小波網(wǎng)絡(luò)建模預(yù)報(bào)方法研究及其在股市預(yù)測(cè)中的應(yīng)用.pdf

1、本文對(duì)小波網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行了深入分析和研究,構(gòu)建了適應(yīng)于股價(jià)分析的時(shí)間序列短期預(yù)測(cè)模型.本文研究的重點(diǎn)是小波網(wǎng)絡(luò)預(yù)測(cè)方法的應(yīng)用和實(shí)現(xiàn).主要工作如下:從小波網(wǎng)絡(luò)構(gòu)造理論出發(fā),對(duì)目前廣泛應(yīng)用的小波網(wǎng)絡(luò)三種典型結(jié)構(gòu)進(jìn)行了深入分析.考慮網(wǎng)絡(luò)算法、逼近細(xì)節(jié)能力、包含頻域信息廣等方面因素,指出了用RBF-WNN(以尺度函數(shù)為激勵(lì)函數(shù)的小波網(wǎng)絡(luò))、MLP-WNN(以小波函數(shù)為激勵(lì)函數(shù)的小波網(wǎng)絡(luò))對(duì)股票市場(chǎng)進(jìn)行建模的不足,提出多分辨小波網(wǎng)絡(luò)(MRA-W

2、NN)適合股價(jià)非線(xiàn)性時(shí)間序列預(yù)測(cè).應(yīng)用MRA-WNN既能逼近股票市場(chǎng)的整體變化趨勢(shì)(輪廓),亦能捕捉變化的細(xì)節(jié).利用相空間重構(gòu)技術(shù),得到狀態(tài)矢量作為MRA-WNN的多維輸入,構(gòu)建了多維MRA-WNN預(yù)測(cè)模型,并首次應(yīng)用于股價(jià)時(shí)序預(yù)測(cè),給出了實(shí)現(xiàn)方法.針對(duì)MRA-WNN提出了BP和多分辨率學(xué)習(xí)組合算法,解決了傳統(tǒng)學(xué)習(xí)算法網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)難以確定問(wèn)題,克服了BP網(wǎng)絡(luò)單尺度學(xué)習(xí)算法很難學(xué)習(xí)復(fù)雜的時(shí)間序列的不足.以深證綜合指數(shù)為例,分別采用具有相

3、同結(jié)構(gòu)的MRA-WNN和RBF-WNN預(yù)測(cè)模型對(duì)股價(jià)時(shí)序進(jìn)行預(yù)測(cè),仿真結(jié)果表明,MRA-WNN具有較高的預(yù)測(cè)精度.本文還從另一角度研究了小波分析與神經(jīng)網(wǎng)絡(luò)的結(jié)合,提出了基于小波分解與重構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,給出了具體實(shí)現(xiàn)過(guò)程.通過(guò)小波分解與重構(gòu),把原始價(jià)格時(shí)間序列分解為規(guī)律相對(duì)簡(jiǎn)單、不同頻率范圍內(nèi)的子波動(dòng)序列來(lái)提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度,實(shí)現(xiàn)了對(duì)特征不同的信號(hào)選取不同的參數(shù)模型進(jìn)行預(yù)測(cè).通過(guò)對(duì)深證綜合指數(shù)的預(yù)測(cè),該方法比直接利用價(jià)格波動(dòng)序列