幾種改進的動態(tài)神經(jīng)網(wǎng)絡(luò)股指預(yù)測模型研究.pdf

1、在過去的2015年里人們經(jīng)歷了一場波瀾壯闊的大牛市，也經(jīng)歷了一場從未有過的股災(zāi)，多數(shù)人的財富在這一場泡沫中經(jīng)歷了過山車式的變化。而隨著經(jīng)濟的發(fā)展和人民財富的積累，股市在承擔(dān)資產(chǎn)配置和為中小企業(yè)融資方面將扮演越來越重要的角色。股市的好壞將直接影響國計民生，因此如何更好的預(yù)測市場未來的走勢就顯得尤為重要。
　　通過查閱文獻我們發(fā)現(xiàn)，傳統(tǒng)的股市預(yù)測方法在進行數(shù)據(jù)去噪時單純的采取小波去噪的方式，一旦閾值的選擇不合理就會造成對高頻部分去噪過

2、度，使得去噪數(shù)據(jù)不能很好的保留原始數(shù)據(jù)的細節(jié)特征。另外傳統(tǒng)預(yù)測方法老套且創(chuàng)新性不強，多數(shù)文章都是將以往用過的模型重新套用或者單一的組合，并沒有新的研究方法出現(xiàn)。
　　針對以上問題，本文通過Wind數(shù)據(jù)庫提取自2005年4月6日到2015年4月3日滬深300收盤指數(shù)作為原始研究數(shù)據(jù)，共計2428組，數(shù)據(jù)真實可靠。在對原始股票數(shù)據(jù)進行去噪處理時，利用偏微分去噪可以更好的保留數(shù)據(jù)細節(jié)特征的優(yōu)點。本文首次將偏微分和小波去噪相結(jié)合運用于股票

3、數(shù)據(jù)的分析和預(yù)測中，提出了小波偏微分混合去噪模型。將原始數(shù)據(jù)、小波去噪數(shù)據(jù)、小波與偏微分方程去噪數(shù)據(jù)三種數(shù)據(jù)各抽取542組作為預(yù)測模型的輸入變量進行對比研究。
　　由于股票數(shù)據(jù)的非線性特性，本文引入在處理非線性問題時更具優(yōu)勢的GRNN神經(jīng)網(wǎng)絡(luò)模型，并與傳統(tǒng)股票預(yù)測時采取的BP神經(jīng)網(wǎng)絡(luò)模型進行對比?；趧討B(tài)神經(jīng)網(wǎng)絡(luò)理論，本文模仿前人將時間窗口滑動和后反饋連接加入BP神經(jīng)網(wǎng)絡(luò)進而得到可以處理動態(tài)問題的BP—DNN模型。首次將時間窗口滑

4、動和后反饋連接引入GRNN神經(jīng)網(wǎng)絡(luò)提出更適合處理非線性動態(tài)問題的GRNN—DNN模型。
　　最后我們將上述數(shù)據(jù)處理模型與兩種預(yù)測模型組合進行訓(xùn)練和預(yù)測，得到四種可以對股票數(shù)據(jù)進行預(yù)測的組合模型，得出以下結(jié)論:
　　1)由去噪后的指數(shù)圖形可得，小波偏微分混合去噪在去除噪聲的同時可以更好的保留原始數(shù)據(jù)的細節(jié)特征。
　　2)在同一預(yù)測模型背景下，三種數(shù)據(jù)預(yù)測誤差最小的是小波去噪數(shù)據(jù)，小波與偏微分方程去噪數(shù)據(jù)次之，原始數(shù)據(jù)最差