论文部分内容阅读
金融证券市场是一个高度复杂的非线性动态系统,其时间序列的变化涉及到政治的、经济的、心理的诸多不确定因素的影响,且各个因素之间的相互作用是非线性和时变的,具有内在的噪声、随机性和非平稳性同时也具有周期性、趋势性、自我组织调整、规律性。金融时间序列的输入和输出变量的相互关系会逐渐随时间变化而变化,传统的仅仅依靠线性分析的方法具有很大的局限性并且难以预测出精确的结果。证券预测的好坏对于一个国家的经济发展和广大投资者有重大意义。本文的研究目的是针对金融证券市场信息的高度复杂的非线性特征,将模糊神经网络和支持向量机这两种重要的非线性分析方法和金融证券理论相结合,通过建模、特征提取和金融证券市场时间序列的数据分析,将金融证券信息的研究和预测建立在更加科学、精确和智能化的理论基础上。 本文讨论了金融证券系统中的股票预测问题并深入研究了模糊神经网络和支持向量机模型对中国金融证券市场时间序列预测的理论和实际预测结果,并对其进行了分析、比较和评估。本文的研究内容如下: 1.本文采用了新的低复杂度模糊激活函数并将其应用于股票预测的模糊神经网络结构的设计及算法设计,通过模糊神经网络的自学习和竞争实现了隶属函数的自适应和模糊规则的自组织。通过仿真实验表明,此方案使算法更为简单、收敛,计算复杂度降低,有利于if-then规则解释和硬件实现。该预测方法具有较高的预测精度和显著的有效性和优越性。 2.本文考虑到金融证券市场的非线性特点、投资者的心理因素和提高预测精度和泛化能力,通过把自适应参数的SVM结合到简化支持向量机(RSVM)中提出了自适应简化支持向量机(RASVM)。实验结果显示了在金融时间序列预测中RASVM预测性能超过了标准的SVM。RASVM具有更少的收敛的支持向量、训练时间和更高的预测精度和泛化能力。在股票预测中RASVM能够获得比标准的SVM更高的性能。本文提出的研究方法亦可应用于其他金融证券时间序列预测中。