[發明專利]基于螢火蟲算法的組合神經網絡對股票市場的預測方法

在審

• 申請號: 201910011641.X
• 申請日: 2019-01-07
• 公開（公告）號: CN109583666A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 李胡文莞;方建安
• 申請（專利權）人: 東華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04;G06N3/08
• 代理公司: 上海泰能知識產權代理事務所 31233
• 代理人: 宋纓;錢文斌

本發明涉及一種基于螢火蟲算法的組合神經網絡對股票市場的預測方法，包括以下步驟：隨機選取某支股票收盤價作為研究對象，并且進行預處理；根據實際的輸入輸出構建組合神經網絡主網絡BP神經網絡，并初始化權值和閾值；運用螢火蟲算法計算BP神經網絡的適應度函數最優值，得到最優的權值和閾值；把數據樣本中的數據放入到建立的BP神經網絡中進行訓練；將BP神經網絡前六天的預測誤差作為輸入變量，第七天的預測誤差作為輸出變量，建立RBF神經網絡對殘差進行二次逼近；將未進行訓練的數據放入網絡進行預測。本發明能夠提高預測的準確性和穩定性。

技術領域

本發明涉及股票市場預測技術領域，特別是涉及一種基于螢火蟲算法的組合神經網絡對股票市場的預測方法。

背景技術

股票市場是我們個人以及國家的重要經濟活動，運用科學的方法研究股市的未來發展的規律，讓投資人員可以更好的衡量股市的風險及價值，減少投資的盲目性。當然，通過對股票市場的預測，可以更好的維持國家股市的穩定，對于國家經濟以及個人的生活都有著深遠的意義。

國內外對股票的預測時間開始很早，股票市場是一個多變量非線性動態系統，早期一般的預測方法基于線性，很難滿足對股市精確預測的要求。而之后諸多學者也對股市進行了神經網絡與其他方法的預測，比如BP神經網絡模型、GARCH模型、ARIMA模型，以及概率神經網絡、通過主成分分析構造神經網絡輸入矩陣、利用二次規劃最優組合等進行預測等都逐漸取得了良好的效果。現在的預測方法依然很多，但不難發現組合神經網絡研究中，通常是神經網絡和其他不同模型之間的組合較為復雜，而直接利用神經網絡之間的組合較少。

發明內容

本發明所要解決的技術問題是提供一種基于螢火蟲算法的組合神經網絡對股票市場的預測方法，能夠提高預測的準確性和穩定性。

本發明解決其技術問題所采用的技術方案是：提供一種基于螢火蟲算法的組合神經網絡對股票市場的預測方法，包括以下步驟：

(1)隨機選取某支股票收盤價作為研究對象，并且進行預處理；

(2)根據實際的輸入輸出構建組合神經網絡主網絡BP神經網絡，并初始化權值和閾值；

(3)運用螢火蟲算法計算BP神經網絡的適應度函數最優值，得到最優的權值和閾值；

(4)把數據樣本中的數據放入到建立的BP神經網絡中進行訓練；

(5)將BP神經網絡前六天的預測誤差作為輸入變量，第七天的預測誤差作為輸出變量，建立RBF神經網絡對殘差進行二次逼近；

(6)將未進行訓練的數據放入網絡進行預測。

所述步驟(1)中的預處理為歸一化處理，其讓輸入的數據控制在0到1之間，采用其中，X代表實際輸入，min代表實際輸入最小值，max代表實際輸入最大值，x(t)代表預處理之后的網絡輸入。

所述步驟(2)中構建的BP神經網絡的結構分為輸入層、隱層以及輸出層；輸入層的節點由實際的輸入個數決定；隱層的節點數根據來確定并調整，其中，m表示輸入層的節點個數，α是一個隨機的1～10的整數，n表示隱層的節點個數；輸出層的個數根據實際需求來決定；其中，隱層節點的輸出為：其中，x_i表示隱層的輸入，w_ij表示隱層的權值，θ_j表示隱層的閾值，O_j表示隱層的輸出；輸出層節點的輸出為：其中，O_j表示輸出層的輸入，T_jk表示輸出層的權值，θ_k表示輸出層的閾值，y_k表示輸出層的輸出。

所述步驟(3)是將BP神經網絡的適應度函數作為目標函數，感知熒光素大的螢火蟲并以概率P向其移動，完成移動后更新螢火素值和位置，計算目標函數的值并且更新決策域，直到滿足條件尋優停止，最后將得到最優的權值和閾值帶入初始化的BP神經網絡模型。