[發(fā)明專利]基于IPSO?BP神經網絡的短期股價預測算法

在審

• 申請?zhí)枺?/td>: 201611184109.0
• 申請日: 2016-12-20
• 公開（公告）號: CN106600070A
• 公開（公告）日: 2017-04-26
• 發(fā)明（設計）人: 郭建峰
• 申請（專利權）人: 郭建峰
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司37221
• 代理人: 張勇

1.一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：包括以下步驟：

(1)采樣歷史數據，構建樣本數據集合；

(2)對樣本數據集合進行歸一化處理，映射到同一區(qū)間；

(3)對歸一化的數據進行擬合、循環(huán)迭代，預測未來樣本數據；

(4)確定網絡層數、各層神經元數目和BP網絡參數與激活函數，利用從大到小依次動態(tài)變換慣性權重和學習因子，構建IPSO-BP神經網絡；

(5)根據未來樣本數據，利用IPSO-BP神經網絡預測股票數據。

2.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：所述步驟(1)中，選取一定采樣時間區(qū)間的股票數據作為實驗數據，以固定頻度讀取有效樣本，通過對樣本進行學習，分為學習樣本和檢測樣本。

3.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：

所述步驟(2)中，數據歸一化方法為：式中，x_i為輸入或輸出的實際樣本數據值，x_max,x_min是實際樣本數據的輸入或輸出的極大值和極小值，是原始的樣本數據進行歸一化處理之后均勻分布在分段區(qū)間上的值。

4.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：所述步驟(3)中，將當前擁有的歷史數據通過循環(huán)迭代，對未來的數據進行預測，假設存在時間序列{x_i}，i的取值范圍為(0,N)，數據輸入為x_n,x_n+1,...,x_n+m，對下一個數據x_n+m+1進行預測，即存在以下關系：

x_n+m+1＝f(x_n,x_n+1,...,x_n+m)(1.2)

式中，函數f是參數為n的擬合函數，n取值范圍為(0,N-m-1)，參數m為網絡的輸入節(jié)點數。

5.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：所述步驟(4)中，粒子群算法中采用S型函數作為激活函數。

6.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：所述步驟(4)中，采用動態(tài)的形式，初步設置動態(tài)慣性權重的初始值w_start，隨著訓練的進行，依次遞減慣性權重直到最終值w_end。

7.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：所述步驟(4)中，初始期采用大的動態(tài)學習因子來進行全局范圍內的搜索，而隨著搜索范圍的逐漸明確，依次減小動態(tài)學習因子，以在局部進行搜索。

8.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：所述步驟(5)中，初始化粒子群中的參數，為每個粒子的位置信息、迭代的次數、學習率的參數值賦初值，初次計算每個粒子的適應度值。

9.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：對粒子的狀態(tài)進行更新，首先先是單個粒子自身的極值進行比較，即將該粒子當前的適應度值與歷史上的該粒子的最佳適應度值P_best進行對比，若較P_best更好，那么設其為新的P_best，相反的，繼續(xù)保持原有的P_best值；然后是每個粒子之間的極值進行比較，即將粒子群中的每個粒子當前的P_best與當前粒子群中的最佳極值G_best進行對比，若較G_best更好，那么將其值賦給G_best；相反的，若G_best更好，則G_best繼續(xù)保持原有的值不變。

10.如權利要求1所述的一種基于IPSO-BP神經網絡短期股價預測算法，其特征是：根據公式和公式不斷的對粒子的速度和位置進行更新操作，使粒子得到新的狀態(tài)，式中，d＝1,2,3,...,Q；i＝1,2,3,...,n；W為慣性權重；k為當前迭代次數；v_id為粒子的速度；c₁和c₂為學習因子，范圍為(0,4)，通常設為c₁＝c₂＝2；ξ,η是均勻分布在[0,1]區(qū)間上的隨機數；r為約束因子；

或所述步驟(5)中，判斷得到的適應度值是否在設定的誤差允許范圍內或迭代次數為最大值的時候，若兩者只要滿足其中一個，則尋優(yōu)過程結束；否則重新計算每個粒子的適應度值。