变结构时态神经网络模型在股票预测中的应用

摘要

cqvip:股票价格形成的时序数据具有非线性和非平稳性,传统的模型难以处理这些特征,为此提出一种处理非平稳数据的变结构时态神经网络预测模型。采用基于多分辨率分析的Mallat算法对股票数据进行预处理,将时序数据分为高频和低频序列。针对不同序列下的数据特征,将其转化为时态型数据集,采用粒子群算法寻找不同序列下的神经网络结构,建立变结构预测模型。实验结果表明,与未改进的神经网络和SVM方法相比,该预测模型具有更低的预测误差。