具有最优学习率的RBF神经网络学习算法及其在金融时间序列预测中的应用

摘要

传统固定学习率的RBF 神经网络在金融时间序列预测方面已经有比较成功的应用，但网 络学习率的选择问题却给传统RBF 网络的使用带来了不便。本文利用梯度下降法及优化方法 推导出了RBF 神经网络的动态最优学习率并将其应用于网络学习算法，具有最优学习率的 RBF 神经网络能够在保证网络稳定学习的同时兼顾网络的收敛速度。为了检验具有动态最优 学习率的RBF 神经网络的预测效果，本文进行了沪深300 指数波动率预测实验。实验结果 表明，具有动态最优学习率的RBF 网络比传统的固定学习率的RBF 网络有着更快的收敛速 度，同时也避免了人为选定学习率的不便。