大创中期答辩PPT教案.pptx

会计学
1
大创中期答辩
一 项目简介

研究内容
（GA）、粒子群算法(PSO)等来优化神经网络。提高了神经网络的预测效果。

二 项目进展情况

选择合适的股指预测与实现方法

。
，并进行误差分析。
三 阶段性成果
第一阶段利用python实现BP神经网络。
利用2015年4月到2017年8月的503组沪深300指数数据进行了处理和拟合
后利用2017年9月的16组数据进行股指的预测。
即运用前一天的开盘价、收盘价、最高价、最低价预测当日的收盘价。
%。
开盘价
收盘价
最高价
最低价
当日收盘价
三 阶段性成果
第二阶段（改进）
由于BP神经网络权值和阈值的初始化需要利用随机矩阵，所以它：1、网络的收敛性较慢，需要较长的训练时间；
2、容易陷入局部最小值。
因此我们可以用具有全局搜索性的遗传算法或粒子群算法作为神经网络的学习算法来训练网络的权值和阈值。
三 阶段性成果
BP神经网络
GA+BP神经网络
PSO+BP神经网络
BP神经网络拟合基本符合股指变化趋势
前面的峰值部分拟合不太理想
GA+BP神经网络的拟合结果相比于BP神经网络有了很明显的改善
PSO+BP神经网络在拐点上拟合结果优于GA+BP神经网络
三种神经网络的拟合效果对比图
三 阶段性成果
BP神经网络
GA+BP神经网络
PSO+BP神经网络
BP神经网络拟合相对误差大致稳定在[-,]
误差的波动很大，方差很大，拟合结果不太理想
GA+BP神经网络的拟合结果误差相比于BP神经网络小了很多
相对误差集中在[-,]
波动比BP神经网络拟合有所改善
PSO+BP神经网络相对误差集中在[-,]
略优于GA+BP神经网络
三种神经网络拟合效果相对误差的对比图
三 阶段性成果
BP神经网络
GA+BP
神经网络
PSO+BP
神经网络
BP神经网络
远优于
略优于
三种神经网络的预测结果
%，
GA+%，
PSO+%。
四 存在问题及解决方法
A1：
神经网络的参数调试目前并没有一个特定的规律
经过多次调试的经验，才能得到更为精准的预测结果
A2：
更高效的算法来提高程序的运行效率。如GA,PSO。将训练时间从1h→15mins
Q2：
训练神经网络所用时间长
（权值、阈值）
Q1：
进行神经网络的参数调试十分困难。（学习率，训练次数，隐含层网络的神经元个数）
四 存在问题及解决方法
&损失函数

（乖离率，成交量，日收益率）
A3：
如何在现有模型上提高预测的精度？
Q3：


（后期研究的重点）
A4：
如何优化改进现有的神经网络模型？
Q4：