未来智讯 > 神经网络论文 > 基于SDE的BP神经网络股票价格展望

基于SDE的BP神经网络股票价格展望

发布时间:2019-01-23 01:06:01 文章来源:未来智讯    
    基于SDE的BP神经网络股票价格展望作者:未知   摘要:股票价格展望是投资者存眷的热门问题,用人造智能对股票价格进行展望是近年来十分风行的展望体式格局。文章针对传统BP神经网络的展望精度受初始化权值和阈值影响较大的不及,给出一种使用差分进化算法对BP神经网络的初始权值和阈值进行优化的要领,设立了一种基于自顺应差分进化算法的BP神经网络股票价格展望模子,行使真正的股票数据议决仿真正验验证了模子的有用性。
  关头词:股票价格展望;BP神经网络;自顺应差分进化算法
  近年来,跟着人造智能和谋略机专业软件的成长,股票价格展望呈现了很多新要领。个中神经网络在非线性迫近和对纷乱信息进行综合处置方面具有优良表示,其自身具备的自进修、自顺应等特征,可以征服通俗展望要领存在的范围性,是以神经网络在人造智能范畴处于带头身分,并获得了普遍应用和存眷。以是,使用神经网络对股票价格进行展望有奇特的上风,能有用征服股票价格高度非线性的问题[1]。
  1 差分进化算法
  差分进化算法(Differential Evolution,DE)是一种新式的模仿天然界生物进化的群智能随机优化算法,由美国粹者Stora和Price于1995年提议。算法议决选取实数编码的体式格局在赓续域空间内对问题的解进行随机�人骱陀呕�[2]。差分进化算法的原理简略,把握参数较少,易于兑现,今朝已被证实是一种高效的全局开导式进化算法,具有普遍的切磋和应用远景[3]。
  差分进化算法是一种基于种群遗传进化的随机优化算法,包罗变异、交织、选择3种遗传操作[3]。
  尺度DE算法包罗种群初始化、变异操作、交织操作和选择操作[4]。
  1.1 种群初始化
  差分进化算法使用实数编码机制,种群中的每个个别都被视为问题搜罗空间中的一个解。初始化群体巨细Np,染色体长度,缩放或突变因子F,交织率CR和基因值局限[Umin,Umax]这几个参数。种群用式(l)随机初始化,发生个别Xij:
  1.2 变异操作
  在进化谋略模子中变异则指的是议决随机扰动要领来对某个位置的数值进行变化。差分进化算法议决变异操作来保留群体的多样性。
  1.3 交织操作
  完成变异操作之后,个别i就会有一个进献向量(Vi)天生,此时再把指标向量x与进献向量v交织,交织操作后就发生了试验向量u。
  交织操作按照式(3)发生:
  1.4 选择操作
  差分进化算法选取了一对一的竞争机制,经变异与交织算子操作以后发生了试验向量uiG+1和xiG,选择顺应度较高的个别进来新一代的种群。选择操作的方程如式(4)所示:
  2 自顺应差分进化算法
  DE算法中涉及的种种关头参数的配置对算法的本能存在显著影响。本文议决引入自顺应变异因子和自顺应交织因子来对尺度的差分进化算法进行改良,形成自顺应差分进化算法(Self-adaptive DE,SDE),以提高算法本能。
  自顺应的变异因子由款式(5)谋略所得:
  式中的CRmin与CRmax离别为交织因子的最小值和最大值。
  2.1 基于自顺应差分进化算法的BP神经网络
  基于SDE的BP神经网络是把自顺应差分进化算法和BP神经网络算法相联合,该算法的基本思惟便是先行使SDE算法预先搜罗全局最优联贯权值和BP神经网络的阈值,然后将最优的搜罗了局分派给初始BP神经网络的权值与阈值。
  基于SDE优化的BP神经网络的算法流程如下:
  (1)种群初始化。起首初始化种群规模Np、迭代次数,以及变异因子F和交织因子CR,然后用式(5)发生初始种群。
  (2)评估迭代以确定其是否完成。若是当前最小的顺应度值到达预设的精度要求或迭代次数G与最大迭代次数不异,则SDE算法终止,得到�m应度最好个别;不然,步骤进来下一个程序。
  (3)凭据自顺应差分算法中变异、交织与选择的操作要领天生儿女个别xiG+1。
  (4)反复程序(3)并天生儿女种群。
  (5)对儿女的适合度值进行评价,最小值便是当前的最优值,响应的个别便是全局的最优个别。
  (6)配置G=G+l,然会返回程序(2)。
  (7)把来自SDE优化的最优个别指定为网络初始权值与阈值,然后用训练样本对网络进行训练,从而设立最好网络。
