[發(fā)明專利]金融時間序列預(yù)測的量子粒子群優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法

在審

• 申請?zhí)枺?/td>: 201710362965.9
• 申請日: 2017-05-22
• 公開（公告）號: CN107194460A
• 公開（公告）日: 2017-09-22
• 發(fā)明（設(shè)計）人: 孟力;吳銘實
• 申請（專利權(quán)）人: 廈門大學(xué)
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N7/08;G06Q40/04
• 代理公司: 廈門南強之路專利事務(wù)所(普通合伙)35200
• 代理人: 馬應(yīng)森

1.金融時間序列預(yù)測的量子粒子群優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法，其特征在于包括以下步驟：

1)計算時間序列吸引子維度，選取出嵌入維數(shù)為5維，即RPNN的節(jié)點數(shù)為5個，RPNN的存儲器為25個，網(wǎng)絡(luò)有5個閾值和75個權(quán)值；

2)粒子的個數(shù)為60個，每一個粒子的狀態(tài)由80個維度，其中75個維度對應(yīng)RPNN的權(quán)值，5個維度對應(yīng)RPNN的閾值；

3)網(wǎng)絡(luò)訓(xùn)練時，首先賦予每一個粒子初始狀態(tài)；RPNN每產(chǎn)生一個預(yù)測值經(jīng)歷5個節(jié)拍，其中每一個節(jié)拍對應(yīng)的時間延遲為1天；

4)第一節(jié)拍：第一個節(jié)點以外部輸入數(shù)據(jù)值r1和自身的反饋即自身存儲器上的值乘以相應(yīng)的權(quán)值作為輸入數(shù)據(jù)，然后在激活函數(shù)的作用下產(chǎn)生一個輸出值，將所述輸出值存放到第一個存儲器中，將原先存放在第一個存儲器的值存放到第二個存儲器，依次自下向上更新存儲器，最后一個存儲器的值當(dāng)即釋放掉；

5)第二節(jié)拍：第二個節(jié)點以外部輸入數(shù)據(jù)值r₂和自身的反饋以及第一個節(jié)點的存儲器上的值乘以相應(yīng)的權(quán)值作為輸入數(shù)據(jù)，在激活函數(shù)的作用下產(chǎn)生一個輸出值，并與第一節(jié)拍依次更新節(jié)點上的存儲器，最后一個存儲器的值當(dāng)即釋放掉；

6)第三節(jié)拍：第三個節(jié)點以外部輸入數(shù)據(jù)值r₃和自身的反饋以及第一個節(jié)點存儲器和第二個節(jié)點存儲器上的值，乘以相應(yīng)的權(quán)值作為輸入數(shù)據(jù)，在激活函數(shù)的作用下產(chǎn)生一個輸出值，與第一節(jié)拍和第二節(jié)拍依次更新節(jié)點上的存儲器，最后一個存儲器的值當(dāng)即釋放掉；

7)第四節(jié)拍：第四個節(jié)點以外部輸入數(shù)據(jù)值r₄和自身的反饋以及第一個節(jié)點存儲器、第二個節(jié)點存儲器和第三個節(jié)點存儲器上的值，乘以相應(yīng)的權(quán)值作為輸入數(shù)據(jù)在激活函數(shù)的作用下產(chǎn)生一個輸出值，并更新存儲器；

8)第五節(jié)拍：第五個節(jié)點以外部輸入數(shù)據(jù)值r₅和自身的反饋以及第一個節(jié)點存儲器、第二個節(jié)點存儲器、第三個節(jié)點存儲器和第四個節(jié)點存儲器的值，乘以相應(yīng)的權(quán)值作為輸入數(shù)據(jù)在激活函數(shù)的作用下產(chǎn)生一個輸出值；其中第五個節(jié)點的輸出值即為預(yù)測值；

9)每一個節(jié)拍中網(wǎng)絡(luò)的輸出計算公式是：

Xi,j(t+1)=pi,j(t)±α·|Cj(t)-Xi,j(t)|·ln[1Ui,j(t)]]]>

其中，y_j(t)表示t時刻節(jié)點j的輸出，r_j(t)為t時刻節(jié)點j的外部輸入值，b_j(t)為節(jié)點j的閾值，n是網(wǎng)絡(luò)節(jié)點的個數(shù)(即n＝5)，C_ik(t)是時刻第i個節(jié)點第k個存儲器的值，ω_ij(t)為t時刻第i個節(jié)點第j個存儲器對應(yīng)的權(quán)值；σ_j(·)是節(jié)點j的激活函數(shù)，決定了神經(jīng)元j的輸出；每一個節(jié)拍所使用的激活函數(shù)是：

