融合群智能方法BP神經(jīng)網(wǎng)絡(luò)模型及其在股市預(yù)測(cè)中的應(yīng)用.pdf

1、鑒于智能計(jì)算方法具有自適應(yīng)、自學(xué)習(xí)、并行性等優(yōu)點(diǎn)，本文以智能計(jì)算方法為基礎(chǔ)，通過(guò)引入趨勢(shì)因子和群智能等方法，提出了改進(jìn) BP神經(jīng)網(wǎng)絡(luò)模型并將其應(yīng)用于股市預(yù)測(cè)領(lǐng)域中。具體內(nèi)容包括：（1）通過(guò)對(duì) BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱層和輸出層節(jié)點(diǎn)數(shù)目的確定，建立基于 BP神經(jīng)網(wǎng)絡(luò)的股市預(yù)測(cè)模型，并將其對(duì)深圳成分指數(shù)進(jìn)行仿真模擬預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)用于股市預(yù)測(cè)領(lǐng)域是可行的，有效的，具有一定的優(yōu)越性。（2）鑒于趨勢(shì)因子具有糾正預(yù)測(cè)方向的特性，為

2、進(jìn)一步提高 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能，本文將趨勢(shì)因子引入到BP神經(jīng)網(wǎng)絡(luò)中，提出了引入趨勢(shì)因子BP神經(jīng)網(wǎng)絡(luò)，即DF-BPNN網(wǎng)絡(luò)(BP Neural Network with Direction Factor)。實(shí)驗(yàn)結(jié)果表明，與基本BP神經(jīng)網(wǎng)絡(luò)相比，本文提出的DF-BPNN模型的預(yù)測(cè)性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)精度有進(jìn)一步的改善。（3）鑒于粒子群優(yōu)化算法具有較好的全局搜索能力和優(yōu)化性能，本文利用粒子群優(yōu)化算法對(duì) BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行

3、優(yōu)化，提出了一種基于群智能的PSO-BP混合神經(jīng)網(wǎng)絡(luò)模型即PSO-BP NN（PSO-BP Neural Network）。另外，采用本文提出的PSO-BPNN模型對(duì)深圳成分指數(shù)股市進(jìn)行預(yù)測(cè)，得到了令人滿(mǎn)意的結(jié)果。（4）針對(duì)本文提出的引入趨勢(shì)因子 BP神經(jīng)網(wǎng)絡(luò)和PSO-BP混合神經(jīng)網(wǎng)絡(luò)，與基本BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能進(jìn)行比較研究。通過(guò)實(shí)驗(yàn)獲得的仿真模擬圖與數(shù)值結(jié)果表明，本文提出的引入趨勢(shì)因子 BP神經(jīng)網(wǎng)絡(luò)與PSO-BP混合神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性