  (8)在网络中输入测试样本,使用训练完成的网络对其进行展望。
  综上可知,基于自顺应差分进化算法优化的BP神经网络,其网络权值和阈值均为经自顺应差分进化算法优化获得的最优网络权值和阈值。
  2.2 SDE-BP神经网络配置
  SDE-BP神经网络的设计首要是对网络的各项参数进行配置,首要包罗了网络层数、神经元个数及其余各项参数初始的值。本节首要对BP神经网络所需的各项参数进行剖析和配置。SDE-BP神经网络的各项参数如下。网络层数:3;输入层、隐含层、输出层的神经元数离别为:20, 5, 1;隐含层、输出层激活函数离别为:tansig,purelin;训练函数:trainln;进修率:0.25;初始权值和初始阈值随机采用,后经SDE优化;神经网络训练指标偏差:le-6;神经网络训练次数:200;种群规模:50,迭代次数:500;变异因子:Fmax=0.9,Fmin=0.2;交织因子:CRmax=0.5,CRmin=0.1。
  3 尝试剖析
  3.1 样本数据采用
  本文尝试用到的股票数据起原于股票证券业务剖析软件同花顺,以三峡水利(600116)作为本文的切磋对象。使用股票开盘价、最低价、最高价以及收盘价为股票的展望数据,然后采用第1?20个业务日中股票的开盘价、最低价、最高价及收盘价,将这些数据作为模子的训练数据,将第21日的收盘价作为模子的测试数据;再采用第2?21个业务日中的开盘价、最低价、最高价及收盘价来作为训练数据,用22日的收盘价来测试。按照此要领依次对样本数据进行训练,然后再将待展望日之前的20日股票数据作为测试样本,输入训练完成的BP神经网络,网络最后的输出即为要展望的股票收盘价,最后议决展望值与真正值比对来剖析模子展望的精度。   3.2 样本数据处置
  为防止股价错落不齐影响展望精度,本文对股价进行了归一化处置。将股价格归一化至[0,1]这个区间之内,缩减了BP神经网络训练的时间,式(7)为选取的归一化公式:
  式中X’表现归一化后的股票价格,X是原始股票价格的序列;Xmax是原始股票价格序列中的最大值;而Xmin则为原始股票价格序列中的最小值。
  3.3 尝试了局剖析
  表1为BP神经网络与SDE-BP神经网络模子的训练次数与训练时间,颠末对照发现,SDE-BP神经网络展望模子比拟传统的BP网络展望模子而言,能有用削减训练次数,收缩训练时间,从而改善了BP神经网络模子的展望效果。
  图1为离别用两种模子对现实的股票价格进行展望后获得的偏差曲线图,可知,基于自顺应差分进化算法优化的BP神经网络展望偏差显著低于传统BP神经网络的展望偏差。
  尝试了局证明,基于SDE的BP神经网络较着收缩了传统BP神经网络展望模子的训练时间,在用其对股票价格进行展望时,贬低了网络展望的偏差,在股票价格展望方面的效率比传统BP神经网络效率更好。是以讲明基于自顺应差分进化算法的BP神经网络提高了传统BP神经网络的展望效果和展望精度。
  4 结语
  本文起首先容了尺度的差分进化算法,针对尺度差分
  进化算法缺陷提议引入自顺应的交织和变异因子的要领对算法进行改良,给出了一种自顺应差分进化算法。使用改良后的差分进化算法对BP神经网络进行优化,给出一种基于自适��差分进化算法优化的BP神经网络模子。最终议决尝试,验证了基于自顺应差分进化算法优化的BP神经网络在股票价格展望方面的高效性和优厚性。
  [参考文献]
  [1]朱元.证券投资学原理[M].上海:立信管帐图书用品社,1992.
  [2]王超学.智能优化算法与应用[M].西安:西北大学出书社,2012.
  [3]张庆科.粒子群优化算法及差分进行算法切磋[D].济南:山东大学,2017.
  [4]WANG L, ZENG Y, CHEN T.Back propagation neural network with adaptive differential evolution algorithm for time seriesforecasting[J].Expert Systems with Applications, 2015(2):855-863.
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0123/81340/
 与本篇相关的热门内容: