改进的rbf神经网络对期货价格的预测分析.docxVIP

改进的RB F神经网络对期货价格的预测分析 摘要针对非线性变化的期货价格,建立了基于主成分分 析的RBF神经网络模型首先利用主成分分析法从8个原始变 量中提取主成分最后利用选定的3个主成分作为径向基神经 网络的输入通过对比该方法较一般的径向基神经网络有更好 的预测结果 关键词期货；主成分分析；RBF神经网络；预测 1引言 在对实际问题进行描述和处理中为了能够获得更加 全面的信息我们经常需要统计多个变量的数据但是这些多个 变量之间经常存在一定的相关性并不是每个变量都是我们所 需要的或者说它们携带的信息可能是重复的因此我们希望用 少数几个变量来代替原有的多个变量主成份分析法的基本思 想就是通过对原始数据的降维将多个相互关联的变量转化为 少数几个互不相干的变量的统计方法 由于期货价格的变化是一个非线性的时间序列利用 传统的统计方法对期货的价格直接进行预测所得到的结果不 是很理想而神经网络在非线性模式中具有优势，因而它不需 要建立复杂的数学模型就可以完成期货价格预测基于BP网络 和RBF网络的预测都有较好的结果，但是相对BP网络而言，利 用RBF神经网络不仅解决了常用BP网络易陷入局部最小的问 题，而且训练时间更短，预测的精度也比BP网络高得多本文提 出使用基于主成分分析法的RBF神经网络方法对期货价格进 行预测通过主成分分析法对原始数据降维然后，再用这些个 数较少的新输入变量作为RBF神经网络的输入进行模拟预测 由于主成分之间是相互独立的，所以由各主成分组成的输入 空间不存在自相关性，从而有效地简化了 RBF网络在高维时难 以寻找网络中心的问题，提高了预测精度 2主成分分析法简介及RBF神经网络算法概述 2. 1主成分分析法 主成分分析法的步骤如下 (1)原始数据的标准化处理 主成分分析法的目的就是使用较少的变量代替并综 合反映原来较多的信息综合后的变量就是原来多变量的主要 成分利用这些综合后的主要成分去代替原来的变量去解决实 际问题这里首先利用以下公式对原始变量进行标准化处理其 中原变量为x i j其含义为第j个变量的第i个值则处 理后的变量值为y ij (3 )计算矩阵R的特征根和特征向量 利用R的特征方程IR-入 订=0求出其特征根其对 应的特征向量利用IR-入il A=0和AA，=1求得然后对所求得 的特征根按照大小顺序进行排列 （4 ）计算方差贡献率与累计方差贡献率 利用公式K 卜入i/Sni=l代入所求的特征根 入i求出各个主成分的贡献率K i其贡献率就代表了原 数据信息量的百分比 （5 ）确定主成分计算其得分值 主成分的确定方法主要有两种（1 ）当前K个主成分 的累计贡献率达到某一特定值的时则保留前K个主成分一般 采用超过85%以上（2 ）选取特征值大于1的主成分这两种可 视情况进行选取一般前者取得主成分要多后者要少通常情况 下是将两者结合一起来进行使用2. 2RBF神经网络算法概述 径向基（RBF ）网络是以函数逼近理论为基础构造的 一类向前网络其网络结构为三层隐含层采用高斯函数为激励 函数理论上，只要隐含层中有足够的径向基神经元，径向基函 数网络就可以逼近任何非线性函数输出层为简单的线性加权 函数其网络结构如图所示 其中W1 i为每个隐含层神经元与输入层相连的权 值向量X q为输入矢量b 1 i为阈值则隐含层的第i 个神经元的输入为 k q i= j (wl ji -x q j) 2#215;bl i 输出为 r q i=exp ((-k q i) 2) =exp (- (| I wl ji -X q| |#215;bl i) 2) 输出层的输入则为各隐含层神经元的加权求和由于 激励函数为线性函数因此输出为 y q= S ni=lr i#215; w2 2 RBF网络首先通过无教师学习确定训练输入层与 隐含层间的权值w 2再通过有教师学习，确定训练隐含层与 输出层间的权值wl i在RBF网络训练中隐含神经元的数量 确定是一个关键的问题其基本原理是从0个神经元开始训练 通过检查输出误差使网络自动增加神经元每次循环使用使网 络产生的最大误差所对应的输入向量作为权值向量wl i产 生一个新的隐含层神经元然后检查新网络的误差重复此过程 直到达到误差要求或最大隐含层神经元为止由此可见径向基 函数网络具有结构自适应确定、输出与初始权值无关等特点 3改进的RBF神经网络对期货价格的实例预测 3. 1主成分分析 期货的价格是受很多因素影响，如国家政策、季节气 候、供求关系、战争等，所以其价格会上下波动，呈现出一个 非线性时间序列其交易价格本文选取2007年6月7日至8月 29日燃油0801每个交易日的开盘价、最高价、最低价、收盘 价、交易量、持仓量、前5日均价、前10日均价为初始变量 每个变量60个数据前59个为训练样本最后一