论文部分内容阅读
鉴于智能计算方法具有自适应、自学习、并行性等优点，本文以智能计算方法为基础，通过引入趋势因子和群智能等方法，提出了改进BP神经网络模型并将其应用于股市预测领域中。具体内容包括：（1）通过对BP神经网络的输入层、隐层和输出层节点数目的确定，建立基于BP神经网络的股市预测模型，并将其对深圳成分指数进行仿真模拟预测。实验结果表明，BP神经网络用于股市预测领域是可行的，有效的，具有一定的优越性。（2）鉴于趋势因子具有纠正预测方向的特性，为进一步提高BP神经网络的预测性能，本文将趋势因子引入到BP神经网络中，提出了引入趋势因子BP神经网络，即DF-BPNN网络(BP Neural Network with Direction Factor)。实验结果表明，与基本BP神经网络相比，本文提出的DF-BPNN模型的预测性能优于BP神经网络，其预测精度有进一步的改善。（3）鉴于粒子群优化算法具有较好的全局搜索能力和优化性能，本文利用粒子群优化算法对BP神经网络的权重和阈值进行优化，提出了一种基于群智能的PSO-BP混合神经网络模型即PSO-BP NN（PSO-BP NeuralNetwork）。另外，采用本文提出的PSO-BPNN模型对深圳成分指数股市进行预测，得到了令人满意的结果。（4）针对本文提出的引入趋势因子BP神经网络和PSO-BP混合神经网络，与基本BP神经网络的预测性能进行比较研究。通过实验获得的仿真模拟图与数值结果表明，本文提出的引入趋势因子BP神经网络与PSO-BP混合神经网络的预测性能均优于基本BP神经网络，但引入趋势因子BP神经网络与PSO-BP混合神经网络相比，其预测性能差别较小。