基于小波神经网络与支持向量机的股票预测及优化

基于小波神经网络与支持向量机的股票预测及优化

论文摘要

股票市场数据通常具有极强的波动性,对股票市场数据的预测一直以来都是金融领域的重要课题。股票预测即对股票价格指数的运行趋势进行预测,这也是国内外在统计金融领域的研究热点。传统的股票预测方法主要是线性预测法,其中较为常见的就是建立自回归移动平均模型。在金融研究领域,自回归移动模型(ARIMA)是一种主要的预测手段,这是一种线性的预测方法,其对一些平稳数据的预测效果较好,但是对具有强波动性的股票数据往往效果欠佳。由于ARIMA模型的非线性预能力较差导致其始终无法产生较为满意的预测结果,研究者需要寻找更多适用于股票预测的方法。机器学习对金融行业数据的处理有着得天独厚的优势,其能精准分析同一时间内的大量股票数据或财务数据的变动,并很快得出相应的结论,这样使金融市场的运行效率得到显著提高。在股票市场的趋势预测方面,其能运用股价指数的相关特征对股票市场数据进行预测,在财务数据管理方面,机器学习算法可对公司的资产负债表、现金流量表等财务数据进行有效分析。我们需要寻找一些可以对非线性数据具有良好适应性的预测方法,所以拟用机器学习的相关算法,本文采用的是小波神经网络(WNN)和支持向量机(SVM)。小波神经网络是将小波与神经网络结合的理论方法,这种方法融合了两种理论的优点,是一种有效的股票预测方法。支持向量机以坚实的数学理论做支撑,其采用核函数方法可以有效解决一些复杂计算,并应用结构风险最小化原则使得这种方法在金融预测领域广受推崇。使用BP算法的WNN收敛速度慢且易陷入局部最小,为改善模型性能,提高预测精度,拟用用粒子群算法(PSO)优化WNN,优化WNN参数以建立股票预测模型PSO-WNN。为了遵从实验的逻辑性,同样建立股票预测模型PSO-SVM。运用MATLAB进行仿真实验,通过分析实验结果,证明小波神经网络和支持向量机在股票预测中的可行性。设定相关统计指标衡量预测效果,评估优化效果,并分析比较模型在优化后的预测性能,最后综合分析整体的预测性能。

论文目录

  • 摘要
  • abstract
  • 第一章 绪论
  •   1.1 股票预测
  •     1.1.1 研究背景
  •     1.1.2 研究方向
  •   1.2 机器学习与人工智能
  • 第二章 机器学习与统计分析
  •   2.1 统计分析
  •     2.1.1 机器学习的统计基础
  •     2.1.2 线性模型的回归方法
  •   2.2 数据建模
  •     2.2.1 数据的收集与预处理
  •     2.2.2 数据的可视化分析
  •     2.2.3 特征的选择与提取
  •   2.3 本章小结
  • 第三章 小波神经网络预测
  •   3.1 小波理论概述
  •   3.2 神经网络
  •     3.2.1 神经元模型
  •     3.2.2 误差逆传播算法
  •     3.2.3 激活函数与损失函数
  •     3.2.4 网络学习率
  •   3.3 小波神经网络股票预测模型
  •     3.3.1 WNN的拓扑机构
  •     3.3.2 WNN算法
  •     3.3.3 WNN股票预测模型的构造
  •     3.3.4 WNN的参数优化
  •   3.4 本章小结
  • 第四章 支持向量机预测
  •   4.1 支持向量机概述
  •   4.2 支持向量机模型
  •     4.2.1 超平面与支持向量
  •     4.2.2 非线性分划
  •     4.2.3 核函数
  •     4.2.4 分类机与回归机
  •     4.2.5 支持向量机与统计
  •   4.3 支持向量机股票预测模型
  •     4.3.1 SVM股票预测模型的构造
  •     4.3.2 SVM的参数优化
  •   4.4 本章小结
  • 第五章 粒子群优化算法
  •   5.1 优化问题
  •   5.2 仿生智能计算
  •   5.3 粒子群优化算法
  •     5.3.1 基本型和标准型
  •     5.3.2 粒子群优化算法的拓扑结构
  •   5.4 粒子群算法的参数分析
  •     5.4.1 惯性权重的调整
  •     5.4.2 学习因子的调整
  •   5.5 本章小结
  • 第六章 实验设计与分析
  •   6.1 数据来源及处理
  •   6.2 仿真实验
  •     6.2.1 PSO-WNN的仿真实验
  •     6.2.2 PSO-SVM的仿真实验
  •     6.2.3 预测性能评估——上证指数
  •     6.2.4 多组数据的预测
  •   6.3 实验总结与展望
  • 第七章 全文总结
  • 致谢
  • 符号表
  • 参考文献
  • 附录:读研期间科研情况
  • 文章来源

