基于证券数据的FCM预测模型权值学习算法研究.pdfVIP

摘 要 摘 要 作为知识表达方式和系统建模推理有机统一的模糊认知图（Fuzzy Cognitive Map ， FCM ）是一个AI 模型，在当下具有极为广泛的应用，FCM 结合了模糊逻辑、认知图 和神经网络三种工具的优点，不仅能够处理模糊信息自适应地表达因果关系，仿真处 理能力非常强大，还能够对接大数据，用于数据挖掘。针对FCM 构建方法的研究也 在不断地深入，FCM 的构建问题之一就是FCM 权值的学习问题，与其他知识学习方 式类似，FCM 权值的获取有两种方式：人工构建和机器学习。目前的研究基本上都 是在两种不同的方式上进行展开，一方面人工的方法来构建FCM 模型对专家知识依 赖比较严重，人为赋权值的话，受到人自身知识的局限，主观性较高。另一方面预测 是FCM 的一个重要应用，传统的机器学习方法本身无法说明两个具有权值的概念之 间是否真的具有因果关系。用于预测的FCM 权值的学习一方面不能过度依赖专家知 识，另一方面要提高FCM 预测模型的适应性和稳定性，使它模拟动态演化的能力增 强。因此对FCM 预测模型权值学习算法进行深入，针对人工构建和机器学习两种方 法所具有的优势与不足，寻找一种结构稳定预测准确度高收敛速度快的权值学习方法 是目前主要的研究问题。本文在对已有的FCM 构建方法和机器学习算法的研究基础 之上，提出一种有效的FCM 预测模型权值学习算法，并以证券复杂系统为应用背景， 结合具体的证券数据进行实证分析。 本文主要研究工作包括： 1. FCM 基本特征和推理机制分析，FCM 权值优化方法对比。对模糊认知图的概念、 特征、推理机制构建方法进行分析，总结不同的构建方法的优缺点，对权值学习中的 遗传算法和梯度下降算法进行收敛性和预测准确性方面的对比，给出了不同算法的应 用场景。 2. 提出基于技术指标和基本指标的滑动窗口遗传算法建模方法。以证券数据中常用 的技术指标为概念节点，建立模糊认知图的概念模型，通过遗传算法来学习模糊认知 图的权值矩阵，对矩阵进行细致地优化，最后通过滑动窗口的方法来对市场的未来走 势进行预测。对模糊认知图权值学习算法的选择和应用提供了新的思路。 3. 对FCM 证券预测模型和BP 神经网络预测进行对比。以证券数据中常用的基本 指标为概念节点，通过滑动窗口遗传算法建立FCM 预测模型；同时用BP 神经网络 建立预测模型，对两种模型的预测性能进行比较，证实了FCM 预测模型具有更好的 i 基于证券数据的FCM 预测模型权值学习算法研究 预测效果。 本文在收集整理得到证券复杂系统相关数据之后，抽取出其中的重要信息，首先 借助专家知识建立最初的FCM 图，然后通过改进的收敛性能好的机器学习的方法对 建立的FCM 权值进行优化，最后通过窗口滑动的方法对证券数据进行预测，与已有 的权值学习优化算法进行对比。实验结果表明，本文提出的方法可行有效，通过对权 值的优化对证券未来数据进行预测，与已有BP 神经网络方法相比，本文提出的方法 均方根误差低，相关系数高，预测准确，对FCM 权值学习算法的应用具有参考意义。 关键词：模糊认知图；证券预测；系统建模 ii 目 录 目 录 摘 要i Abstract iii 第1 章 绪论 1 1.1 研究背景与意义 1 1.2 国内外研究现状 2 1.2.1 FCM 研究现状2 1.2.2 证券预测研究现状4 1.3 主要研究内容及创新点 8 1.4 研究技术路线 9 1.5 本文组织结构 10 第2 章 模糊认知图基础 12 2.1 FCM 基础知识 12 2.1.1 模糊认知图概念 12 2.1.2 模糊认知图特性 12