人工神经网络在股市预测中的应用研究

摘要

股票市场作为一个高风险高收益的投资领域,其运作是一个复杂的非线性系统,容易受到多方面的影响。在这个领域,投资者为了追求投资收益的最大化和投资风险的最小化,不断地探索其内在规律,寻找其有效的分析方法和工具。因此,股票预测方法的研究具有极其重要的理论意义和应用价值。 股票市场具有很强的随机性和非线性,而人工神经网络是一个非线性的动态系统,可在任意精度内实现变量间的非线性关系的映射,具有良好的自适应、自学习能力和良好的泛化能力,神经网络的这种特性能够满足股市预测要求。试验证明,利用神经网络对股市建模可以取得比较好的预测效果。 本文基于神经网络的系统建模方法,构建了股票价格预测模型,应用神经网络进行股票价格的实际值的预测,并应用实例验证了模型的可行性和有效性。本文在建模过程中,将Levenberg-Marquardt算法和试凑法相结合,有效地解决参数选择难的问题,和同类算法相比,提高了运算速度和精确度。 本文对人工神经网络在投资预测上的优缺点得出了一些有价值的结论： 1.人工神经网络可以实现较精确的预测。人工神经网络可以模拟技术分析和基本分析,也可以将技术分析与基本分析相结合,进行综合分析。 2.人工神经网络模型在建立过程中,自动化程度相对较高,许多内部过程可以自动完成。

目录

文摘

英文文摘

声明

第1章绪论

1.1本研究的背景与选题的意义

1.2国内外研究现状

1.3本研究的主要内容及安排

1.4研究的思路与方法

第2章股票价格预测

2.1股票价格预测的基础性假设

2.2股票预测方法

2.2.1证券投资分析法

2.2.2时间序列预测分析法

2.2.3方向预测

2.2.4非线性预测

第3章神经网络的基本原理

3.1神经网络的理论基础

3.1.1神经元模型

3.1.2神经元传递函数

3.1.3神经网络的学习算法

3.2 BP网络

3.2.1 BP神经网络基本结构模型

3.2.2 BP网络的学习过程

3.2.3 BP网络学习算法具体步骤

3.2.4网络算法的改进方法

第4章BP神经网络设计及MATLAB实现

4.1 BP神经网络预测时间序列

4.2 BP网络的设计

4.2.1确定网络的层数

4.2.2确定隐层的神经元数

4.2.3确定输入输出结点数

4.2.4提高网络的泛化能力

4.3 BP神经网络的MATLAB实现

4.3.1生成一个BP网络

4.3.2数据的预处理和后处理

4.3.3 BP神经网络的训练

4.3.4 BP神经网络的仿真

4.4程序设计

第5章实证分析

第6章结论

6.1主要的研究内容

6.2创新点

6.3研究展望

参考文献

附录

致谢