USST_Arts_112540665 基于主成分分析和神经网络的组合方法在股票预测中的应用

VIP免费

3.0 赵德峰 2024-11-11 4 4 755.1KB 45 页 15积分

侵权投诉

摘要

股市是金融市场的一个重要组成部分，股票价格预测是金融分析领域中一个

重要且困难的问题。由于受到时间序列具有平稳性、正态性以及独立性的限制，

传统的统计建模方法 (如指数平滑法、ARMA 模型等)在解决诸如股票一类的时间

序列预测问题时出现了一定的局限性，而神经网络应用于股票预测有着独特的优

势，它不需要建立复杂的非线性系统的显式关系和数学模型就可以进行预测，这

使得预测理论及方法产生了质的飞跃。

沪深 300 股指期货是以沪深 300 指数为标的的指数。自 2010 年4月16 日上

市以来，因其良好的市场代表性，一直是中国证券市场研究的热门领域，吸引了

许多专家、学者、机构投资者以及普通股民的重视。本文亦选用沪深 300 指数为

实验对象。

首先，在分析我国股票预测所面临的问题以及神经网络在股票预测中的优势

后，本文决定将神经网络引入股票预测。然而由于 BP 学习算法的缺陷，使得传统

BP 网络的预测结果往往不尽如人意，鉴于 L-M 算法的优良特性，本文选用 L-M

算法作为改进的 BP 网络和主成分-BP 网络的学习算法。

其次，本文选取沪深 300 指数当日最高价、最低价等 7个变量作为次日收盘

价的影响因素，进行滚动预测。接着引入统计分析中的主成分分析方法对这 7个

影响因素进行降维处理，产生 3个主成分变量。进而用这 3个主成分变量作为主

成分-BP 网络的输入变量，以简化 BP 网络的结构。

最后，将主成分分析法与 BP 神经网络相结合构造了主成分-BP 神经网络模型，

并以 2012 年1月4日至 2012 年12 月31 日沪深 300 指数数据为研究对象，进行

了实例研究。为了验证所建模型的有效性，用标准 BP 网络模型、改进 BP 网络模

型以及主成分-BP 网络模型分别对最后 30 日沪深 300 指数的收盘价进行了预测。

结果表明，主成分-BP 网络模型无论在网络训练效率还是在预测精度上都更优。

关键字：神经网络主成分分析沪深 300 指数股票预测

ABSTRACT

The stock market is an important part of the financial market, one important and

difficult problem in the area of financial analysis is the stock price forecasting. Due to

the restrictions of time series with stability, normality and independence, traditional

statistical modeling method (such as exponential smoothing, ARMA model, etc.)

appeared some limitations in solving such kind of time series like stock prediction.

The application of neural network in stock forecasting has a unique advantage, as it’s

prediction doesn’t need to build explicit relations of a complex non-linear system and

mathematical model, which makes the prediction theory and method produced

a qualitative leap.

The object of CSI 300 futures are the CSI 300 Index. Since listed on April 16,

2010, because of its good market representation, it becomes a hot area in the study of

Chinese security market, and attracted many experts, scholars, institutional investors

and ordinary investors’ attention. This paper also selects the CSI 300 index as object of

study.

Firstly, after analyzed the problems in stock forecasting and advantages of neural

network in stock prediction, I decided to use   artificial neural network for stock

forecasting. However, due to the defects of BP learning algorithm, the traditional BP

neural network stock prediction inevitably unsatisfactory, given the excellent

characteristics of LM algorithm, this paper selects LM algorithm as the learning

algorithm for the improved BP network and principal component-BP network.

Secondly, I select the date of the CSI 300 Index high price, low price, etc. 7

variables as the affected factors of the next day's closing price, followed by the

introduction of the principal component analysis Statistical analysis of these seven

factors to reduce the dimension, resulting in 3 principal component variables. And then

use these three main components of the principal component variables as input

variables-BP network to simplify the structure of BP network.

