人工智能股票预测系统-基于MCMC的ARIMA线性模型对数据中的线性分量进行建模

【摘要】：随着经济的发展和人们投资意识的转变,股票投资已成为现代人生活中的一个重要组成部分。股票投资因为其高风险,高收益的特性而广受关注。因此人工智能股票预测系统,建立一个运算速度和精确度都比较高的股市预测系统,对于金融投资者具有重要的理论意义和实际应用价值。然而,由于股票市场的复杂性,传统的预测工具已经不能满足股市预测的要求,人们在预测时存在着正确选择模型的困难。本文在深入分析股市预测方法的基础上,针对股票市场高度非线性的特点,运用混合神经网络技术对股票市场进行预测。神经网络作为一种智能算法,是非线性科学的一个重要分支人工智能股票预测系统,为股市预测提供了有力工具。本文对神经网络技术作了系统介绍。然而,对于一般的BP神经网络,隐层节点的激励函数——Sigmoid函数存在一些固有缺陷,为克服这些缺陷,用小波函数代替Sigmoid函数,形成小波神经网络,充分利用小波变换良好的视频局域化性质,结合人工神经网络的自学习功能,并对训练算法进一步改进,因而具有较强的逼近能力。由于单独一种方法不可避免有一些局限性,而且不可能对所有预测问题都取得好效果,所以在前文的基础上,本文试着将不同方法结合起来。具体方法是:通过基于MCMC的ARIMA线性模型对数据中的线性分量进行建模,同时通过神经网络模型对数据中的非线性分量进行建模,形成混合神经网络。本文对研究的主要方法进行了实验分析,包括实验数据的选取、预处理、实验结果的评价以及结果分析,尤其是采取了措施避免神经网络过拟合而导致其缺乏泛化能力。通过实验分析,得到BP神经网络在不同训练算法及其不同网络结构下的性能,并进一步与小波神经网络和混合神经网络的实证结果进行比较,从而得到预测性能较好的方法。