论文部分内容阅读
本文针对股票市场这一复杂的非线性动力学系统,着重分析了一种基于遗传算法和递归神经网络(GA-Elman)的股价预测模型,将历史数据作为网络的学习样本,找出股价趋势发展的内在规律,并通过仿真实验验证了GA-Elman 神经网络模型对股市预测效果。
论文主要工作包括:首先,对GA-Elman模型的输入因子进行选择,综合考虑影响股票价格的各个因素,进行分析从而选择了几组有效的数据(开盘价、成交量、成交金额、涨跌幅、最高价、最低价)作为输入数据;其次,采用实数编码的遗传算法,选择过程通过最佳保留方法,通过相邻染色体算术交叉算子和非均匀变异方法,利用精英保留策略,确定GA-Elman 神经网络的网络结构和权值;再次,利用GA-Elman 递归神经网络结构和权值建立预测模型;最后,本文主要选取了几十只股票的350个交易日的数据,每只股票选取其中70%的数据作为训练数据,30%的数据作为测试数据,进行仿真实验,并将其和GA-BP模型预测结果进行比较,在迭代次数为2500 次时,西飞国际、四川金顶和中国铝业股票的最大绝对误差预测精度分别提高了50.59%、59.86%和25.65%;最小绝对误差预测精度分别提高了85.76%、70、56%和88.45%;平均绝对误差预测精度分别提高了31.61%、72.05%和62.3%。因此,GA-Elman 神经网络预测模型对于短期的股票价格预测效果较为明显。