一种基于遗忘-遗传网络模型的股指预测方法技术

一种基于遗忘‑遗传网络模型的股指预测方法，先将样本按时间序号分为三个部分：训练样本、验证样本和预测区；种群解码得到网络结构并进一步对训练样本计算网络输出及每个染色体的训练误差；每代取最优网络结构并输入验证样本，得到对应的验证误差；经过maxLoop代遗传进化之后，即获得一组误差统计；根据“遗忘模型”采用“带遗忘的加权确认”，即从遗传优化结果中选择泛化性能最好的网络；本发明专利技术具有股指预测算法精度高、实用性强的优点。

【技术实现步骤摘要】
一种基于遗忘-遗传网络模型的股指预测方法
本专利技术涉及模式识别
，具体涉及一种基于遗忘-遗传网络模型的股指预测方法。
技术介绍
随着中国经济的飞速发展及其与全球经济的逐渐融合，中国金融体系的运行状况和潜在规律对国家整体经济实力产生着重要影响，甚至会直接影响到全球经济的未来发展走势。股票作为其中的必不可少的组成部分之一发挥着重要的作用，如何对其走势做出预测分析，从而保证市场的稳定、高效与安全，是亟待解决的热点问题之一。目前国内外许多学者针对股票走势做出预测分析，提出了一些预测、分析方法并取得了不错的效果，例如Supporvectormachine、Apriori、ARIMA、GARCH、SPPM等。然而，部分算法存在着预测精度不能满足实际需求、只关注某一时间点而忽略了时间段对结果的影响以及缺少对指数波动范围分析等方面的不足，使其在大范围内的使用受到了一定程度的限制，具有股指预测算法精度不高、实用性不强的缺点。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于遗忘-遗传网络模型的股指预测方法，具有股指预测算法精度高、实用性强的优点。为了达到上述目的，本专利技术采取的技术方案为：一种基于遗忘-遗传网络模型的股指预测方法，包括以下步骤：1)将股指样本按时间序号分为三个部分：训练样本、验证样本和预测区；2)随机生成遗传算法种群；3)由遗传算法种群的染色体进行解码得到网络结构；4)利用训练样本计算网络输出及每个遗传算法种群染色体的训练误差；5)取泛化性最好到的网络结构并输入验证样本，得到对应的验证误差；6)经过maxLoop代遗传进化之后，即获得一组误差统计；7)选择其中泛化性能最好的一个，得到网络预测模型，用网络预测模型进行股指预测。所述的步骤2)所生成的种群采用实数编码。所述的步骤2)随机生成种群时引入空连接概率Pn1和Pn2，设网络模型三层的节点个数分别为Ii、Hj和Ok，前两层之间的连接情况为依概率Pn1随机产生的0－1数，0表示输入节点Ii到中间层节点Hj非连接，而后两层之间的连接情况为依概率Pn2所随机产生的0－1权。所述的步骤3)种群解码得到网络模型的每个节点之间的连接权值Wi、每一节点的阈值θj以及连接输入输出的节点数目。所述的步骤3)解码得到的激活函数在编码串中进行优化，对激活函数进行改进，增加了可调参数，将其编码并参与交叉、变异操作，这样所实现的候选激活函数共有5个：Purelin：y＝x，导函数为1；Tansig：导函数1-y2，导函数值域(0,1]；Logsig：导函数y(1-y)，值域(0,0.25]；改进myTansig：指数可调，默认k＝4，导函数值域改进myLogsig：指数可调，默认k＝3，导函数ky(1-y)，值域所述的步骤3)中染色体分为4个部分，其结构为：各部分结构以及初始化方式如下：中间节点数Nhid：根据式(1)得到[Nmin,Nmax]，在区间[Nmin,Nmax]均匀随机产生Popsize个个体；激活函数Fhid：对候选激活函数F＝myTansig,Tansig,Logsig,myLogsig,purelin分别编号为1至5；连接权W：根据中间节点Nhid，分别依据置空概率Pn1和Pn2正态随机生成对应的前两层及后两层之间的连接权值；阈值B：正态随机生成各层节点的阈值。所述的步骤5)在构建预测网络模型的过程中，并不直接选择训练误差最小的网络结构，而是根据“遗忘模型”采用“带遗忘的加权确认”，即从遗传优化结果中选择泛化性能最好的网络。本专利技术的有益效果为：已有研究表明基于网络的方法能够得到相对较好的结果，本专利技术依据“遗忘模型”采用加权误差最小的原则选择最佳网络结构，通过对趋势、循环和非规则成分变动等因素的系统分析，制定出短期的预测。通过实验，验证了本专利技术的有效性以及其在本领域的适用性。具有股指预测算法精度高、实用性强的优点。附图说明图1为基于遗传GA的网络模型。图2为滑动窗监测训练误差与验证误差的变化图。图3为遗传BP网络适应值变化曲线图。图4为遗传BP网络训练误差、验证误差以及加权误差的变化曲线图。图5为上证指数20030101起的收盘价序列图。图6为不同隐节点的收敛情况对比图。图7为预测区域的真实值(15日)图。具体实施方式下面结合附图和实施例对本专利技术进一步说明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，他们可以被相互组合从而达到更好的技术效果。一种基于遗忘-遗传网络模型的股指预测方法，包括以下步骤：1)将股指样本按时间序号分为三个部分：训练样本、验证样本和预测区；2)随机生成遗传算法种群；3)由遗传算法种群的染色体进行解码得到网络结构；4)利用训练样本计算网络输出及每个遗传算法种群染色体的训练误差；5)取泛化性最好到的网络结构并输入验证样本，得到对应的验证误差；6)经过maxLoop代遗传进化之后，即获得一组误差统计；7)选择其中泛化性能最好的一个，得到网络预测模型，，用网络预测模型进行股指预测。所述的步骤2)所生成的种群采用实数编码。二进制编码方法虽具有通用的优点，但其精度跟编码的位数密切相关，而且对于网络而言，二进制编码方法存在一种识别上的“盲点”，从而降低效率。实数编码则是对问题域的最直接的一种描述，因此其不需进行复杂的解码，而在同时其还能具有相对来说比较高的表达精度，基于这些优点选择采用实数编码。所述的步骤2)随机生成种群：定理1：设有P对样本{(x1,d1),…,(xp,dp)}，S＝{x1,…,xp}表示样本输入集，∑(P,S)表示定义在S上的函数空间，给定空间∑(P,S)，则对于3层网络，只要中间层节点数L足够大，对任意F(x)∈∑(P,S)，网络能够认知F(x)；此外，研究表明中间层节点个数L应满足关系：其中，P是样本数，Ni是样本输入向量的维数；因此，网络模型即为如图1所示网络，而网络模型的每个节点之间的连接权值Wi、每一节点的阈值θj以及连接输入输出的节点数目由遗忘GA进行自组织学习；随机生成的连接权容易产生全连接的网络结构，提高了网络的复杂性，为此引入空连接概率Pn1和Pn2，设网络模型三层的节点个数分别为Ii、Hj和Ok，前两层之间的连接情况为依概率Pn1随机产生的0－1数，0表示输入节点Ii到中间层节点Hj非连接，而后两层之间的连接情况为依概率Pn2所随机产生的0－1权。所述的步骤3)解码得到的激活函数在编码串中进行优化，对Tansig等激活函数进行改进，增加了可调参数，将其编码并参与交叉、变异等操作，这样所实现的候选激活函数共有5个：Purelin：y＝x，导函数为1；Tansig：导函数1-y2，导函数值域(0,1]；Logsig：导函数y(1-y)，值域(0,0.25]；改进myTansig：指数可调，默认k＝4，导函数值域改进myLogsig：指数可调，默认k＝3，导函数ky(1-y)，值域所述的步骤3)中染色体分为4个部分，其结构为：各部分结构以及初始化方式如下：中间节点数Nhid：根据式(1)得到[Nmin,Nmax]，在区间[Nmin,Nmax]均匀随机产生Popsize个个体；激活函数Fhid：对候选激活函数F＝myTansig,Tansig,Logsi本文档来自技高网...

