学位论文 > 优秀研究生学位论文题录展示

基于神经网络和遗传规划的汇率预测技术研究

作　者: 廖薇
导　师: 刘锦高
学　校: 华东师范大学
专　业: 通信与信息系统
关键词: 神经网络 BP算法径向基函数广义回归神经网络遗传规划汇率预测
分类号: F831.52
类　型: 博士论文
年　份: 2010年
下　载: 561次
引　用: 3次
阅　读: 论文下载

内容摘要

汇率的决定与预测一直是现有的国际经济研究文献中非常重视且有争议的话题,迄今尚未出现完整的理论及一致性论述。本文针对汇率问题的复杂性,根据汇率的非线性关系和汇率数据自身的非线性特征,从非线性模型与进化计算角度出发,以神经网络与遗传规划为主要工具,对人民币汇率的可预测性问题进行了一定的分析,试图根据人民币汇率本身的一些特性,构建适于人民币汇率的预测模型,并取得如下几点研究成果：1.对人民币汇率的预测建模过程进行了总体设计。通过对人民币影响因子的分析,选择美元、日元、欧元、韩元这四种货币的汇率作为输入变量,并对输入数据进行了收集与预处理。通过对各种实证模型的分析,选择神经网络与遗传规划两大模型,运用固定预测方案,以平均绝对百分比误差(mean absolute percentage error, MAPE)、预测误差平均值(mean absolute error, MAE)、均方根误差(root mean squared error, RMSE)三大定量标准来对预测精度进行比较与评估。2.对BP网络与算法在汇率预测实例中的研究。重点比较了对于不同的层次结构、隐层单元个数、学习速率以及激励函数等要素对收敛效果、模拟检验及预测结果的具体影响,经过对比分析得出最优的BP模型结构,预测结果最优。3.从激励函数与网络结构的角度对BP神经网络进行了改进。选择使用新激励函数,通过数学计算分析得出这个激励函数是双极性的,从而能够运用于神经网络中的激励函数。通过和传统BP神经网络的预测结果进行对比,得出改进后的BP网络无论从收敛速度还是预测精度有明显提高。4.以相同的训练样本以及预测样本,运用RBF与GRNN两大模型进行汇率模拟预测。通过试算确定模型的参数,得出当RBF网络径向基分布参数SPREAD与GRNN网络光滑因子的最优值,最终获得的模型训练和测试效果预测误差最小。再将改进的BP神经网络,RBF神经网络,以及GRNN神经网络三种网络的预测效果进行全面的对比,证明改进的BP网络无论从训练速度,以及预测精度都是最优的,体现了新激励函数的优越性。5.提出并构造了适应人民币汇率的基于遗传规划方法的预测模型。借助遗传规划的符号回归功能,对算法的运行结果与其他预测模型进行了分析和比较得出,本例中遗传规划的求解结果优于神经网络的结果。这个技术是汇率趋势预测中的一个方法创新。

全文目录

摘要  6-8
ABSTRACT  8-14
1 绪论  14-30
  1.1 预测的意义与根本原理  14-17
    1.1.1 预测的含义及其重要意义  14
    1.1.2 预测的基本原理与基本步骤  14-17
  1.2 预测方法的发展  17-22
  1.3 汇率预测的可预测性和研究现状  22-26
  1.4 论文的研究思路与内容安排  26-28
  参考文献  28-30
2 神经网络与遗传规划  30-56
  2.1 前言  30-34
  2.2 神经网络的基本概念  34-40
    2.2.1 神经元模型  34-36
    2.2.2 神经网络学习算法  36-38
    2.2.3 神经网络的设计  38-40
    2.2.4 神经网络的特性  40
  2.3 遗传规划的工作原理  40-51
    2.3.1 GP中个体的表示方法  40-42
    2.3.2 遗传规划的预备工作  42
    2.3.3 GP初始个体的生成及基本操作  42-46
    2.3.4 遗传规划的基本步骤  46-47
    2.3.5 基本算子  47-51
  2.4 遗传规划的终止准则  51
  2.5 遗传规划的结果标定  51
  2.6 遗传规划的特点分析  51-53
  2.7 本章小结  53
  参考文献  53-56
3 人民币汇率的预测建模过程设计  56-70
  3.1 前言  56-58
  3.2 影响因子分析  58-61
  3.3 数据的收集与预处理  61-63
  3.4 实证模型的设定  63
  3.5 预测方案与评估标准  63-65
    3.5.1 预测方案设计  63-64
    3.5.2 预测精度标准  64-65
  3.6 本章小结  65-66
  参考文献  66-70
4 基于BP神经网络的汇率预测及其改进  70-90
  4.1 前言  70-71
  4.2 BP网络  71-73
    4.2.1 BP网络结构  71-72
    4.2.2 BP网络的学习算法  72-73
    4.2.3 BP算法的主要问题  73
  4.3 BP模型结构的选择  73-77
    4.3.1 BP模型层数的选择  74
    4.3.2 选择隐层神经元数  74-75
    4.3.3 学习速率的选择  75-76
    4.3.4 选择激励函数  76-77
  4.4 BP算法的改进  77-80
    4.4.1 几种常见的改进方法  77-79
    4.4.2 新激励函数的改进  79-80
  4.5 汇率预测实证分析  80-86
    4.5.1 数据选择及预处理  80-82
    4.5.2 网络创建、训练和测试  82-85
    4.5.3 预测性能分析比较  85-86
  4.6 本章小结  86-87
  参考文献  87-90
5 基于RBF和GRNN神经网络的汇率预测  90-108
  5.1 前言  90-91
  5.2 RBF网络  91-98
    5.2.1 RBF的模型结构  91-92
    5.2.2 RBF网络的学习算法  92-94
    5.2.3 RBF网络的特点  94
    5.2.4 汇率预测实证分析  94-98
  5.3 基于GRNN的汇率预测  98-104
    5.3.1 GRNN网络  98-101
    5.3.2 汇率预测实证分析  101-104
  5.4 几种神经网络的预测结果分析与评价  104-105
  5.5 本章小结  105-106
  参考文献  106-108
6 基于遗传规划的人民币汇率预测  108-128
  6.1 前言  108-109
  6.2 遗传操作过程的设计  109-114
    6.2.1 终止符集与函数集的确定  110
    6.2.2 适应度的设定  110-111
    6.2.3 基本参数的确定  111-112
    6.2.4 遗传规划操作方法  112-114
    6.2.5 遗传规划系统运行结果的表示方法  114
  6.3 基于遗传规划的预测分析建模  114-116
  6.4 汇率预测实证分析  116-123
    6.4.1 数据选择及预处理  116-117
    6.4.2 遗传规划参数选择  117-118
    6.4.2 遗传规划模型的结果分析  118-123
  6.5 遗传规划应用的局限性分析  123
  6.6 本章小结  123-124
  参考文献  124-128
7 总结与展望  128-132
  7.1 工作总结  128-129
  7.2 研究展望  129-132
附录  132-146
攻读博士学位期间发表论文及科研情况  146-148
致谢  148

基于神经网络和遗传规划的汇率预测技术研究

内容摘要

全文目录

相似论文