基于神经网络的股票市场预测(2)
本文作者(左 喆 董 申),请您在阅读本文时尊重作者版权。
网络设计完成后,要运用样本集进行训练。对推广能力的测试不能用训练集的数据进行,而要用训练集以外的测试数据来进行检测。使用训练好的RBF神经网络对2007年3月5日至4月13日的上证综指进行预测,共计30个交易日,结果如图3所示。
平均预测误差为1.4467%,可见,此神经网络具有良好的预测效果。此时,RBF神经网络的训练拟合效果并不是最优的。一般地,为了取得更好的拟合效果,Spread参数应该较小,但太小的Spread参数会导致严重的训练过度问题,因此要综合考虑训练和预测的误差,以保证神经网络的推广能力。
四、结论与展望
利用神经网络的非线性映射,可以实现任意数据的函数逼近,而无需明确模型的细节。文中用RBF神经网络实现了对上证指数的预测,模型具有良好的推广能力,对证券市场的预测具有一定的参考价值。对于本文的实例数据,RBF神经网络比BP神经网络(实验中使用Levenberg-Marquart算法)拥有更快的拟合速度和更好的预测结果。由于股票市场的特殊性,虽然BP神经网络训练拟合效果要大大好于RBF神经网络,但是预测结果非常不理想,预测数据完全无法反映数据的真实情况。限于篇幅,BP神经网络和RBF神经网络的比较不再赘述。
近年来,国内外的学者都在试图研究更为有效的经济预测方法,以提高预测的质量和效率。神经网络的优良特性越来越多地吸引了人们的目光,将在更广泛的领域中得到应用。
参考文献:
[1] 曾昭才 段虞荣 段绍光: 基于径向基函数网络的混沌时间序列分析[J]. 重庆大学学报(自然科学版),1999,22(6):113-120
[2] Broomhead D S,Lowe D. Multivariable functional interpolation and adaptive networks [J]. Complex System,1988,2:321-355
[3] Light W A. Some aspects of radial basis function approximation [J]. Approx Theory,Spline Functions Applic,1992,356:163-190
[4] Powell M J D. Radial basis functions in 1990[J]. Adv. Num. Anal,1992,2:105-210