基于DFNN金融股指预测及金融非线性系统辨识研究.docVIP

基于DFNN金融股指预测及金融非线性系统辨识研究 　　[摘 要] 针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络(DFNN)进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率(ERR)修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例,通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析,表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析,为研究金融非线性系统辨识提供了启发性思路。 　　[关键词] 股票指数预测;TSK模糊系统;DFNN;ERR修剪技术;非线性系统辨识 　　doi : 10 . 3969 / j . issn . 1673 - 0194 . 2009 . 21 . 028 　　[中图分类号]F830[文献标识码]A[文章编号]1673 - 0194(2009)21 - 0089 - 04 　　 　　1引言 　　 　　在金融系统的预测研究中,金融股票指数预测是一个热门的课题。很难建立一个足够精确的模型来描述金融非线性系统,利用传统的时间序列等统计手段很难解决金融股票指数预测问题。近年来模糊神经网络成为针对非线性系统预测研究的一个热点,并形成了一个较为完善的体系[1 - 4]。现有模糊神经网络预测必须预先划分输入空间,然后确定模糊规则数,从而预先定好神经网络的结构,在此基础上,再利用神经网络的学习功能和自适应能力对系统参数优化,并且其学习方式多为BP算法。BP算法速度较慢,且容易陷入局部极小点。因此迫切需要寻找针对实时应用的模糊神经网络算法。 　　针对传统模糊神经网络自身存在的以上缺点,本文采用动态模糊神经网络(Dynamic Fuzzy Neural Network,DFNN)对上证指数进行预测,该算法构架基于RBF神经元的模糊神经网络,通过自适应构建专家推理规则来构建神经网络拓扑结构。通过启发式学习算法实现参数估计与结构辨识同时进行,并采用误差下降率(Error Reduction Rate,ERR),使得网络结构不会持续增长,避免了过拟合及过训练现象,确保了模型的泛化能力,实现模型的动态在线控制。 　　 　　2动态模糊神经网络(DFNN) 　　 　　2.1DFNN结构 　　DFNN采用五层神经网络拓扑结构: x1, x2, …, xr是输入的语言变量,y是系统的输出,MFij是第i个输入变量的第j个隶属函数,Rj是第j条模糊规则,Nj表示第j个归一化节点,wj是第j个规则的结果参数或者连接权,u是系统总的规则数。 　　第一层:输入层,每个节点代表一个输入的语言变量。 　　第二层:隶属函数层,每个节点分别代表一个隶属函数,该隶属函数采用高斯函数; 　　uij (xi) = exp[-(xi - cij)2 / σ2j], i = 1,2,…,r; j = 1,2,…,u (2.1) 　　式中,uij是xi的第j个隶属函数,cij是xi的第j个隶属函数的中心, σj是xi的第j个高斯隶属函数宽度,r是输入变量数,u是隶属函数的数量,即系统总的规则数。 　　第三层:T - 范数层,每个节点分别代表一个可能的模糊规则中的IF - 部分。第j个规则Rj的输出为: 　　j = exp[- (xi - cij)2] = exp[-|| X - Cj||2 / σ2j], j = 1, 2, …, u (2.2) 　　式中,X = (x1, x2, …xr) Rr,Cj = (x1, x2, …xrj) Rr 是第j个RBF单元的中心。 　　第四层:归一化层,这些节点为 N节点,第j个节点Nj的输出为: 　　 j = j /k, j = 1, 2, …, u (2.3) 　　第五层:输出层,每个节点分别表示一个输出变量,该变量是所有输入信号的叠加 　　y(X) = wk#8226;k (2.4) 　　式中,y是输出变量,wk是THEN-部分(结果参数)或者第k个规则的连接权。对于TSK模型: 　　wk = αk0 + αk1x1+ … + αkrxr, k = 1, 2, …, u (2.5) 　　将(2.2) 、(2.3)、 (2.5)代入(2.4),则: 　　 y(X) =[(αi0 + αi1x1+ … + αirxr)exp ] /exp(- ) (2.6) 　　2.2 DFNN学习算法 　　2.2.1 规则产生准则 　　(1) 系统误差判据 　　对于第i个观测数据(Xi, ti),其中,Xi是输入向量,ti是期望的输出,由(2.6)计算出DFNN