基于知識(shí)挖掘和RBF+AFSA的股指預(yù)測(cè)的實(shí)證分析.pdf

1、如何對(duì)股指進(jìn)行預(yù)測(cè)，以及怎樣才能使預(yù)測(cè)更為準(zhǔn)確，已成為金融領(lǐng)域理論界長(zhǎng)期以來(lái)的研究焦點(diǎn)。但是，由于股指的波動(dòng)受到諸多因素的影響，尤其是受到一些不可量化的因素影響，因此，對(duì)股指的預(yù)測(cè)存在較大的難度。本文針對(duì)這個(gè)問(wèn)題，主要做了如下的工作：
　　 首先，采用神經(jīng)網(wǎng)絡(luò)方法，將收盤(pán)指數(shù)這個(gè)單一指標(biāo)分別代入BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)比兩者的預(yù)測(cè)精度，發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果要略好于BP神經(jīng)網(wǎng)絡(luò)，但是兩者的預(yù)測(cè)精度都不高，并發(fā)現(xiàn)

2、神經(jīng)網(wǎng)絡(luò)具有計(jì)算速度慢、局部最優(yōu)等缺陷，需要對(duì)其進(jìn)行優(yōu)化；其次，運(yùn)用GA，PSO，AFSA三種智能算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，然后用優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對(duì)上證綜指進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)經(jīng)過(guò)AFSA算法優(yōu)化后的預(yù)測(cè)精度最高；第三，除了收盤(pán)指數(shù)，還有其他很多影響股指的因素，這些因素有可以量化的數(shù)量因素和不可量化的文本因素。運(yùn)用數(shù)據(jù)挖掘技術(shù)，將影響股指波動(dòng)的9大數(shù)量性技術(shù)指標(biāo)一一帶入預(yù)測(cè)模型，將表現(xiàn)不好的淘汰，表現(xiàn)較好的再進(jìn)一步進(jìn)行優(yōu)化組合，直到尋找到一個(gè)預(yù)