基于神经网络与主成分分析的组合预测研究

股票市场是与人们的生活、社会稳定和经济发展密切相关的金融市场，如何有效地分析和预测股市走势一直是人们关注研究的问题，现在已经提出了很多理论方法和技术。在这些方法中，人工神经网络由于其独特的结构和处理信息的方法，高度并行、分布式存储等特点，特别适合于处理不确定的模糊信息和要同时考虑许多因素条件的问题，因此在股市分析中越来越受到人们的重视。 但是，对于复杂问题和高维输入变量，直接用神经网络进行预测，会带来网络规模的剧增，运算时间的增加，网络的收敛性和泛化能力的降低；另一方面，由于预测因子之间的相关性，导致输入信息重叠，也使得模型预报的准确率降低，因此，应对此类样本和众多的预报因子进行必要的处理。 本文针对股市中收盘价的预测问题，首先用SOM神经网络对具有分散特性的样本进行分类，对于分类后的各个子类，分别建立与之对应的BP神经网络预测模型；为了进一步提高预测精度和网络训练的效率，对众多的预报因子采用主成分分析的方法进行降维处理。在实际预测时，要对实时数据进行判别分类，选择对应的模型进行预测输出。这样，将SOM神经网络、主成分分析、BP神经网络有机地结合起来，构建了股市收盘价的实时组合预测模型。为了验证本文提出的基于神经网络和主成分分析的组合预测模型的有效性，建立以下三个模型： (1)对样本不做任何处理，直接用于BP网络训练和测试。 (2)在BP网络训练前，用SOM神经网络对样本分类，然后针对每一个子类分别建立BP网络预测模型。 (3)在BP网络训练前将样本分类后，并做主成分分析，将其结果作为BP网络的输入建立网络模型 通过三个模型的训练时间步数和预测精度的比较，结果表明：基于神经网络和主成分分析的组合模型，网络训练的效率明显高于一般的网络，预测精度有很大的提高。