论文部分内容阅读
股票市场是一个具有混沌现象的非线性动力系统,其指数的变化趋势是一种复杂的非线性时序函数,用传统的方法很难给予精确表述,从而影响对股票指数的预测精度。
本文利用基于支持向量机的粒子群神经网络集成技术,将股票指数函数拟合成高维核空间的线性回归函数,求出一个满意的全局最优解,提高股指预测精确度。所用技术方法和成果如下:
(1)利用改进的粒子群算法搜索神经网络集成个体的最佳隐节点,解决个体隐节点个数难于确定的问题。
(2)利用改进的粒子群算法优化神经网络的结构和初始连接权值,尽量避免神经网络训练陷于局部最优解,训练生成一组神经网络集成个体。
(3)利用主成分分析方法对训练个体降维选取,构造一组彼此正交的、差异性大的集成个体。
(4)利用非线性支持向量机技术回归集成个体,生成神经网络集成的输出结论,建立高维核空间的线性回归函数式,求出全局最优解,以此建立股市预测模型。
(5)将新建立的模型与传统集成方法建立的模型进行多重比较,结果证明本文的研究是实用和有效的。