Finally, I build principal component-BP neural network model which combined

principal component analysis with BP neural network. This article selects CSI 300 index

data from January 4, 2012 to December 31, 2012 as examples for the study. In order to

verify the validity of the models, using standard BP network model, improved BP

network model and principal component-BP network model to predict the closing price

of the last 30 days in CSI 300 Index. The results showed that the principal

components-BP network model is the best, no matter on training efficiency or prediction

accuracy.

Key Words : Neural network, Principal component analysis，

CSI 300 index, Stock prediction

中文摘要

ABSTRACT

第一章绪论 .................................................................................................................1

1.1 选题背景 .............................................................................................................1

1.2 研究意义 .............................................................................................................1

1.3 本领域国内外研究现状述评 .............................................................................2

1.3.1 神经网络的有关理论研究的发展现状 ...................................................2

1.3.2 股票预测的有关理论研究的发展现状 ...................................................4

1.3.3 国外研究现状 ...........................................................................................5

1.3.4 国内研究现状 ...........................................................................................6

1.4 研究内容 .............................................................................................................7

第二章股市预测与人工神经网络的特点 .....................................................................8

2.1 股票预测面临的问题 .........................................................................................8

2.2 神经网络 .............................................................................................................9

2.2.1 神经网络的特点 .......................................................................................9

2.2.2 神经网络与股票预测结合的优势 .........................................................10

第三章人工神经网络概述 ...........................................................................................11

3.1 人工神经网络的基本理论 ...............................................................................11

3.1.1 人工神经元模型 ................................................................................... 11

3.1.2 人工神经元的激励函数 .......................................................................12

3.2 BP 神经网络 ......................................................................................................13

3.2.1 BP 神经网络的拓扑结构 ...................................................................... 14

3.2.2 BP 算法的演算过程 .............................................................................. 14

3.2.3 BP 算法的流程图及详细步骤 .............................................................. 18

3.3 标准 BP 算法的缺陷 ........................................................................................20

第四章主成分分析法 ...................................................................................................22

4.1 主成分分析法的基本原理 ...............................................................................22

4.2 主成分分析法的实现步骤 ...............................................................................23

4.3 实例分析 ...........................................................................................................25

第五章模型的设计与实证分析 ...................................................................................27

5.1 改进的优化算法 ...............................................................................................27

5.2 BP 网络结构及训练参数的设定 ......................................................................28

5.2.1 输入层和输出层神经元节点数 ...........................................................28

5.2.2 隐含层层数以及隐含层神经元节点数 ...............................................28

5.2.3 激励函数 ...............................................................................................29

5.2.4 其它的训练参数 ...................................................................................29

5.3 实证分析 ...........................................................................................................29

5.3.1 三种模型在网络训练效率方面的比较 ...............................................30

5.3.2 三种模型在预测准确率方面的比较 ...................................................32

第六章本文结论及后续工作展望 ...............................................................................36

6.1 本文研究内容总结 ...........................................................................................36

6.2 本文的创新点 ...................................................................................................36

6.3 进一步研究的展望 ...........................................................................................37

参考文献 .........................................................................................................................38

在读期间公开发表的论文和承担科研项目及取得成果 .............................................41

致谢 .............................................................................................................................42

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要股市是金融市场的一个重要组成部分，股票价格预测是金融分析领域中一个重要且困难的问题。由于受到时间序列具有平稳性、正态性以及独立性的限制，传统的统计建模方法(如指数平滑法、ARMA模型等)在解决诸如股票一类的时间序列预测问题时出现了一定的局限性，而神经网络应用于股票预测有着独特的优势，它不需要建立复杂的非线性系统的显式关系和数学模型就可以进行预测，这使得预测理论及方法产生了质的飞跃。沪深300股指期货是以沪深300指数为标的的指数。自2010年4月16日上市以来，因其良好的市场代表性，一直是中国证券市场研究的热门领域，吸引了许多专家、学者、机构投资者以及普通股民的重视。本文亦选用沪深300指...

展开>> 收起<<

USST_Arts_112540665 基于主成分分析和神经网络的组合方法在股票预测中的应用.pdf

共45页,预览5页

还剩页未读，继续阅读

USST_Arts_112540665 基于主成分分析和神经网络的组合方法在股票预测中的应用

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: