基于小波與神經(jīng)網(wǎng)絡(luò)的非參數(shù)模型及其應(yīng)用研究

1、——————————————————————————————————————一。．凌菱莓或發(fā)表該論文涉及的研究內(nèi)容時；‘會注明西安理工大學(xué)! ；；西安理工大學(xué)擁有學(xué)位論文的墨i 疆蔞如下使用權(quán)，1 ，j ’包括；警?？梢员４鎸W(xué)位論文；．、可以采用影剮，縮印或其他復(fù)制手段保存；董：甏豢：論文知：。軻以查閱或借閱一本人授權(quán)西安理墨太學(xué)對學(xué)位論文全部內(nèi)容編入冷耥數(shù)據(jù)庫 ：≈o 籜荔” ＼’ 。- ，■’一 ：。 ■ ，j 一一。 ， 礦 r

2、．■j 每≤裝進(jìn)符檢索。；本學(xué)位論文全部或部分丙容的公布( 包括刊登) 授權(quán)西安理芏矢學(xué)研究生學(xué)．* 摻％．，移糟靜：二轉(zhuǎn)、* 銹劣鈍稚漾囊繅洳蹉瓣蕊囊羹 f l ”÷，c } j 。J ! 。÷、～、’+ 、1 f ，：一1 一t 一一一t “．～‘知持二多． { ：·， ‘’7 ， ’二i - ，J t h 一上! 、J ：』j 鏈一々、7，’’ 土校保密辦公室確定密級的涉密學(xué)位論文，? 按照相關(guān)保密規(guī)

3、定執(zhí)行} 需要進(jìn)行， ， ? ’j，：。毒撓0 { ‘0 t o - j 。1 一竹；、’ ，r，i 尊! 長疑％j ．牟；{ j ；分。嘶，托‰? ，．苷斃* ‘，鉛jI k 一7 F ，』- ■r 』j ，j ，! j J 。r7 竹．’，o L ，o 4 0 ，·竹，。t j r ，，1 一，n j 0 + ．1 ‘s ：’1 ‘? ，行1 r 。、’1純，一絕- = } } ：囊；‰幸，捧毋，、 托帶饕每! 秘母j $

4、 。漳：技術(shù)保密的學(xué)位論文；按照《西安理工大學(xué)學(xué)位論文技術(shù)保密申請表》內(nèi)容進(jìn)行保密( 附j(luò) 畢篇節(jié)奠 。?！?。。 i ：，， i‘ ，，；j ，‘ j c j ． ，，，、2 0 ，， ■’．^ } 諱毒等未《西安理輯％0 # 弓?！? = l } ，蔫：靜‰二咎 保密j 若非锨結(jié)糝謗轉(zhuǎn)％擄端巍* ：榨榷磐才絮昝務(wù)毪餮，律，{ 。韉一毪7 轉(zhuǎn)誓勞‘乞糯：銹二轉(zhuǎn)備÷、§扣! 斧拳．％j 二勞轉(zhuǎn)絮芬張等0 { ：椎端鬻

5、，影j 每◇器轉(zhuǎn)熊肄％恐端：磚．．％教苷 爺揀％棼- 曾鬈，年萎：摻：軒。南二÷弗筏’# ，：輯；0 { i 、：# ’越；士7 ，一：每聲聾每‰，。、0 7 - 待皋，髯．箍二爭7 每．，，．張毪_ ，_ 冀，轉(zhuǎn)’號冬j 掣制5 1 ≯’譬．并i 肄囂麓餾：筆j ! 弘挎：弦￡7 { f ，l - ’捧≈t ’朽，；{ 聲’滲疊、1 ’7 _咎r 南、，輯：：樣j t ：娃+ # 辛肄{ L ‘摶{ f7 * k ≯- ‘j

6、 c - ～i 梅一，Xf 1 ‘論文題目：基于小波與神經(jīng)網(wǎng)絡(luò)的非參數(shù)模型及其應(yīng)用研究學(xué)科專業(yè)：應(yīng)用數(shù)學(xué)研究生：劉常明指導(dǎo)老師：張德生教授摘要簽名：麴整! 日 簽名：齜本文將小波分析與神經(jīng)網(wǎng)絡(luò)、可加外生變量的非參數(shù)模型相結(jié)合對上證綜指月度收盤指數(shù)進(jìn)行研究，該方法發(fā)揮了小波分析的時頻局部化特征和神經(jīng)網(wǎng)絡(luò)的非線性映射功能，同時又考慮了影響股票價格的外界因素，具有較好的預(yù)測效果。本文的主要研究內(nèi)容如下：1 ．考慮到外界因素對股票指數(shù)的影響，應(yīng)

7、用灰典型相關(guān)分析法對上證綜指的影響因素進(jìn)行分析，分析結(jié)果表明：貨幣供應(yīng)量是影響上證綜指的一個重要影響因素。2 ．首先對上證綜指月度收盤指數(shù)建立了N A R 模型，并對其進(jìn)行了預(yù)測；然后，將貨幣供應(yīng)量作為外生變量引入到模型中，建立了上證綜指的N A R X 模型并進(jìn)行預(yù)測；最后將N A R X 模型的預(yù)測結(jié)果與N A R 模型的預(yù)測結(jié)果作比較。結(jié)果表明：N A R X 模型的預(yù)測效果優(yōu)于N A R 模型。3 ．首先對上證綜指月度收盤指數(shù)和

8、貨幣供應(yīng)量進(jìn)行小波分解和重構(gòu)，分別得到它們的近似序列和細(xì)節(jié)序列。然后，對上證綜指建立了基于小波的N A R X 模型，即分別對近似序列和細(xì)節(jié)序列建立N A R X 模型，并分別進(jìn)行預(yù)測，再將兩部分的預(yù)測值疊加作為最終的預(yù)測值；同時，對上證綜指建立了基于小波的N N - N A R X 模型，即對近似序列建立B P 神經(jīng)網(wǎng)絡(luò)模型，對細(xì)節(jié)序列仍然建立N A R X 模型，并分別進(jìn)行預(yù)測，再將兩部分的預(yù)測值疊加作為最終的預(yù)測值；最后，將上證綜