一种新型进化部分神经网络模型在股票预测中的应用

摘要

从2008年以来,次信贷危机引起全球金融市场的震荡,导致了全球经济的衰退和失业率居高不下的局面,严重影响了我国人民的生活状况。股票市场作为金融的一个重要组成部分,股市的暴涨暴跌对我国的资本产生了巨大的震荡。如何建立一个精确度非常高的股票预测模型来降低投资风险并提高报酬,成为每个金融投资者最关心的课题。
　　 本文深入地分析股票预测面临的难点与各种方法比较基础上,并针对前向神经网络包含2层以上的隐含层时,会陷入运算过程时间太长和不同的输入值时输出值陷入不动点的状态等问题,提出了一种新型“部分”神经网络模型修正这些缺陷,该模型的特点在于神经元之间是动态的有概率的连接,这样极大地增强了神经网络结构的可变化性和与环境交互的适应能力。针对BP算法在股市预测中存在易陷入局部极小、学习能力差、预测结果不准等问题,提出了将进化算法引入部分神经网络的方法来克服BP算法的缺陷,即:跳出局部极小找到全局最优,提高学习能力和预测精度等问题。进化部分神经网络通过对以往数据的学习,将其存储在网络的权值与阀值中,用以预测未来的走势。针对进化部分神经网络模型进行股市预测的原理,本文进行了三次实验的仿真实验:实验一采用了美国股市中的Citigroup和Motors Liquidation公司为例评估了模型的预测效果；实验二得出的结论是在不同的层数与神经元个数情况下,进化部分神经网络会出现过度拟合的问题；实验三与Chang&Liu(2008)中的股票预测作比较,得到了良好的预测效果。实验结果表明,对于股票价格这个多噪声的非线性系统,新型进化部分神经网络不仅显现出良好的自适应进化与数据拟合特性,而且训练与测试精度挺高。相比较传统的神经网络来说,极大地增强了网络的可变性,同时结合遗传算法的变异特性,使其避免陷入局部最优解的缺点,尽快地达到全局最优的特点。