金融时间序列预测的量子粒子群优化递归神经网络方法

摘要

金融时间序列预测的量子粒子群优化递归神经网络方法，涉及时间序列的分析与预测。首先应用混沌和相空间重构理论，通过饱和关联维(G‑P)方法计算混沌金融时间序列吸引子维度，确定RPNN网络的结构，然后通过量子粒子群优化QPSO算法对递归神经网络RPNN训练、最后确定网络的动态最优权值和阈值，使RPNN神经网络仿真预测值与实际值达到最小误差精度。解决了基于梯度算法优化RPNN神经网络易落入局部极小值问题，所建立的QPSO‑RPNN优化预测方法收敛速度快、搜索具有全局性，编程计算简洁、高效、预测精度高，在金融投资和社会经济中有着广泛的应用。