本站原创本文是一篇粒子论文范文,粒子类硕士学位论文,关于基于粒子群神经网络的股票价格预测相关毕业论文的格式范文。适合粒子及神经网络及算法方面的的大学硕士和本科毕业论文以及粒子相关开题报告范文和职称论文写作参考文献资料下载。
[摘 要]粒子群算法是一种基于群智能的全局寻优方法,方法简单易于实现.本文将粒子群算法用于神经网络的训练,提出了一种股票价格预测的新方法,研究表明预测效果良好.
[关 键 词]粒子群算法神经网络股票
一、前言
股票市场是我国资本市场不可缺少的一部分,在推动经济发展中起到了举足轻重的作用.随着我国经济的快速发展,股票价格的预测研究成了当前的热点之一,但股票价格的形成机制是颇为复杂的,股票价格既受到政治、经济、市场的影响,也受到技术和投资者行为的影响,个别因素的波动都可能会使股票价格剧烈波动,股票价格和各影响因素之间很难直接建立明确的函数关系表达式.神经网络对非线性问题有强大的处理能力,是股票价格预测的有效方法,但神经网络收敛速度慢,易于陷入局部极小点,鲁棒性差.粒子群算法是一种基于群智能的全局寻优方法,方法简单易于实现.粒子群神经网络将粒子群算法引入到神经网络的训练当中,可以有效地提高神经网络的预测能力.
二、粒子群算法
粒子群算法初始化为一组随机粒子,然后通过迭代寻找最优解.粒子追随两个最优值来更新自己,一个是粒子迄今为止寻找到的最优值,叫做个体极值（pBest）；另外一个是整个粒子群迄今为止寻找到的最优值,叫做全局极值（gBest）.粒子用以下公式更新自己：
(1)
(2）
其中为当代粒子移动速度；是下一代粒子移动速度；是介于[0,1]之间随机数,是学习因子,一般取2；是当代粒子位置；是下一代粒子位置,是个体最优位置,是全局最优位置,为惯性因子.
惯性因子对优化性能有很大的影响,较大的值有利于跳出局部极小点,而较小的值有利于算法收敛.一般采用以下公式进行更新：
（3）
式中为迭代次数.
三、粒子群神经网络
多层前馈神经网络由于一般使用BP算法作为学习算法,因此常称之为BP网络,由于BP算法从本质上讲是一种局部寻优算法,BP算法不可避免地存在局部极小,因此需要用一种全局寻优算法来代替BP算法.由于粒子群算法有良好的全局收敛性能,在这里我们采用粒子群算法作为神经网络的学习算法,即用粒子群算法来实现神经网络权值的寻优,称这种网络为粒子群神经网络.
图1粒子群神经网络
四、股票价格预测
采用三层前馈神经网络,隐层神经元为线性神经元,激活函数为S型函数,网络权值寻优方法为粒子群算法.根据经验选取预测日前四天开盘价、收盘价作为输入量,输出量为第五天的收盘价,网络结构为8－17－1.本文选取“泰豪科技（600590）”从2007年5月10日到9月20日的股票价格数据利用MATLAB软件进行研究.取70组数据作为训练样本,20组数据为测试样本.
图2泰豪科技实际值和预测值
由上图可以看出,股票预测价格与实际价格略有差距但相差不多,并且总的趋势符合实际走势.
五、结束语
粒子群算法简单,收敛速度快,鲁棒性强,易于编程实现.粒子群神经网络兼有粒子群算法和神经网络的长处,将粒子群神经网络运用到股票价格预测上,研究结果表明预测效果良好.