粒子群优化神经网络在股市预测中的建模与应用

股市投资活动需要一种有效的股市预测分析方法,以增加收益,降低风险。股票市场是一个高度复杂的非线性动力学系统,其变化规律既有一定自身的趋势性,又受政治、经济、心理等诸多因素的影响。建立在数理统计基础上的传统定量预测方法在对股市的研究中面临着诸多困难,而神经网络具有自组织、自适应等特点,能自动从历史数据中提取有关经济活动中的知识,适用于解决传统股市预测中的问题,因而研究神经网络在股市预测中的应用问题具有一定的理论意义与实用价值。 由于传统神经网络训练方法的局限性,使得其在股市预测中的精度很难提高。为了提高股市预测的高效性和准确性,在系统分析了当前神经网络研究以及股市预测所面临的困难后,将粒子群优化算法(PSO)与BP算法相结合的PSO-BP混合算法用于股市预测。粒子群优化算法是一种基于群体智能理论的优化算法,该算法利用生物群体内个体的合作与竞争等复杂行为产生群体智能,为复杂优化问题的求解提供了高效的解决方法。 在理论分析的基础上,给出了BP神经网络用于股市预测的一般步骤,建立了基于PSO-BP神经网络的股市预测模型。针对我国股市受宏观政策等因素影响较大的问题,在模型输入变量中引入了能够体现环境影响因素的环境变量。最后利用所建立的模型对我国上证综合指数进行了实证分析,并与传统的BP神经网络进行了比较。 实证结果表明,粒子群优化算法可以有效弥补BP神经网络的不足,改善了BP神经网络易陷入局部最优的问题,大大提高BP神经网络的收敛速度和预测精度,一定程度上达到了提高算法性能、改进预测效果的目的。在预测模型中引入环境变量,提高了网络的实时性,增强了网络的泛化能力,具有很强的实用性,为股市预测提供了一种新的有效方法。