【文章內(nèi)容簡介】 最大誤差值 均值誤差 殘差平方和 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 通過觀察，不難發(fā)現(xiàn)當(dāng)層數(shù)從120層的變化情況是:隨著層數(shù)的不斷遞增，，以上兩個(gè)誤差的值到了第三層次之后就不再改變，因此，我們可以認(rèn)為該網(wǎng)絡(luò)到此收斂。延遲步數(shù)為1時(shí)擬合曲線和預(yù)測曲線由圖2和圖3給出。圖2 延遲步數(shù)為1，時(shí)第3層的擬合結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）圖3 延遲步數(shù)為1，,時(shí)第3層的預(yù)測結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）從圖中可以很直觀的發(fā)現(xiàn)，訓(xùn)練集和預(yù)測集的擬合程度都非常的高。預(yù)測值，誤差及相對誤差列于表5。由表可以看出相對誤差是較小的。表5 延遲步數(shù)為1的預(yù)測誤差指標(biāo)最優(yōu)參數(shù)時(shí)間收盤價(jià)預(yù)測收盤價(jià)誤差相對誤差a=5 d=24層數(shù)=320100604%20100607%20100608%20100609%20100610%（二） 延遲步數(shù)為2至5時(shí)寬度系數(shù)值的確定延遲步數(shù)為25時(shí)確定寬度系數(shù)值的過程與延遲步數(shù)為1時(shí)是一樣的，均采用試探的方法，從大范圍搜索到小范圍搜索。通過這樣的試驗(yàn)，可以確定在參數(shù)，延遲步數(shù)為2至5的條件下的最優(yōu)值。以下列出實(shí)驗(yàn)結(jié)果：表6給出延遲步數(shù)為2時(shí)的預(yù)測誤差指標(biāo)表6 延遲步數(shù)為2的預(yù)測誤差指標(biāo)最優(yōu)參數(shù)時(shí)間收盤價(jià)預(yù)測收盤價(jià)誤差相對誤差a=5 d=80 層數(shù)=520100604%20100607%20100608%20100609%20100610%圖4和圖5分別為延遲步數(shù)為2時(shí)的擬合曲線圖和預(yù)測曲線圖。圖4 延遲步數(shù)為2,，時(shí)第3層的擬合結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）圖5 延遲步數(shù)為2,，時(shí)第3層的預(yù)測結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）：表7給出延遲步數(shù)為3時(shí)的預(yù)測誤差指標(biāo)表7 延遲步數(shù)為3的預(yù)測誤差指標(biāo)最優(yōu)參數(shù)時(shí)間收盤價(jià)預(yù)測收盤價(jià)誤差相對誤差a=5 d=50 層數(shù)=120100604%20100607%20100608%20100609%20100610%延遲步數(shù)為3的擬合曲線和預(yù)測曲線由圖6和圖7給出。圖6 延遲步數(shù)為3,，時(shí)第1層的擬合結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）圖7 延遲步數(shù)為3, ，時(shí)第1層的預(yù)測結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）：表8給出延遲步數(shù)為4時(shí)的預(yù)測誤差指標(biāo)表8 延遲步數(shù)為4的預(yù)測誤差指標(biāo)最優(yōu)參數(shù)時(shí)間收盤價(jià)預(yù)測收盤價(jià)誤差相對誤差a=5 d=40 層數(shù)=1120100604%20100607%20100608%20100609%20100610%延遲步數(shù)為4的擬合曲線和預(yù)測曲線由圖8和圖9給出。圖8 延遲步數(shù)為4, ，時(shí)第11層的擬合結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）圖9 延遲步數(shù)為4,，時(shí)第11層的預(yù)測結(jié)果（星為實(shí)際值，點(diǎn)為擬合值）：表9給出延遲步數(shù)為5時(shí)的預(yù)測誤差指標(biāo)表9 延遲步數(shù)為5的預(yù)測誤差指標(biāo)最優(yōu)參數(shù)時(shí)間收盤價(jià)預(yù)測收盤價(jià)誤差相對誤差a=5 d=80 層數(shù)=2020100604%20100607%20100608%20100609%20100610%延遲步數(shù)為5的擬合曲線和預(yù)測曲線由圖10和圖11給出。