其中A為激活函數(shù)的幅值，為斜率，通過多次測試后，設(shè)定A＝1.5，

10)將預(yù)測出的值輸入目標(biāo)函數(shù)計算誤差，其中：

目標(biāo)函數(shù)為絕對誤差函數(shù)：其中，S為樣本總數(shù)，h(t)為t時刻對應(yīng)的輸出值，為t時刻對應(yīng)的真實值；

11)應(yīng)用QPSO算法更新粒子的狀態(tài)，計算新的輸出值的誤差，通過不斷的迭代尋找出使誤差最小的權(quán)值和閾值。

2.如權(quán)利要求1所述金融時間序列預(yù)測的量子粒子群優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法，其特征在于在步驟11)中，所述QPSO算法更新粒子的狀態(tài)的具體步驟為：

(1)QPSO訓(xùn)練RPNN時，首先在[-0.5,0.5]區(qū)間內(nèi)隨機(jī)賦予每一個粒子一個初始狀態(tài)，粒子的狀態(tài)由80個維度固定，即75個權(quán)值、5個的閾值；

(2)RPNN利用由QPSO優(yōu)化算法確定出的最優(yōu)粒子及所對應(yīng)維度代表的權(quán)值和閾值計算出預(yù)測值，然后將預(yù)測值輸入目標(biāo)函數(shù)計算誤差；

(3)設(shè)定誤差目標(biāo)為累計絕對誤差E_s<5％，如果誤差沒有達(dá)到目標(biāo)或迭代次數(shù)不滿足條件時，根據(jù)量子行為優(yōu)化的粒子進(jìn)化公式，更新粒子的狀態(tài)；

量子行為優(yōu)化的粒子進(jìn)化公式：

Xi,j(t+1)=pi,j(t)±α·|Cj(t)-Xi,j(t)|·ln[1Ui,j(t)]]]>

其中X_i,j(t+1)是第i個粒子的第j維在t+1時刻的狀態(tài)，即t+1時刻的權(quán)值和閾值，p_i,j(t)是t時刻的吸引子，且p_i,j(t)＝u_j(t)·P_i,j(t)+[1-u_j(t)]·G_j(t)，P_i,j(t)是第i個粒子的第j維的歷史最優(yōu)狀態(tài)，G_j(t)是粒子群體中第j維的全局最優(yōu)狀態(tài)，u_j(t)服從在(0，1)區(qū)間均勻分布的隨機(jī)數(shù)；α是收縮擴(kuò)張系數(shù)，設(shè)定α＝(1.0-0.5)×(MAXITER-t)/MAXITER+0.5；C_j(t)是t時刻第j維的平均狀態(tài)，M是粒子的個數(shù)，P_i,j(t)是t時刻第i個粒子的第j維的歷史最優(yōu)狀態(tài)，U_i,j(t)是服從在(0，1)區(qū)間均勻分布的隨機(jī)數(shù)；

(4)網(wǎng)絡(luò)的權(quán)值和閾值，即粒子的狀態(tài)，按量子行為優(yōu)化的粒子進(jìn)化公式進(jìn)化、更新后，計算新的輸出值，并將輸出值輸入目標(biāo)函數(shù)計算誤差，通過不斷的迭代尋找使誤差最小的權(quán)值和閾值；

(5)找到使誤差最小的權(quán)值和閾值后便完成了網(wǎng)絡(luò)的訓(xùn)練，此時RPNN已獲得最優(yōu)網(wǎng)絡(luò)參數(shù)，代表著混沌吸引子在重構(gòu)相空間中的非線性映射F，RPNN的存儲器中記錄的是時間序列的關(guān)聯(lián)信息；假設(shè)訓(xùn)練樣本中最后一個數(shù)據(jù)的時間節(jié)點是T，那么在網(wǎng)絡(luò)中輸入T-4，T-3，T-2，T-1，T時刻的外部輸入值時，獲得T+1時刻的預(yù)測值，至此該模型完成網(wǎng)絡(luò)訓(xùn)練和預(yù)測功能。