基于神经网络的时间序列预测研究与优化

发布时间：2024-03-16 13:36

　　时间序列分析、预测与挖掘是数据分析建模的重要手段,广泛应用于气象、金融、工程等领域,具有重要的研究价值[1]。股票,作为一种最典型的时间序列数据,金融市场的晴雨表,自出现以来就受到投资者的关注。因为股票自身的长期发展趋势、周期性的变化、季节性的变化和不规则运动,相比于其他统计数据要更复杂。高度波动且非规律变化数据的持续增长,使研究出更自动的能提取出有意义统计结论的有效分析方法需求非常迫切[2]。作为探索有价值隐藏信息的过程,数据挖掘在金融时间序列分析上已经发挥了很大的作用。所以数据挖掘为投资者提供了有前瞻性和知识导向的决策,以帮助投资者用更小的投资风险成功获利[3]。本文在此背景下,对基于神经网络的金融时间序列预测算法进行了详细研究。主要的研究内容及贡献如下:第一,分析了一种极限学习机(Exretrme Learning Machine,ELM)训练方法下的计算效率函数连接型神经网络(Computational Efficient Functional Link Artificial Neural Network,CEFLANN)模型。该模型能通过CEFLANN有效地反映复杂金融时间序...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景
    1.2 主要研究内容
    1.3 主要创新点
    1.4 论文结构安排
第二章 极限学习机下的计算效率泛函连接人工神经网络
    2.1 算法背景
        2.1.1 神经网络理论
        2.1.2 单隐藏层前馈神经网络
        2.1.3 泛函连接人工神经网络
        2.1.4 极限学习机理论
    2.2 基于极限学习机的计算效率泛函连接人工神经网络模型
        2.2.1 模型原理
        2.2.2 模型流程
    2.3 仿真实验
        2.3.1 实验设计
        2.3.2 性能评价
    2.4 实验结果
        2.4.1 数据描述
        2.4.2 功能扩展模块节点数设置
        2.4.3 性能评价函数
        2.4.4 股票交易系统
    2.5 本章小结
第三章 利用粒子群算法的在线顺序极限学习机优化
    3.1 算法背景
        3.1.1 在线顺序极限学习机原理
        3.1.2 粒子群优化算法
    3.2 基于粒子群优化算法的在线顺序极限学习机
        3.2.1 算法基本流程
        3.2.2 性能评价
    3.3 算法仿真
        3.3.1 实验准备
        3.3.2 实验结果
    3.4 本章小结
第四章 利用随机蛙跳算法的极限学习机优化
    4.1 算法背景
        4.1.1 基本的SFLA算法思想
        4.1.2 算法的组成要素及其模型
        4.1.3 SFLA算法的参数设置和终止条件
    4.2 利用随机蛙跳算法的极限学习机优化
        4.2.1 算法思想
        4.2.2 算法流程
    4.3 算法仿真
        4.3.1 实验准备
        4.3.2 实验结果
    4.4 本章小结
第五章 总结与展望
    5.1 本文研究工作总结
    5.2 未来研究工作展望
参考文献
致谢



本文编号：3929671