圖10 延遲步數(shù)為5,、第20層的擬合結(jié)果圖（星為實(shí)際值，點(diǎn)為擬合值）圖11延遲步數(shù)為5,、第20層的預(yù)測結(jié)果圖（星為實(shí)際值，點(diǎn)為擬合值）（三）最優(yōu)延遲步數(shù)的選擇在確定了每一個(gè)延遲步數(shù)的d的最佳值之后，需要對所挑選出來的各個(gè)模型進(jìn)行橫向的比較，從而挑選出逼近能力更強(qiáng)，學(xué)習(xí)效果更好，預(yù)測精度更高的參數(shù)模型。下面將根據(jù)以上各類預(yù)測結(jié)果的平均相對誤差對預(yù)測效果進(jìn)行評估。見表10表10 各模型的平均相對預(yù)測誤差延遲步數(shù)的預(yù)測誤差的預(yù)測誤差的預(yù)測誤差的預(yù)測誤差的預(yù)測誤差平均相對預(yù)測誤差誤差大小排序1%%%%%%32%%%%%%53%%%%%%44%%%%%%25%%%%%%1觀察上表，我們不難看出，當(dāng)延遲步數(shù)為層數(shù)為20時(shí)，該多層徑向基函數(shù)網(wǎng)絡(luò)對股價(jià)的預(yù)測達(dá)到了很高的精度，預(yù)測誤差非常小，是一個(gè)比較滿意的模型。第五章 總結(jié)本文所建立的多層徑向基函數(shù)網(wǎng)絡(luò)模型取得了很好的擬合效果，也具備比較好的短期預(yù)測效果。但在試驗(yàn)中發(fā)現(xiàn)隨著樣本延遲步數(shù)由小變大的過程，網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)也會(huì)發(fā)生變化。這說明股票價(jià)格趨勢的波動(dòng)模式具有短期穩(wěn)定性與易變性，即模型對樣本具有敏感性。利用單一模型進(jìn)行預(yù)測的效果會(huì)比較差。金融市場是一個(gè)復(fù)雜的系統(tǒng)，市場所表現(xiàn)出來的行為實(shí)際上是投資者群體行為的一種統(tǒng)計(jì)結(jié)果。價(jià)格趨勢的發(fā)展過程體現(xiàn)了投資者群體心理特征的變化軌跡，在一個(gè)階段是一種心態(tài)，而在另外一個(gè)階段就會(huì)變成另外一種心態(tài)，正是這種心態(tài)的變化導(dǎo)致了價(jià)格的變化，進(jìn)而導(dǎo)致了預(yù)測模型的變化。我們進(jìn)行趨勢分析，就是要及時(shí)把握群眾心理的這種變化，從而預(yù)測未來的行情趨勢可能向什么方向發(fā)展。股票價(jià)格預(yù)測是一個(gè)充滿爭議的問題，多層徑向基網(wǎng)絡(luò)函數(shù)分析方法是對市場行為進(jìn)行統(tǒng)計(jì)分析的有效工具，有著廣闊的前景。實(shí)證研究表明，股票價(jià)格波動(dòng)具有內(nèi)在規(guī)律性，我們通過對歷史價(jià)格時(shí)間序列數(shù)據(jù)可以建立價(jià)格波動(dòng)模型，進(jìn)行短期預(yù)測，可以幫助我們發(fā)現(xiàn)投資機(jī)會(huì)、回避投資風(fēng)險(xiǎn)，但在應(yīng)用過程中，要堅(jiān)持多方法驗(yàn)證。政策面分析、基本面分析仍然有重要的應(yīng)用價(jià)值，從短期來看，價(jià)格與內(nèi)在價(jià)值關(guān)系不大，特別對中小投資者，應(yīng)該充分發(fā)揮自身資金量不大，進(jìn)出市場比較容易的優(yōu)勢，進(jìn)行波段操作，最大程度地提高投資收益，但從長期來看，價(jià)格是由內(nèi)在價(jià)值決定的。本文所建立的時(shí)間序列模型，具有較好的短期預(yù)測效果，可以實(shí)現(xiàn)動(dòng)態(tài)的連續(xù)預(yù)測，對投資者回避風(fēng)險(xiǎn)和把握買賣時(shí)機(jī)是有重要實(shí)用價(jià)值的。致謝首先，我要把我最大的謝意獻(xiàn)給我的導(dǎo)師莊健老師。莊老師學(xué)問精深，治學(xué)嚴(yán)謹(jǐn)，平易近人，自始至終關(guān)心、指導(dǎo)和鞭策我的寫作，對本文傾注了大量的心血，沒有莊老師的無私幫助和悉心指導(dǎo)，我是無論如何完不成本文的。莊老師高尚的人品，無私的奉獻(xiàn)精神和嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度將使我終生受益。其次，感謝江海峰老師給我們提供的程序。