结合Relief算法基于神经网络与支持向量机的股价指数预测研究

结合Relief算法基于神经网络与支持向量机的股价指数预测研究

论文摘要

股票作为证券市场的重要组成部分,其价格的变动牵动着众多股市参与者的心。如果能够成功预测股价的走向对众多股市参与者来说意义重大,对于投机者来说可以通过预测股价的涨跌方向并在多次买卖中获取短期利润,对于投资者来说预测股价的涨跌方向可以更好的判断市场的情况并制定相应的投资策略,对于风险管理来说预测股价的走向更有利于及时从不合理的股价运动中发现市场风险并提前做出相应的管控和调整。因此寻找有效方法预测股票的价格或涨跌成为金融界的重点关注的问题。虽然股票价格的预测问题意义重大,但其在金融领域中却是一个异常复杂的问题,这是因为股票价格的运动是很复杂的,并且被诸如政治事件、公司政策、一般经济环境、投资期望、机构投资者的选择以及投资心理学等等多种因素影响。这些原因造成了股票价格的运动走向是一个非线性的、复杂的并且混乱的系统。在这样的情况下就意味着简单的模型是不能解决股价预测问题的,而是需要寻找更为复杂的模型或方法来解决这个问题。虽然股价预测的难度非常大,但到目前为止股价预测已经发展出了多种解决方法,其中所使用的方法大体上分为证券业所使用的基本方法、传统统计方法、机器学习方法和其他方法。本文将从BP神经网络在沪深300指数价格预测中的应用出发,并讨论不同机器学习模型、数据量的提高和Relief特征选择算法是否有利于提高模型预测准确率。为了实现上述目的,本文的主要工作分为三个部分,第一部分将BP、RBF神经网络和SVM(支持向量机)应用于沪深300指数日频数据的涨跌预测以对比不同模型的预测能力;第二部分将BP神经网络分别应用于沪深300指数的日频数据和分钟频数据的涨跌预测验证增大数据量是否会提高模型预测能力;第三部分将Relief算法应用于BP、RBF神经网络和SVM的沪深300指数日频数据的涨跌预测验证Relief特征选择是否会提高模型的预测能力。实证各部分结果如下:第一部分显示SVM的预测能力高于RBF神经网络,RBF高于BP神经网络;第二部分显示数据量的增大会提高BP神经网络的预测能力;第三部分显示Relief算法在SVM(多项式核函数)上会一定程度上提高预测能力。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  •   1.1 背景及意义
  •   1.2 股价预测问题综述
  •     1.2.1 证券业传统预测方法
  •     1.2.2 经济模型及统计方法
  •     1.2.3 机器学习预测方法
  •     1.2.4 其他方法
  •   1.3 主要工作
  •     1.3.1 文章内容及新颖点
  •     1.3.2 文章结构
  • 第2章 模型及算法简介
  •   2.1 BP神经网络
  •     2.1.1 神经元
  •     2.1.2 一般神经网络结构
  •     2.1.3 一般神经网络前馈过程
  •     2.1.4 BP算法
  •     2.1.5 其他常用神经网络
  •   2.2 RBF神经网络
  •   2.3 支持向量机
  •     2.3.1 基本形式
  •     2.3.2 核函数的应用
  •   2.4 Relief算法
  • 第3章 数据概览及模型训练方法
  •   3.1 数据概况
  •     3.1.1 日频数据
  •     3.1.2 分钟频数据
  •   3.2 变量选取及数据预处理
  •     3.2.1 变量选取
  •     3.2.2 数据预处理
  •   3.3 训练方法
  •   3.4 模型框架
  •     3.4.1 BP神经网络
  •     3.4.2 RBF神经网络
  •     3.4.3 SVM
  • 第4章 实证结果
  •   4.1 不同模型结果
  •   4.2 不同数据量结果
  •   4.3 Relief算法结果
  • 第5章 结论与展望
  •   5.1 结论
  •   5.2 展望
  • 参考文献
  • 致谢
  • 附件
  • 文章来源

