幾種改進(jìn)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)股指預(yù)測(cè)模型研究.pdf

1、在過(guò)去的2015年里人們經(jīng)歷了一場(chǎng)波瀾壯闊的大牛市，也經(jīng)歷了一場(chǎng)從未有過(guò)的股災(zāi)，多數(shù)人的財(cái)富在這一場(chǎng)泡沫中經(jīng)歷了過(guò)山車(chē)式的變化。而隨著經(jīng)濟(jì)的發(fā)展和人民財(cái)富的積累，股市在承擔(dān)資產(chǎn)配置和為中小企業(yè)融資方面將扮演越來(lái)越重要的角色。股市的好壞將直接影響國(guó)計(jì)民生，因此如何更好的預(yù)測(cè)市場(chǎng)未來(lái)的走勢(shì)就顯得尤為重要。
　　通過(guò)查閱文獻(xiàn)我們發(fā)現(xiàn)，傳統(tǒng)的股市預(yù)測(cè)方法在進(jìn)行數(shù)據(jù)去噪時(shí)單純的采取小波去噪的方式，一旦閾值的選擇不合理就會(huì)造成對(duì)高頻部分去噪過(guò)

2、度，使得去噪數(shù)據(jù)不能很好的保留原始數(shù)據(jù)的細(xì)節(jié)特征。另外傳統(tǒng)預(yù)測(cè)方法老套且創(chuàng)新性不強(qiáng)，多數(shù)文章都是將以往用過(guò)的模型重新套用或者單一的組合，并沒(méi)有新的研究方法出現(xiàn)。
　　針對(duì)以上問(wèn)題，本文通過(guò)Wind數(shù)據(jù)庫(kù)提取自2005年4月6日到2015年4月3日滬深300收盤(pán)指數(shù)作為原始研究數(shù)據(jù)，共計(jì)2428組，數(shù)據(jù)真實(shí)可靠。在對(duì)原始股票數(shù)據(jù)進(jìn)行去噪處理時(shí)，利用偏微分去噪可以更好的保留數(shù)據(jù)細(xì)節(jié)特征的優(yōu)點(diǎn)。本文首次將偏微分和小波去噪相結(jié)合運(yùn)用于股票

3、數(shù)據(jù)的分析和預(yù)測(cè)中，提出了小波偏微分混合去噪模型。將原始數(shù)據(jù)、小波去噪數(shù)據(jù)、小波與偏微分方程去噪數(shù)據(jù)三種數(shù)據(jù)各抽取542組作為預(yù)測(cè)模型的輸入變量進(jìn)行對(duì)比研究。
　　由于股票數(shù)據(jù)的非線性特性，本文引入在處理非線性問(wèn)題時(shí)更具優(yōu)勢(shì)的GRNN神經(jīng)網(wǎng)絡(luò)模型，并與傳統(tǒng)股票預(yù)測(cè)時(shí)采取的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比?；趧?dòng)態(tài)神經(jīng)網(wǎng)絡(luò)理論，本文模仿前人將時(shí)間窗口滑動(dòng)和后反饋連接加入BP神經(jīng)網(wǎng)絡(luò)進(jìn)而得到可以處理動(dòng)態(tài)問(wèn)題的BP—DNN模型。首次將時(shí)間窗口滑

4、動(dòng)和后反饋連接引入GRNN神經(jīng)網(wǎng)絡(luò)提出更適合處理非線性動(dòng)態(tài)問(wèn)題的GRNN—DNN模型。
　　最后我們將上述數(shù)據(jù)處理模型與兩種預(yù)測(cè)模型組合進(jìn)行訓(xùn)練和預(yù)測(cè)，得到四種可以對(duì)股票數(shù)據(jù)進(jìn)行預(yù)測(cè)的組合模型，得出以下結(jié)論:
　　1)由去噪后的指數(shù)圖形可得，小波偏微分混合去噪在去除噪聲的同時(shí)可以更好的保留原始數(shù)據(jù)的細(xì)節(jié)特征。
　　2)在同一預(yù)測(cè)模型背景下，三種數(shù)據(jù)預(yù)測(cè)誤差最小的是小波去噪數(shù)據(jù)，小波與偏微分方程去噪數(shù)據(jù)次之，原始數(shù)據(jù)最差