基于PCA-BP组合模型的股价预测分析.pdf

万方数据
楹夏Ｐ偷墓杉墼げ夥治基于于春蕾，李梦悦，尹伟石资渠道引起广泛关注，股票预测的研究也取得果‘卜，其原因在于，利用传统算法构建的模型规避风险，就必须在已有的理论成果基础上，进行股票预测的技术研究，这就需要将已知算法的不同优势结合起来，构建组合模型１疚猻金融业快速发展的同时，股票作为重要的投了显著成果。然而，面的非线性特征，投资者对股票市场越来越复杂无法得到准确的预测结非线性映射能力较弱，且局限性很大，如灰色预测、时间序列等‘。因此若想进一步在投资上第卷第长春理工大学学报匀豢蒲Оご豪砉ご笱Ю硌г海长春摘要：．随着金融业数据环境的日益复杂，投资者稳定或超额投资收益难以保障。传统模型而不能作为选股指导，因而面对目益突出的股票分析技术需求，新型算法的研究十分必要。因其非线性映射能力弱运用了主成分分析法与神经网络模型的算法对五只个股进行预测，实现了数据的降维，良好地处理了股票市场复杂的非线性问题，并基于回测的历史数据不断更正模型得到精确度较高的狟楹夏Ｐ汀Ｊ导试擞檬被寡∪×耸菽夂系姆椒ǎ虾模拟了指标趋势，使得模型预测后的平均误差保持在极小的状态，且在短期预测上有一定的优势。关键词：股票预测；主成分分析；神经网络；数据拟合中图分类号：文献标志码：文章编号：———：年．—琘猯吉林省大学生创新创业训练项目于春蕾究疲珽甤尹伟石校┦浚苯淌冢珽簓．期目介者日项简作稿金者讯收基作通．珻，，痵—甌甌，，．瑃!猯．!狟甌瑃簊；籅籨痶—
万方数据
碍，焕硌掣等锍锝小！警竌筹叫”㈦哗弦灰囚一灰怀石；模型原理凡：鼍⋯。⋯为方便计算，引入了残差掣，定义损失函数对，建模型，主成分分析法在处理数据上具有优势，在保证信息数据最少丢失的同时，消除数据的冗余信息；神经网络则通过对股票历史数据的学习，在神经元的权值中存储股价变化的规律。可以较明显地增强系统预测结果的可信度和精数据拟合的算法来模拟不同数据量的预测效主成分分析可以用较少的计算量，达到选择最佳变量子集的效果，其作为多变量分析方法被广泛应用；神经网络是一种模拟人脑神经网络结构从而具有一定的预测功能的数学模型，可以充分逼近任意复杂的非线性关系，拥有的狟楹夏Ｐ汀主成分分析，是考察多个变量间相关性的一种多元统计方法，旨在通过少数几个主成分来揭示多个变量间的内部结构。其中，每个主成分都是原始变量的线性组合，且互不相关。由此，这些主成分能够反映原始变量的绝大部分互不重叠的信息，引进多方面的指标的同时，又将其中复杂的因素归结为几个主成分，使得复杂问题得以简化，并得到更为科学、精准的信息。具体算法步骤如下：《ü兰蒲臼∪≈副辏菇ㄔ始数据矩阵的标准化处理，得到标准化矩阵。荼曜蓟卣蠹扑阈讲罹卣螅源来反映标准化后数据之间的相关关系及密切程菹喙叵凳卣蠹扑愠鎏卣鞲岸杂玫饺范ê蟮亩喔鲋鞒煞郑奔扑愀主成分得分。神经网络是一种按误差反向传播算法训练的多层前馈神经网络，其结构分为三层：输入加上阀值的形式对前一层神经元传递过来的信息进行整合。神经元之间的学习向误差减小的方向传递，进一步修正各自的权值。反向传播算法是若干个算法的集合，其过程跋蛑鸩慵扑阒钡绞涑觯扑愠瞿Ｐ偷预测值。ü鹗Ш扑阍げ庵涤胝媸抵抵褂锰荻认陆邓惴ǜ伦詈笠徊愕牟数，然后再一层一层往前更新前面几层的参数，直到所有的参数都被更新。迭代公式如下：其中，，表示的是神经网络中的第几层；呱硎连接，的第鼋