    类型: 硕士论文

    作者: 董畅

    导师: 嵇少林

    关键词: 股价预测,神经网络,支持向量机,算法

    来源: 山东大学

    年度: 2019

    分类: 基础科学,信息科技,经济与管理科学

    专业: 数学,自动化技术,宏观经济管理与可持续发展,金融,证券,投资

    单位: 山东大学

    分类号: TP18;F224;F832.51

    总页数: 60

    文件大小: 3004K

    下载量: 220

    相关论文文献

    • [1].基于优化神经网络的地质灾害监测预警仿真[J]. 计算机仿真 2019(11)
    • [2].基于进化神经网络的304不锈钢车削加工表面粗糙度预测[J]. 轻工机械 2019(06)
    • [3].时频联合长时循环神经网络[J]. 计算机研究与发展 2019(12)
    • [4].几种典型卷积神经网络的权重分析与研究[J]. 青岛大学学报(自然科学版) 2019(04)
    • [5].基于GA-BP神经网络异纤分拣机检测参数优化[J]. 棉纺织技术 2020(01)
    • [6].基于集成神经网络的织物主观风格预测研究[J]. 纺织科技进展 2020(01)
    • [7].试析神经网络技术在机械工程中的应用及发展[J]. 网络安全技术与应用 2020(02)
    • [8].一种深度小波过程神经网络及在时变信号分类中的应用[J]. 软件 2020(02)
    • [9].不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质 2020(01)
    • [10].基于深度神经网络的航班保障时间预测研究[J]. 系统仿真学报 2020(04)
    • [11].基于生成对抗网络和深度神经网络的武器系统效能评估[J]. 计算机应用与软件 2020(02)
    • [12].基于循环神经网络的双轴打捆机智能换挡策略研究[J]. 安徽工程大学学报 2020(01)
    • [13].基于图神经网络的实体对齐研究综述[J]. 现代计算机 2020(09)
    • [14].基于改进的循环神经网络深度学习跌倒检测算法[J]. 电脑编程技巧与维护 2020(03)
    • [15].神经网络探索物理问题[J]. 物理 2020(03)
    • [16].基于GA-BP神经网络的城市用水量预测[J]. 现代电子技术 2020(08)
    • [17].基于深度神经网络的药物蛋白虚拟筛选[J]. 软件工程 2020(05)
    • [18].基于轻量级神经网络的人群计数模型设计[J]. 无线电工程 2020(06)
    • [19].高效深度神经网络综述[J]. 电信科学 2020(04)
    • [20].含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报(自然科学版) 2020(03)
    • [21].基于神经网络及特征运算的老年人平衡能力分析[J]. 重庆工商大学学报(自然科学版) 2020(04)
    • [22].神经网络技术在机械工程中的应用及发展探析[J]. 科技创新与应用 2020(18)
    • [23].基于竞争神经网络的变电站巡视周期分类[J]. 科技创新与应用 2020(18)
    • [24].基于双向循环神经网络的语音识别算法[J]. 电脑知识与技术 2020(10)
    • [25].结合相似日与改进神经网络的短期光伏发电预测[J]. 广西电业 2020(04)
    • [26].基于神经网络的流感大数据分析[J]. 中华医学图书情报杂志 2020(03)
    • [27].长短时记忆神经网络在地电场数据处理中的应用[J]. 地球物理学报 2020(08)
    • [28].基于门控循环单元神经网络的公交到站时间预测[J]. 南通大学学报(自然科学版) 2020(02)
    • [29].鼠脑神经网络的同步辐射3D成像研究[J]. 核技术 2020(07)
    • [30].基于长短记忆神经网络的短期光伏发电预测技术研究[J]. 华北电力大学学报(自然科学版) 2020(04)

    标签:;  ;  ;  ;  

    结合Relief算法基于神经网络与支持向量机的股价指数预测研究
    下载Doc文档

    猜你喜欢