基于知識挖掘和RBF+AFSA的股指預測的實證分析.pdf

1、如何對股指進行預測，以及怎樣才能使預測更為準確，已成為金融領域理論界長期以來的研究焦點。但是，由于股指的波動受到諸多因素的影響，尤其是受到一些不可量化的因素影響，因此，對股指的預測存在較大的難度。本文針對這個問題，主要做了如下的工作：
　　 首先，采用神經網絡方法，將收盤指數這個單一指標分別代入BP神經網絡和RBF神經網絡，通過對比兩者的預測精度，發(fā)現RBF神經網絡的優(yōu)化效果要略好于BP神經網絡，但是兩者的預測精度都不高，并發(fā)現

2、神經網絡具有計算速度慢、局部最優(yōu)等缺陷，需要對其進行優(yōu)化；其次，運用GA，PSO，AFSA三種智能算法對神經網絡進行優(yōu)化，然后用優(yōu)化后的神經網絡對上證綜指進行預測，發(fā)現經過AFSA算法優(yōu)化后的預測精度最高；第三，除了收盤指數，還有其他很多影響股指的因素，這些因素有可以量化的數量因素和不可量化的文本因素。運用數據挖掘技術，將影響股指波動的9大數量性技術指標一一帶入預測模型，將表現不好的淘汰，表現較好的再進一步進行優(yōu)化組合，直到尋找到一個預