基于小波與神經(jīng)網(wǎng)絡(luò)的非參數(shù)模型及其應(yīng)用研究.pdf

1、——————————————————————————————————————一。凌菱莓或發(fā)表該論文涉及的研究?jī)?nèi)容時(shí)；‘會(huì)注明西安理工大學(xué)!；；西安理工大學(xué)擁有學(xué)位論文的墨i疆蔞如下使用權(quán)，1，j’包括；警?？梢员４鎸W(xué)位論文；、可以采用影剮，縮印或其他復(fù)制手段保存；董：甏豢：論文知：。軻以查閱或借閱一本人授權(quán)西安理墨太學(xué)對(duì)學(xué)位論文全部?jī)?nèi)容編入冷耥數(shù)據(jù)庫(kù)：≈o籜荔”＼’。，■’一：?！觯琷一一。，礦r■j每≤裝進(jìn)符檢索。；本學(xué)位論文全部或部

2、分丙容的公布(包括刊登)授權(quán)西安理芏矢學(xué)研究生學(xué)摻％，移糟靜：二轉(zhuǎn)、銹劣鈍稚漾囊繅洳蹉瓣蕊囊羹fl”，cj。J!。、～、’、1f，：一1一t一一一t“～‘知持二多：，‘’7，’二i，Jth一上!、J：』j鏈一々、7，’’土校保密辦公室確定密級(jí)的涉密學(xué)位論文，按照相關(guān)保密規(guī)定執(zhí)行需要進(jìn)行，，’j，：。毒撓0‘0toj。1一竹；、’，r，i尊!長(zhǎng)疑％j牟；j；分。嘶，托‰，苷斃‘，鉛jIk一7F，』■r』j，j，!jJ。r7竹’，oL，o4

3、0，竹，。tjr，，1一，nj01‘s：’1‘，行1r。、’1純，一絕=：囊；‰幸，捧毋，、托帶饕每!秘母j$。漳：技術(shù)保密的學(xué)位論文；按照《西安理工大學(xué)學(xué)位論文技術(shù)保密申請(qǐng)表》內(nèi)容進(jìn)行保密(附j(luò)畢篇節(jié)奠。?！?。。i：，，i‘，，；j，‘jcj，，，、20，，■’^諱毒等未《西安理輯％0#弓停‰==l，蔫：靜‰二咎保密j若非锨結(jié)糝謗轉(zhuǎn)％擄端巍：榨榷磐才絮昝務(wù)毪餮，律，。韉一毪7轉(zhuǎn)誓勞‘乞糯：銹二轉(zhuǎn)備、扣!斧拳％j二勞轉(zhuǎn)絮芬張等0：椎端鬻

4、，影j每◇器轉(zhuǎn)熊肄％恐端：磚％教苷爺揀％棼曾鬈，年萎：摻：軒。南二弗筏’#，：輯；0i、：#’越；士7，一：每聲聾每‰，。、07待皋，髯箍二爭(zhēng)7每，，張毪_，_冀，轉(zhuǎn)’號(hào)冬j掣制51≯’譬并i肄囂麓餾：筆j!弘挎：弦￡7f，l’捧≈t’朽，；聲’滲疊、1’7_咎r南、，輯：：樣jt：娃#辛肄L‘摶f7k≯‘jc～i梅一，Xf1‘論文題目：基于小波與神經(jīng)網(wǎng)絡(luò)的非參數(shù)模型及其應(yīng)用研究學(xué)科專業(yè)：應(yīng)用數(shù)學(xué)研究生：劉常明指導(dǎo)老師：張德生教授摘要簽

5、名：麴整!日簽名：齜本文將小波分析與神經(jīng)網(wǎng)絡(luò)、可加外生變量的非參數(shù)模型相結(jié)合對(duì)上證綜指月度收盤指數(shù)進(jìn)行研究，該方法發(fā)揮了小波分析的時(shí)頻局部化特征和神經(jīng)網(wǎng)絡(luò)的非線性映射功能，同時(shí)又考慮了影響股票價(jià)格的外界因素，具有較好的預(yù)測(cè)效果。本文的主要研究?jī)?nèi)容如下：1考慮到外界因素對(duì)股票指數(shù)的影響，應(yīng)用灰典型相關(guān)分析法對(duì)上證綜指的影響因素進(jìn)行分析，分析結(jié)果表明：貨幣供應(yīng)量是影響上證綜指的一個(gè)重要影響因素。2首先對(duì)上證綜指月度收盤指數(shù)建立了NAR模型，

6、并對(duì)其進(jìn)行了預(yù)測(cè)；然后，將貨幣供應(yīng)量作為外生變量引入到模型中，建立了上證綜指的NARX模型并進(jìn)行預(yù)測(cè)；最后將NARX模型的預(yù)測(cè)結(jié)果與NAR模型的預(yù)測(cè)結(jié)果作比較。結(jié)果表明：NARX模型的預(yù)測(cè)效果優(yōu)于NAR模型。3首先對(duì)上證綜指月度收盤指數(shù)和貨幣供應(yīng)量進(jìn)行小波分解和重構(gòu)，分別得到它們的近似序列和細(xì)節(jié)序列。然后，對(duì)上證綜指建立了基于小波的NARX模型，即分別對(duì)近似序列和細(xì)節(jié)序列建立NARX模型，并分別進(jìn)行預(yù)測(cè)，再將兩部分的預(yù)測(cè)值疊加作為最終的

7、預(yù)測(cè)值；同時(shí)，對(duì)上證綜指建立了基于小波的NNNARX模型，即對(duì)近似序列建立BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)細(xì)節(jié)序列仍然建立NARX模型，并分別進(jìn)行預(yù)測(cè)，再將兩部分的預(yù)測(cè)值疊加作為最終的預(yù)測(cè)值；最后，將上證綜指的NAR模型、NARX模型、基于小波的NARX模型、基于小波的NNNARX模型這四個(gè)模型的預(yù)測(cè)效果進(jìn)行比較。結(jié)果表明：基于小波的NNNARX模型的預(yù)測(cè)精度最好，基于小波的NARX模型的預(yù)測(cè)精度次好，NAR模型的預(yù)測(cè)精度最差。關(guān)鍵詞：上證綜指月度