性。对于给定的一个输入向量时间序列 {J，)，如果遗忘因子选得过小，那么为了保证输出残差序列的平稳性，只能得 到时变参数的非线性协整函数的估计，从而无法给出非线性协整函数的表达式。 如果选择较大的五值，虽然可以得到稳定的参数估计，但网络的输出残差序列可 能是长记忆性的。 4．4非线性协整模型的估计和检验 4．4．1小波神经网络模型参数估计 小波神经网络具有任意逼近非线性函数的能力，同时由于小波变换良好的时 频特性，可以通过对尺度参数和平移参数的训练，更快更好的逼近非线性函数。 此外，小波神经网络还可以避免神经网络训练过程中的局部最优问题。根据非线 性协整系统的结构特点，可以构造如下所示的小波神经网络模型： 成都理工大学硕士学位论文 ，cll 毪l ■ ● ● ‰ 图4-2：用于非线性协整建模的小波神经网络模型 网络分三层，输入层Xt=(工¨，而f，．一，‰)7表示M维输入向量， 川加·^r为样本个数；隐层节点基函数g(等]舯波函数一·如朋 由输入节点j到隐层第n个节点的连接权重为‰，由隐层第n个节点到输出节 点的连接权重为％。 需要学习的参数向量为 口=(巧1，…K^，，…，巧V1，…y赫，口l，bL，…口Ⅳ，b．v，wl，…w^，)。· 网络具有函数形式 儿=厂(置)=∑％gI盟__一 (4．6) 州㈣文n-I I g[孥f,,gB 当网络输出Yt为一短记忆时间序列时，根据定义，向量置存在非线性协整 关系，由小波神经网络所逼近的函数映射厂0即为置向量序列的非线性协整函 数。 对于网络中的参数的训练，可以通过极小化如下形式的能量函数来实现： E(口)=去∑(儿一矾)2 (4·7) 其中，Z为教师值，这里取常数。 采用最速下降法对上式进行优化，其基本思想是： 钆讣A矧帆 ∽s， 第4章基于小波神经网络的金融时间序列建模 共甲：0是训珠阴爹毅l司量，五为步长，E为