前言：中文期刊網精心挑選了網絡合理化建議范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
網絡合理化建議范文1
[關鍵詞]模糊粒化；小波神經網絡；股指區間預測
[DOI]101.3939/jcnkizgsc20162.71.1.3
1引言
隨著股票市場的逐漸完善和發展，投資金融理財產品成為越來越多的家庭和個人的選擇，股票就是其中重要的一種理財產品。近年來，人工神經網絡是人工智能領域興起的研究熱點，并且憑借其優秀的非線性逼近和泛化能力在金融市場得到了廣泛的應用。王文波等人進行了基于EMD 與神經網絡的中國股票市場預測[1]，任崇嶺等人進行了基于小波神經網絡的短時客流量預測研究[2]，以上研究表明神經網絡在股票市場上有較好的實際預測效果并獲得了廣泛的應用。潘曉明等人通過采用遺傳算法的神經網絡集成建立了一種股票市場預測模型。[3]劉沛漢等基于遺傳算法優化進行了神經網絡的光伏電站短期功率預測[4]等，上述研究結果表明遺傳算法在優化神經網絡進行預測，降低誤差方面有顯著作用。
傳統神經網絡預測多得到股指點的預測，但是股票市場隨機性較大，投資者往往更希望得到股指在未來一段時間的波動區間作為投資參考。因此，文章通過將股指開盤數據模糊?；?，然后在小波神經網絡基礎上建立一種新型的股指區間預測模型，并使用遺傳算法優化模型參數，獲得更高的精度，預測未來一段時間內股指波動范圍，為股市投資者提供投資參考。
2模型的建立
2.1信息粒化
1979年，LAzadeh教授提出了“信息粒化”（Information Granulation）的概念。信息?；褪峭ㄟ^一定的劃分準則，將原始數據中難以辨別，或者具有特定功能相似的數據聚集成多個集合，構成一個個信息粒，這種信息處理的方式稱之為信息粒化。一般形式如下：
2.2基于遺傳算法和BP學習的小波神經網絡預測
2.2.1遺傳算法的使用
遺傳算法（Genetic Algorithm）是一種模擬生物進化機制的算法，具有較好的收斂性、極高魯棒性和廣泛適用性，可有效提高模型預測精度。因此，文章采用全局搜索能力較好的遺傳算法優化網絡參數，步驟如下。
2.2.2小波神經網絡的建立
小波神經網絡是在BP神經網絡基礎上，以小波基函數作為隱含層節點傳遞函數，信號前向傳播的同時誤差反向傳播的神經網絡。文章選取Morlet母小波基函數作為隱含層小波基函數：
采用梯度修正算法高模型的預測精度、使預測輸出更接近期望輸出，修正過程如下：
3實證分析
文章選擇我國股票市場中的上證指數作為研究數據。文章選取201.4 年1.2月2.2 日至2016 年3 月16 日的300 個交易日的上證指數開盤數據進行預測，數據源于新浪財經。將300個開盤數據每4 天劃分成一個數據粒，劃分成75個數據塊，隸屬函數的參數即對應模糊上界，模糊中值和模糊下界。文章使用模糊下界和模糊上界作為股票指數所在的區間。
以股指分塊數據的上界為例，選取前72個數據作為神經網絡的訓練集，后3個數據作為測試集。文章選取前6個數據作為小波神經網絡的輸入。隱含層節點的數目可根據經驗公式[KF（]m+n[KF）]+α 計算，其中α 是取值0～10之間的常數，經過多次嘗試隱含層節點為1.3時效果最好，輸出層節點個數為1，文章的小波神經網絡結構為6-1.3-1。
用遺傳算法計算小波神經網絡測初始狀態，這里文章基于Matlab的Gatbx遺傳算法工具箱進行編寫。具體的參數設置為：①個體數目：50；②最大遺傳代數：20；③變異概率：005；④交叉概率：08；⑤代溝：09。
采用梯度下降法訓練小波神經網絡，梯度下降訓練具體參數如下：（1）小波神經網絡權值學習速率η1=002；（2）小波基函數伸縮、平移因子學習速率η1=001；（3）小波神經網絡最大迭代次數為600次。訓練結果和訓練誤差如下。
利用訓練好的小波神經網絡得到2016年3月1日～3月16日的模糊上界的預測值。類似地，對上證指數模糊中間值以及模糊下界進行相同的處理方式，可以得到具體的股指預測區間為[2.73.6，2.889]、 [2.705，2.877]和[2.74.3，2.960]。2016年3月1日～2016年3月16日股指區間預測結果和實際股指圖如下所示。
由上圖可以看出，2016年3月1日―2016年3月16日一共1.2個交易日的數據幾乎全部屬于小波神經網絡預測區間，并且模型預測區間波動較小，預測較為精確。模型可以較好地預測股票指數在沒有重大政策影響的情況下的波動情況。
對于模型預測誤差，本文采取均方根誤差（RMSE），平均絕對百分比誤差（MAPE），最大絕對誤差百分比（MaxAPE）這三項指標來進行衡量。按照如下計算公式計算得到預測結果誤差并得到計算結果：
4結語
文章提出了一種基于模糊?；瓦z傳算法優化的小波神經網絡股票指數區間預測模型。該模型通過對上證指數開盤數據進行模糊?；?，建立一個基于遺傳算法優化的小波神經網絡，并對未來幾日的上證指數進行預測。實際結果表明，這一預測模型可以較好地預測未來4日上證指數的波動區間，并且具有較高的預測精度，可以作為股票投資者的一種投資參考，有效地規避風險，從而獲取更大的收益。
參考文獻：
[1]王文波，等基于EMD與神經網絡的中國股票市場預測[J].系統工程理論與實踐，2010，30（6）：102.7-103.3.
[2]任崇嶺，等基于小波神經網絡的短時客流量預測研究[J].科學技術與工程，201.1，1.1（2.1）：5099-5.103.
[3]潘曉明，等基于遺傳算法神經網絡集成股票市場預測研究[J].廣西師范學院學報，2007，2.4（1）：77-83.
[4]劉沛漢，等基于遺傳算法優化神經網絡的光伏電站短期功率預測[J].水電能源科學，2016，3.4（1）：2.1.1-2.1.4.
