大创中期答辩教学提纲.pptxVIP

xxxxxxxx研究 理学院 xxxxx 2017 一 项目简介 1.课题主要运用神经网络进行沪深300股指的预测 研究内容 2.课题采用遗传算法（GA）、粒子群算法(PSO)等来优化神经网络。提高了神经网络的预测效果。 3.预计运用深度学习的方法进行预测 三 阶段性成果 第一阶段利用python实现BP神经网络。 利用2015年4月到2017年8月的503组沪深300指数数据进行了处理和拟合 后利用2017年9月的16组数据进行股指的预测。 即运用前一天的开盘价、收盘价、最高价、最低价预测当日的收盘价。 最终BP神经网络预测平均相对误差为3.226%。 开盘价 收盘价 最高价 最低价 当日收盘价 三 阶段性成果 第二阶段（改进） 由于BP神经网络权值和阈值的初始化需要利用随机矩阵，所以它：1、网络的收敛性较慢，需要较长的训练时间； 2、容易陷入局部最小值。 因此我们可以用具有全局搜索性的遗传算法或粒子群算法作为神经网络的学习算法来训练网络的权值和阈值。 三 阶段性成果 BP神经网络拟合基本符合股指变化趋势 前面的峰值部分拟合不太理想 GA+BP神经网络的拟合结果相比于BP神经网络有了很明显的改善 PSO+BP神经网络在拐点上拟合结果优于GA+BP神经网络 三种神经网络的拟合效果对比图 三 阶段性成果 BP神经网络拟合相对误差大致稳定在[-0.1,0.1] 误差的波动很大，方差很大，拟合结果不太理想 GA+BP神经网络的拟合结果误差相比于BP神经网络小了很多 相对误差集中在[-0.05,0.05] 波动比BP神经网络拟合有所改善 PSO+BP神经网络相对误差集中在[-0.05,0.05] 略优于GA+BP神经网络 三种神经网络拟合效果相对误差的对比图 三 阶段性成果 远优于 略优于 三种神经网络的预测结果 BP神经网络预测平均相对误差为3.226%， GA+BP神经网络预测平均相对误差为0.239%， PSO+BP预测平均相对误差为0.233%。 四 存在问题及解决方法 Q1： 进行神经网络的参数调试十分困难。（学习率，训练次数，隐含层网络的神经元个数） 四 存在问题及解决方法 四 存在问题及解决方法 BP神经网络模型和深度学习模型 BP神经网络中，采用的是误差反向传递的方式进行，根据预测值和实际值的差值去改变前面各层的参数，直至收敛。 深度学习是整体的调参方法。原因在于如果采用BP的机制，对于一个多隐层（7层以上），残差传播到最前面的层已经变得很小。 感谢各位的批评指正！