基于PSO-BP神经网络的上证指数预测模型应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 选题背景与研究意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 文献综述 | 第13-15页 |
| 1.3 研究内容与技术路线 | 第15-16页 |
| 1.4 本文的创新点 | 第16-18页 |
| 第2章 股价预测理论概述 | 第18-23页 |
| 2.1 股价预测面临的问题 | 第18-21页 |
| 2.1.1 股价的可测性分析 | 第18-19页 |
| 2.1.2 股价预测当中的挑战 | 第19-21页 |
| 2.2 股价预测方法 | 第21-23页 |
| 2.2.1 证券投资分析方法 | 第21页 |
| 2.2.2 时间序列分析方法 | 第21-22页 |
| 2.2.3 灰色预测方法 | 第22页 |
| 2.2.4 人工智能方法 | 第22-23页 |
| 第3章 基于PSO-BP神经网络的股价预测模型 | 第23-36页 |
| 3.1 人工神经网络 | 第23-25页 |
| 3.1.1 神经网络概述 | 第23页 |
| 3.1.2 神经元激活函数 | 第23-24页 |
| 3.1.3 网络结构与学习方法 | 第24-25页 |
| 3.2 BP神经网络 | 第25-30页 |
| 3.2.1 BP神经网络模型概述 | 第25-26页 |
| 3.2.2 BP神经网络流程 | 第26-27页 |
| 3.2.3 BP神经网络的优点与缺陷 | 第27-30页 |
| 3.3 粒子群优化算法 | 第30-33页 |
| 3.3.1 粒子群优化算法概述 | 第30页 |
| 3.3.2 更新规则 | 第30-31页 |
| 3.3.3 标准PSO算法流程 | 第31-32页 |
| 3.3.4 PSO算法与遗传算法的比较 | 第32-33页 |
| 3.4 PSO-BP神经网络模型 | 第33-36页 |
| 第4章 实证分析 | 第36-53页 |
| 4.1 数据与指标的选取 | 第36-37页 |
| 4.2 数据预处理 | 第37-39页 |
| 4.3 预测性能指标的选取 | 第39-40页 |
| 4.4 PSO-BP神经网络模型的设计 | 第40-44页 |
| 4.4.1 系数的选择 | 第40-41页 |
| 4.4.2 模型隐含层神经元个数的选择 | 第41-43页 |
| 4.4.3 激活函数的确定 | 第43-44页 |
| 4.5 实证结果分析 | 第44-50页 |
| 4.5.1 模拟情况分析 | 第44-47页 |
| 4.5.2 预测情况分析 | 第47-50页 |
| 4.6 稳定性检验 | 第50-53页 |
| 4.6.1 随机性对模型的影响 | 第50-51页 |
| 4.6.2 模型性能分析 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第59-60页 |
| 致谢 | 第60页 |
