神经网络方法在股票市场预测中的利用.pdf

V484S05 摘 要 (股票市场是一个典型的非线性动力系统。众多的研究结果表明，用 传统的回归统计模型对股市进行预测，由于受其非线性映射性能弱以及 难以确定合适的模型结构的双重制约，因而对股票市场的相关预测大多 很难取得理想的效果。神经网络作为一种现代的智能信息处理方法，具 有依据数据自适应学习、可并行计算、非线性映射性能强的特点，适用 于处理象股票市场这类的复杂非线性问题。≯ 本文采用神经网络方法，对股票市场指数和股票交易买卖时机进行 预测。其中，对于股指的预测，采用了多层前馈神经网络，网络训练分 别采用EBP反向传播和ALOPEX模式提取算法。针对EBP算法存在的 收敛速度慢、易陷入局部极小值的问题，本文提出了改进的EBP算法并 采取网络初始权值参数变动赋值的措旌。相对于EBP算法，ALOPEX算 法的最优权值的搜索方向具有一定的随机性，能较好地避免网络训练中 出现的局部性问题。对于股票交易买卖时机这一较复杂的预测问题，本 文提出了改进的神经网络结构。这一结构不仅具有径向基网络隐含层的 一些特征，而且具有相乘运算，能更加有效地处理数据变换映射。文章 ， 最后分析了交易时机网络预测模型的交易表现。陆果表明，该神经网络 预测模型用于交易决策能取得显著的效果，具有一定的实际价值。 总得说来，本文主要在以下几个方面做了一些新的工作： 1．为了提高网络训练和预测的精度，文章放弃以往对单个样本进行 处理的形式，改用输入全部的训练样本后再对网络的权值参数进 行调整，即批处理的方式，并在此基础上给出了EBP算法的改进。 另外，对EBP算法的局部极小值问题，本文提出了网络初始权值 参数变动赋值的方法。运算表明，该方法能在一定程度上避免 EBP算法存在的严重局部收敛缺陷。附录还给出了改进EBP算 法的详细C++程序源代码。 2．文章将ALOPEX随机算法引入股指预测的网络模型之中。计算 表明，ALOPEX算法能在较大程度上减轻局部收敛的严重性，不 足之处是该算法的收敛速度过慢。 3．对于股市交易中的买入卖出点预测，文章提出了新的网络结构。 该网络结构不仅具有一般径向基网络隐含层的一些变换特征，而 且具有相乘运算隐含层，从而能够更有效地处理非线性映射问 题。 j | 关键词 神经网络EBP算法变动初始权值参数赋值法 ALOPEX随机算法，买入卖出点预澳k ／、 第一章绪论 第一章 绪论 第一节神经网络的发展与其在经济领域中的应用 神经网络是仿效生物处理模式以获得智能信息处理功能的方法。神经网 络着眼于脑的微观网络结构，通过大量神经元的复杂连接，由底至顶，通过 自学习、自组织和非线性动力学所形成的并行分布方式，来处理难以语言化 的模式信息。 神经网络的研究始于20世纪40年代。到80年代中期，对神经网络任意 连续映射的逼近能力、学习理论以及动态网络的稳定性分析都已取得了丰硕 的成果。在应用上也迅速扩展到许多重要的领域，涉及模式识别与图象处理、 控制与优化、ATM网络中呼叫接纳的识别与控制、导航、多媒体处理系统 等等。随着神经网络研究的发展，经济学工作者也逐渐注意到其自适应学习、 非线性映射强的特点，并开始将这一新的信息处理方法应用于经济领域。为 预测股市走势，J．H．Wang和J．Y Kim于1998年将时延神经网络应用于股市相关性分析与预 结构1211，Sung-suk 钡1][221。这些文章的发表为股票市场分析引入了新的处理工具。 实际上，股票市场作为高风险高收益的投资领域，一直倍受投资者的关 注，国外的研究者也先后提出了一系列的定价理论和投资组合模型，如马柯 神经网络方法在股票市场预测中的应用 威茨的投资组合理论，夏普等人的CAPM，以及