期货市场论文-改进的RBF神经网络对期货价格的预测分析.doc_第1页
期货市场论文-改进的RBF神经网络对期货价格的预测分析.doc_第2页
期货市场论文-改进的RBF神经网络对期货价格的预测分析.doc_第3页
期货市场论文-改进的RBF神经网络对期货价格的预测分析.doc_第4页
期货市场论文-改进的RBF神经网络对期货价格的预测分析.doc_第5页
已阅读5页,还剩1页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

期货市场论文-改进的神经网络对期货价格的预测分析摘要:针对非线性变化的期货价格,建立了基于主成分分析的RBF神经网络模型。首先利用主成分分析法从8个原始变量中提取主成分,最后利用选定的3个主成分作为径向基神经网络的输入。通过对比,该方法较一般的径向基神经网关键词:期货;主成分分析;RBF神经网络;预测1在对实际问题进行描述和处理中,为了能够获得更加全面的信息,我们经常需要统计多个变量的数据。但是这些多个变量之间经常存在一定的相关性,并不是每个变量都是我们所需要的,或者说它们携带的信息可能是重复的。因此我们希望用少数几个变量来代替原有的多个变量。主成份分析法的基本思想就是通过对原始数据的降维,将多个相互关联的变量转化为少数几个互不相干的变量的统由于期货价格的变化是一个非线性的时间序列,利用传统的统计方法对期货的价格直接进行预测,所得到的结果不是很理想。而神经网络在非线性模式中具有优势,因而它不需要建立复杂的数学模型就可以完成期货价格预测。基于BP网络和RBF网络的预测都有较好的结果,但是相对BP网络而言,利用RBF神经网络不仅解决了常用BP网络易陷入局部最小的问题,而且训练时间更短,预测的精度也比BP网络高得多。本文提出使用基于主成分分析法的RBF神经网络方法对期货价格进行预测。通过主成分分析法对原始数据降维,然后,再用这些个数较少的新输入变量作为RBF神经网络的输入进行模拟预测。由于主成分之间是相互独立的,所以由各主成分组成的输入空间不存在自相关性,从而有效地简化了RBF网络在高维时难以寻找网络中心的问题,2主成分分析法简介及RBF2.1(1主成分分析法的目的就是使用较少的变量代替并综合反映原来较多的信息,综合后的变量就是原来多变量的主要成分,利用这些综合后的主要成分去代替原来的变量去解决实际问题。这里首先利用以下公式对原始变量进行标准化处理。其中原变量为xijj个变量的第i个值,则处理后的变量值为yij(3)计算矩阵R利用R的特征方程|R-i|=0求出其特征根,其对应的特征向量利用|R-i|A=0和AA=1(4利用公式Ki=i/ni=1代入所求的特i,求出各个主成分的贡献率Ki(5主成分的确定方法主要有两种:(1)当前个主成分的累计贡献率达到某一特定值的时,则保留前个主成分。一般采用超过85%以上。(2)选取特征值大于1的主成分。这两种可视情况进行选取,一般前者取得主成分要多,后者2.2RBF神经网络算径向基(RBF)网络是以函数逼近理论为基础构造的一类向前网络。其网络结构为三层,隐含层采用高斯函数为激励函数,理论上,只要隐含层中有足够的径向基神经元,径向基函数网络就可以逼近任何非线性函数。输出层为简单的线其中W1i为每个隐含层神经元与输入层相连的权值向量,Xq为输入矢量,b1i为阈值。则隐含层的第ikqi=j(w1ji-xqj)2b1irqi=exp(-kqi)2)=exp(-(|w1ji-Xq|b1i)2)输出层的输入则为各隐含层神经元的加权求和。由于激励函数为线性函数,yq=ni=1riw22RBFw2。再通过有教师学习,确定训练隐含层与输出层间的权值w1i。在RBF网络训练中,隐含神经元的数量确定是一个关键的问题。其基本原理是从0个神经元开始训练,通过检查输出误差使网络自动增加神经元。每次循环使用,使网络产生的最大误差所对应的输入向量作为权值向量w1i,产生一个新的隐含层神经元,然后检查新网络的误差,重复此过程直到达到误差要求或最大隐含层神经元为止。由此可见,径向基函数网络具有结构自适应确定、输出与初始权值无关等特点。3改进的RBF3.1期货的价格是受很多因素影响,如国家政策、季节气候、供求关系、战争等,所以其价格会上下波动,呈现出一个非线性时间序列。其交易价格本文选取2007年6月7日至8月29日燃油0801每个交易日的开盘价、最高价、最低价、收盘价、交易量、持仓量、前5日均价、前10日均价为初始变量,每个变量60个数据,前59个为训练样本,最后一个为检测样本。考虑到期货交易与股票交易的不同,其交易方式是双向交易,从投资者获利的角度考虑,其并不像股票市场一样单纯的考虑股票价格增长,加上每个星期正常的期货交易日仅为5天,所以在这里我们考虑选取后5日均价作为预测目标,这样的选择更有实际意义。在这里本文直接利用SPSS软件包,选择数据降维,再选用主成分分析,可以直接得到各个主成分的方差累计贡献率,如表1从表中我们可以看出,第一个主成分主要包含了开盘价、最高价、最低价、收盘价、以及前5日均价共五个变量的信息,第二个主成分主要包含了成交量和持仓量两个变量的信息,而第三个主成分则主要包含了前十日均价一个变量的信息。由此可以看出,通过数据降维,将原来的8个变量,转化为现在的3个变量3.2现设计一个三层的神经网络,输入层有3个神经元,输出层神经元为1个。利用下式对输入、输出值进行标准化,可使得输入、输出值其均落在,xn=2*(x-minx)/(maxx-minx)-1在matlab的神经网络工具箱中用newrb函数设计这个径向基函数网络,用其作函数逼近时,可自动增加隐含层神经元,直到达到均方误差为止,利用语句:net=newrb(P,T,GOAL,SPREAD)进行网络设计,其中GOAL为均方误差,这里取值为0.0001,SPREAD为径向基函数的扩展速度,其值越大,函数的拟合就越平滑。经过试验,当其取0.058时,其预测效果最好。把2007年6月7日至8月28日的燃油0801选定的主成分作为输入的训练样本,标准化的后5日均价的值作为输出的训练样本,8月294结语由此可看出基于主成分分析法的径向基神经网络较一般的径向基网络有更简洁的网络结构,对于相对比较复杂的期货价格预测,基于主成分分析法的径向基神经网络得到的结果也更加精确。不过径向基神经网络本身对扩展速度的选择没有一个固定的标准,不同的值得到的结果有较大的偏差,这是该网络的一个缺1,白玫,李自珍.基于主成分-BP神经网络的期货市场预测J.数学的实践与认识.2007

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论