基于PSO的神经网络模型在股价预测上的研究及应用
| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第1章 绪 论 | 第7-15页 |
| ·引言 | 第7页 |
| ·课题的研究背景及意义 | 第7-9页 |
| ·国内外研究综述 | 第9-11页 |
| ·基于人工神经网络的股价预测的最新进展 | 第9-10页 |
| ·粒子群优化研究现状 | 第10-11页 |
| ·本文的研究的内容 | 第11-13页 |
| ·BP 神经网络算法 | 第11-12页 |
| ·粒子群优化算法 | 第12页 |
| ·主成分分析法选取变量 | 第12-13页 |
| ·基于 PSO 的神经网络模型及算法 | 第13页 |
| ·本文的内容组织 | 第13-15页 |
| 第2章 神经网络模型 | 第15-27页 |
| ·神经网络概述 | 第15页 |
| ·神经网络结构及学习机理 | 第15-17页 |
| ·反向传播算法(BP 算法) | 第17-23页 |
| ·BP 算法网络模型 | 第17-18页 |
| ·BP 学习算法 | 第18-23页 |
| ·BP 算法存在的问题 | 第23页 |
| ·对策 | 第23-27页 |
| ·提高BP 算法的收敛速度 | 第23-25页 |
| ·权值调节的全局优化算法 | 第25-26页 |
| ·粒子群优化算法 | 第26-27页 |
| 第3章 粒子群优化算法 | 第27-34页 |
| ·算法起源 | 第27页 |
| ·算法原理 | 第27-29页 |
| ·基本粒子群优化(PSO)算法 | 第29-30页 |
| ·算法步骤及流程图 | 第29页 |
| ·设计过程中应注意的参数设置 | 第29-30页 |
| ·粒子群优化算法的改进 | 第30-34页 |
| ·带惯性因子的PSO 算法 | 第30-31页 |
| ·带收缩因子的PSO 算法 | 第31-32页 |
| ·其它PSO 改进算法 | 第32-34页 |
| 第4章 主成分分析法 | 第34-39页 |
| ·主成分分析概念 | 第34页 |
| ·主成分分析的基本思想 | 第34-35页 |
| ·主成分分析的实现步骤 | 第35-39页 |
| 第5章 基于PSO 的神经网络预测模型及算法 | 第39-50页 |
| ·基于PSO 的神经网络预测原理 | 第39-40页 |
| ·带惯性因子的PSO 的神经网络结构设计 | 第40-42页 |
| ·原始数据的预处理 | 第42-43页 |
| ·主成分的多维变量降维 | 第43页 |
| ·激励函数的选择 | 第43-46页 |
| ·建立股价预测模型 | 第46页 |
| ·算法设计及性能测试 | 第46-50页 |
| 第6章 模型的实证与分析 | 第50-58页 |
| ·预测目标及数据来源 | 第50页 |
| ·基于PSO 的ANN 与BP 的ANN 比较 | 第50-53页 |
| ·收盘价预测 | 第53-56页 |
| ·单输入 | 第53-54页 |
| ·多输入 | 第54-55页 |
| ·主成分处理后的多输入 | 第55-56页 |
| ·最高最低价预测 | 第56-58页 |
| 第7章 总结和展望 | 第58-61页 |
| ·总结 | 第58-59页 |
| ·展望 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 附录 | 第63-65页 |
| 硕士研究生期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66-67页 |