【技术保护点】
1.一种基于遗忘‑遗传网络模型的股指预测方法，其特征在于，包括以下步骤：1)将股指样本按时间序号分为三个部分：训练样本、验证样本和预测区；2)随机生成遗传算法种群；3)由遗传算法种群的染色体进行解码得到网络结构；4)利用训练样本计算网络输出及每个遗传算法种群染色体的训练误差；5)取泛化性最好到的网络结构并输入验证样本，得到对应的验证误差；6)经过maxLoop代遗传进化之后，即获得一组误差统计；7)选择其中泛化性能最好的一个，得到网络预测模型，，用网络预测模型进行股指预测。

【技术特征摘要】
1.一种基于遗忘-遗传网络模型的股指预测方法，其特征在于，包括以下步骤：1)将股指样本按时间序号分为三个部分：训练样本、验证样本和预测区；2)随机生成遗传算法种群；3)由遗传算法种群的染色体进行解码得到网络结构；4)利用训练样本计算网络输出及每个遗传算法种群染色体的训练误差；5)取泛化性最好到的网络结构并输入验证样本，得到对应的验证误差；6)经过maxLoop代遗传进化之后，即获得一组误差统计；7)选择其中泛化性能最好的一个，得到网络预测模型，，用网络预测模型进行股指预测。2.根据权利要求1所述的一种基于遗忘-遗传网络模型的股指预测方法，其特征在于：所述的步骤2)所生成的种群采用实数编码。3.根据权利要求1所述的一种基于遗忘-遗传网络模型的股指预测方法，其特征在于：所述的步骤2)随机生成种群时引入空连接概率Pn1和Pn2，设网络模型三层的节点个数分别为Ii、Hj和Ok，前两层之间的连接情况为依概率Pn1随机产生的0－1数，0表示输入节点Ii到中间层节点Hj非连接，而后两层之间的连接情况为依概率Pn2所随机产生的0－1权。4.根据权利要求1所述的一种基于遗忘-遗传网络模型的股指预测方法，其特征在于：所述的步骤3)种群解码得到网络模型的每个节点之间的连接权值Wi、每一节点的阈值θj以及连接输入输出的节点数目。5.根据权利要求1所述的一种基于遗忘-遗传网络模型的股指预测方法，其特征在于：所述的步...

【专利技术属性】
技术研发人员：赵婧，魏彬，
申请(专利权)人：西京学院，
类型：发明
国别省市：陕西,61