    类型: 硕士论文

    作者: 汪志峰

    导师: 钱萌

    关键词: 机器学习,小波神经网络,支持向量机,粒子群算法,股票预测

    来源: 安庆师范大学

    年度: 2019

    分类: 基础科学,经济与管理科学

    专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

    单位: 安庆师范大学

    分类号: F224;F830.91

    总页数: 59

    文件大小: 2586K

    下载量: 755

    相关论文文献

    • [1].小波神经网络在水库流量预测中的应用[J]. 四川建材 2020(03)
    • [2].基于模糊小波神经网络的营运客车运行风险评估模型研究[J]. 安全与环境学报 2020(03)
    • [3].基于小波神经网络模型的公交客流预测[J]. 武汉轻工大学学报 2020(03)
    • [4].基于小波神经网络的移动网络流量预测研究[J]. 电子世界 2020(15)
    • [5].基于小波神经网络的温室番茄产量预测[J]. 中国瓜菜 2020(08)
    • [6].基于小波神经网络的高速自动机故障预测方法研究[J]. 国外电子测量技术 2020(08)
    • [7].小波神经网络在玉米营养品质鉴定中的应用[J]. 江苏农业科学 2020(17)
    • [8].依赖小波神经网络算法的信息安全风险评估方法[J]. 信息技术 2018(12)
    • [9].基于小波神经网络的独立光伏发电量模型的探究[J]. 电子质量 2019(04)
    • [10].灰色-小波神经网络支持下对地铁工程沉降变形的预测[J]. 测绘通报 2019(05)
    • [11].小波神经网络背景下的大数据在线负载异常监测技术[J]. 粘接 2019(09)
    • [12].基于相似日和小波神经网络的光伏短期功率预测[J]. 电网与清洁能源 2019(03)
    • [13].基于小波神经网络的收割机测产系统振动信号分析[J]. 农机化研究 2018(06)
    • [14].基于小波神经网络的定制公交目标乘客出行意愿预测[J]. 重庆交通大学学报(自然科学版) 2018(08)
    • [15].基于小波神经网络的电力系统负荷预测[J]. 科技创业月刊 2017(05)
    • [16].小波神经网络在桥梁施工监控中的应用[J]. 地理空间信息 2017(08)
    • [17].基于小波神经网络的软件错误定位研究[J]. 电子设计工程 2016(08)
    • [18].自构建小波神经网络的内模控制研究与应用[J]. 计算机测量与控制 2014(09)
    • [19].基于小波神经网络的模拟电路故障诊断技术[J]. 计算机测量与控制 2014(11)
    • [20].一种自适应模糊小波神经网络及其在交流伺服控制中的应用[J]. 兵工学报 2015(05)
    • [21].基于小波神经网络的沪深300指数收盘价预测[J]. 中国集体经济 2013(27)
    • [22].一种基于小波神经网络的图像分割方法[J]. 信息通信 2020(10)
    • [23].基于递归小波神经网络的江苏城镇夏季最高气温预报预警技术[J]. 自然灾害学报 2019(06)
    • [24].基于改进小波神经网络的协同作战能力评估[J]. 指挥信息系统与技术 2020(01)
    • [25].基于固定网格小波神经网络的不规则波中船舶横摇运动在线预报(英文)[J]. 船舶力学 2020(06)
    • [26].基于小波神经网络的股票预测[J]. 云南民族大学学报(自然科学版) 2019(02)
    • [27].基于小波神经网络PID的战车自适应巡航算法[J]. 兵器装备工程学报 2019(03)
    • [28].基于粒子群优化小波神经网络的风洞风机振动故障的诊断[J]. 吉林农业 2019(16)
    • [29].基于小波神经网络的智慧武汉信息化发展评价及对策研究[J]. 情报科学 2018(02)
    • [30].基于小波神经网络的话题热度预测模型研究[J]. 现代信息科技 2018(05)

    标签:;  ;  ;  ;  ;  

    基于小波神经网络与支持向量机的股票预测及优化
    下载Doc文档

    猜你喜欢