论文部分内容阅读
市场经济的快速发展和竞争的不断加剧，使得正确及时预测和由此产生的可靠的决策，成为现代企业成功的关键要素，并对国民经济的发展起到了越来越大的作用。人们只有更准确地揭示出经济数据的内在规律，才能正确把握经济变量之间的本质联系，才能更完整地弄清市场经济的运作范式，从而为经济主管部门提供客观的决策依据。但是，经济领域所研究的系统常常涉及到许多关系复杂、知识背景模糊、推理规则不明确的问题，现实的经济系统，特别是宏观经济系统常常都是非常复杂的动态随机系统，系统本身非常复杂，影响因素众多、各种不确定性共同作用，往往表现出较强的非线性的动力学特征。同时，系统建模与预测所处理的信息量往往十分庞大，数据一般通过观察取得，从而需要处理大量的半结构化的甚至缺失不全的、模糊的历史数据，而且数据的随机性和可重复性难于保证，这些问题很难用一种算法来表达。而在计量经济学理论基础上建立的各种宏观经济模型，大部分都是线性模型，这些模型在发挥巨大作用的同时，也逐渐显露出它的缺陷，即很难把握宏观经济系统中的非线性现象，因而必然造成经济预测的误差性加大。
近年来，计算机与人工智能技术、数据挖掘技术的飞速发展，为经济预测中新技术新方法的应用提供了有利的条件，以数据挖掘工具及联机分析处理为手段来建立的经济预测支持系统，可以很好地解决传统预测支持系统的局限性。人工神经网络因其广泛的适应能力、学习能力和映射能力，大规模并行分布处理及学习联想能力，因而在预测模型建造的合理性以及适用性方面都具有独特的优点，这些特点可以克服传统的定量预测方法的许多局限性和困难。但通过主观经验或实验设计不仅需要大量的时间和资源，而且很难找到合适的、满足需要的神经网络，更不能保证设计出的神经网络是最优的。
所以，本论文引入了遗传算法，将遗传算法(GA)与神经网络(ANN)相结合。GA与ANN结合的方式有两种，一种方式是在固定网络拓扑结构的情况下，利用GA确定连接权值；另一种方式是直接利用GA优选神经网络的拓扑结构，然后进行网络权值的训练。但是为设计出性能优良，适合于具体应用的ANN模型，应在设计过程中将网络拓扑结构的动态调整和权值训练的动态特性协调起来，只有这样才可能全局优化ANN的性能。
本论文还将这种算法应用于股市的预测模型中，对股市的上证指数进行预测，得到了较好的结果。这个预测模型使用的是GA-BP算法，以GA优化BP网络的初始权值和阈值，再由BP算法按负梯度方向修正网络权值及阈值，进行网络训练。该算法避免了BP网络易陷入局部极小问题，达到优化网络的目的，更能精确地实现股票价格的预测。
然而，由于基本遗传算法的寻优搜索是随机的，带有一定程度的盲目性和随机性，其收敛特性不稳定且收敛速度缓慢，特别是在系统规模较大时，优化效果的明显改善往往需要相当长的时间，所以在大多数场合下遗传算法能够迅速求得次优解，却不易获得最优解。