基于改进动态神经网络的股票预测模型的研究

人工神经网络理论应用于股票走势预测,就是利用由股票的历史交易数据组成的时间序列,通过神经网络的自学习能力对其进行分析,从复杂的数据关系中找出其中的规律,然后模拟网络输出数据与输入数据之间的函数关系,并将此函数用于对未来股票价格的预测中。 近年来,国内外研究学者已经基于神经网络理论建立了多种预测模型对股票价格走势进行预测,并取得了显著的研究成果。但综观目前的股票预测模型,大多是基于静态神经网络理论,如BP神经网络、Wavelet神经网络和RBF神经网络等。然而,这些静态神经网络预测模型并不能充分反映股市系统的动态特性。 本文通过分析现有的股票预测模型在动态性方面的不足,以及输入指标选取方面存在的问题,提出了基于主成分分析法的动态神经网络股票预测模型。该模型通过建立多步输入输出时延和输出反馈机制,更好的描述了股票市场这个动态时变系统的特性。并为预测指标的选取和指标个数的确定提供了一个新的方法。模型建立后,本研究选取了多只股票的历史数据作为实验对象,并对其进行了多次的实验,然后将得出的实验结果与传统的BP神经网络模型进行了比较。实验结果表明,本文提出的基于主成分分析法的动态神经网络模型是有效的。