论文部分内容阅读
金融投资活动中预测始终是占据重要位置的，为了以获得盈利降低风险为目的的投资活动顺能力进行，对复杂的非线性金融产品市场，其发展不仅仅包含自身的趋势性，更受到政治经济等等多方面因素影响。传统的计量统计模型预测方法对于这类市场的研究预测存在诸多困难，而神经网络自适应高精度的特点使得其极其适合解决相关问题，因此研究神经网络具有现实意义。
目前神经网络的预测作用已经被广泛认可，本文基于神经网络的可行性进行展开，意图证实神经网络基于PSO以及GA算法优化的可行性，并对比优化结果分析优化效果。本文的产生基于以下几个条件:从神经网络实际运用的角度看，LapedesA等人在早期创造性地将非线性的神经网络运用于时间序列数据的预测分析，验证实际运用中神经网络的可行性1，此后，神经网络的预测效果在太阳黑子的年平均活动方面、股票预测方面、以及汇率预测方面都受到了认可以及肯定。在操作上，由于数据支持以及matlab的可运用，使得神经网络操作具有可行性。最基本的数据支持方面，2008年1月9日，上海期货交易所正式推出黄金期货合约，由此我们便有了本文研究的数据支持。而matlab2010b是本文中实际操作进行神经网络模型构建的技术支持，尤其是谢尔菲德大学遗传算法工具箱为本文中利用遗传算法进行对神经网络模型的改进提供支持。
本文选择神经网络作为预测的模型，原因如下:首先，相比其他方法，神经网络更适合于非线性问题研究，黄金期货价格变动过程中具有很明显的高度非线性，传统的模型诸如时间序列分析在模型构建上有一定的局限，因此不能满足黄金期货价格预测的需求。第二，从参考文献以及其他学者的研究经验上来看，神经网络拟合以及预测的精度确实更加优秀。第三，就模型假设条件上，BP神经网络的要求会低一些，便于模型建立。
本文研究重点在于利用神经网络分析黄金期货价格的基础上，提出了优化改进，以求能够在模型预测精准度以及运行速度方面有所改善。权值的调整是神经网络中的重要一环，直接关系到模型预测精准程度。传统的BP神经网络模型在权值调整过程中收敛速度过慢，缺陷是容易选入局部极小值。本文的创新之处便在于此，在传统BP神经网络的基础上适度改进，采用遗传算法以及粒子群优化进行权值调整，通过对比优化后的神经网络与普通BP神经网络，以实证结果表明，针对权值以遗传算法以及粒子群算法进行优化的BP神经网络用于黄金期货价格预测是可行的，而且改进后提高了预测精度。文中BP神经网络模型，不同于线性时间序列回归，也不同于一般BP神经网络模型的收敛。本文主要讨论的优化权值下的神经网络模型是否具有价值，论文在实证研究中主要得到以下几点成果:
对于黄金期货的价格预测问题上BP神经网络模型显然是实用的，实证表明经过粒子群优化以及遗传算法优化的BP神经网络极大弥补了神经网络的不足，通过对于初始阈值以及权值的优化，有效提高了BP神经网络的收敛速度以及最终精度，拟合效果高于一般传统方法。
目前神经网络的预测作用已经被广泛认可，本文基于神经网络的可行性进行展开，意图证实神经网络基于PSO以及GA算法优化的可行性，并对比优化结果分析优化效果。本文的产生基于以下几个条件:从神经网络实际运用的角度看，LapedesA等人在早期创造性地将非线性的神经网络运用于时间序列数据的预测分析，验证实际运用中神经网络的可行性1，此后，神经网络的预测效果在太阳黑子的年平均活动方面、股票预测方面、以及汇率预测方面都受到了认可以及肯定。在操作上，由于数据支持以及matlab的可运用，使得神经网络操作具有可行性。最基本的数据支持方面，2008年1月9日，上海期货交易所正式推出黄金期货合约，由此我们便有了本文研究的数据支持。而matlab2010b是本文中实际操作进行神经网络模型构建的技术支持，尤其是谢尔菲德大学遗传算法工具箱为本文中利用遗传算法进行对神经网络模型的改进提供支持。
本文选择神经网络作为预测的模型，原因如下:首先，相比其他方法，神经网络更适合于非线性问题研究，黄金期货价格变动过程中具有很明显的高度非线性，传统的模型诸如时间序列分析在模型构建上有一定的局限，因此不能满足黄金期货价格预测的需求。第二，从参考文献以及其他学者的研究经验上来看，神经网络拟合以及预测的精度确实更加优秀。第三，就模型假设条件上，BP神经网络的要求会低一些，便于模型建立。
本文研究重点在于利用神经网络分析黄金期货价格的基础上，提出了优化改进，以求能够在模型预测精准度以及运行速度方面有所改善。权值的调整是神经网络中的重要一环，直接关系到模型预测精准程度。传统的BP神经网络模型在权值调整过程中收敛速度过慢，缺陷是容易选入局部极小值。本文的创新之处便在于此，在传统BP神经网络的基础上适度改进，采用遗传算法以及粒子群优化进行权值调整，通过对比优化后的神经网络与普通BP神经网络，以实证结果表明，针对权值以遗传算法以及粒子群算法进行优化的BP神经网络用于黄金期货价格预测是可行的，而且改进后提高了预测精度。文中BP神经网络模型，不同于线性时间序列回归，也不同于一般BP神经网络模型的收敛。本文主要讨论的优化权值下的神经网络模型是否具有价值，论文在实证研究中主要得到以下几点成果:
对于黄金期货的价格预测问题上BP神经网络模型显然是实用的，实证表明经过粒子群优化以及遗传算法优化的BP神经网络极大弥补了神经网络的不足，通过对于初始阈值以及权值的优化，有效提高了BP神经网络的收敛速度以及最终精度，拟合效果高于一般传统方法。