论文部分内容阅读
股票市场以其高风险、高收益的特点吸引着广大的投资者，而目前受世界金融危机影响我国经济遭受了很大冲击，使我国股市出现很大波动。要对其进行准确的预测非常困难，而人工神经网络具有外推性和对周围环境的自适应或学习的能力。已经证明，一个三层的人工神经网络，在隐层节点足够多的情况下，经过充分训练可以以任意精度逼近任何非线性函数，因而人工神经网络在复杂非线性函数的建模中具有巨大的潜力。当给人工神经网络以输入一输出模式时，它可以通过自我调整使误差达到最小，即通过训练进行学习。对于某些难以参数化的因素，可以通过训练，自动总结规律。近年来，神经网络为股票市场的建模与预测提供了新的技术和方法。
本文主要采用《引入收益的RBF神经网络及其在股市预测中的应用》中对BP网络和RBF网络中加入时间因素和惩罚因子的方法，并在权值改变量中加入了动量项α得到同时加入动量项和收益的αTDPBP网络和αTDPRBF网络。为了进行比较，本文尝试分别使用标准BP网络、加入动量项的αBP网络、加入收益因素的TDPBP网络及同时加入动量项和收益因素的αTDPBP网络对股市进行预测，同时也使用标准RBF网络、加入动量项的αRBF网络、带收益因素的TDPRBF网络及同时加入动量项和收益因素的αTDPRBF网络进行了预测。
经实验表明在标准BP网络中同时加入动量项和收益因素（时间因素和惩罚因素）能够使年利润率由原来只加入收益的9.725057提高到12.222887，提高了2.497830，年利润率相对提高了20.4％，同时网络收敛速度也平均减少了1285次，由此可见，在BP算法中同时加入动量项和收益因素能提高收敛速度和年利润率。
而在同时加入动量项和收益的αTDPRBF网络，检验样本年利润率相对只加入收益的8.769835减少至7.798028，收益有所降低，但网络收敛速度平均减少了3254次。由此可见，在RBF算法中同时加入动量项和收益因素的αTDPRBF网络的年利润率没有比只加入收益的TDPRBF网络高，即加入动量项效果并不理想。