在這次論文撰寫過程中,不僅收獲了知識(shí),也收獲了堅(jiān)毅,更收獲了感恩。更讓我深刻地明白到，認(rèn)真、踏實(shí)的重要性。衷心感謝參考文獻(xiàn)所列的論文作者，他們的工作是我完成本文工作的基礎(chǔ)。最后，謹(jǐn)向評審本論文的所有老師致以最誠摯的謝意，謝謝大家的支持和厚愛。作者：彭春2010年6月15日參考文獻(xiàn)[1]楊成,程曉玲,[J]. 統(tǒng)計(jì)與決策,2005,12 期（下）：106108.[2]王波,[J]. 武漢理工大學(xué)學(xué)報(bào)，27(6):6973.[3]鐘穎,[J].系統(tǒng)工程與電子技術(shù),2002,24(4):911.[4][J].福建電腦,2005 年12 期:9192.[5][J].微計(jì)算機(jī)信息,2007,01Z:306307.[6][D].南京：南京氣象學(xué)院,2003.[7]殷洪才，趙春燕，[J]. 期:8588.[8]李建新，[J].系統(tǒng)工程理論與實(shí)踐,2006 年09 期：3342.[9]張紅英,[J].西南工學(xué)院學(xué)報(bào),2002,17(1):810,15.[10][D]. 成都：成都理工大學(xué),2007.[11]廉新宇，[J].商場現(xiàn)代化. 2006482期：331332.[12]常松，[J].東南大學(xué)學(xué)報(bào)（自然科學(xué)版），(5):9095.[13]（RBF）在股市預(yù)測中的應(yīng)用[J].計(jì)算機(jī)與信息技術(shù)，2007 年第2 期：4041.[14]彭英,[J].湖南經(jīng)濟(jì)管理干部學(xué)院學(xué)報(bào),2005 年05 期: 7273[15]李宗偉,王美娟,[J].上海理工大學(xué)學(xué)報(bào),2002 年 01 期：[16] Jovina Roman and Akhtar Jameel. Back propagation and Recurrent Neural Networks in Financial Analysis of Multiple Stock Market Returns[J].Proceedings of the 29th Annual Hawaii International Conference on System Sciences，1996.[17]林春燕,[J].計(jì)算機(jī)應(yīng)用,2006,2(2):446—447轉(zhuǎn)484.[18]翁蘇駿，林熙. BP 網(wǎng)絡(luò)、RBF 網(wǎng)絡(luò)和Elman 網(wǎng)絡(luò)在股價(jià)預(yù)測中的應(yīng)用[C]， 1999 年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（上冊）：205210.[19][D].廣州：暨南大學(xué)，2007.[20]武曉煒. 基于人工神經(jīng)網(wǎng)絡(luò)的股價(jià)預(yù)測模型研究[D].大連：大連理工大學(xué),2004.[21] Moody J, Darken C. Fast learning in networks of locallytuned processing units. Neural Computation, 1989 (1): 281294[22] Piggio T, Girosi F, A theory of networks for approximation andlearning. AI Memo No 1140, Artificial Intelligence Laboratory Institute of Technology, Cambridge Mass, 1989[23] Chen S, Cheng E S, Ai Kadhimi, K. Regularized least squares learning algorithm for constructing radial basis function networks [J], International Journal of Control, 1996,64(5): 829837[24] Tyler Holb, Manfred Morari. Local lraining for radial basis function networks: toward solving the hidden unit problem. American Control Conference, 1991: 23312335[25] Ho S L, Fei M R, Fu W N, et al. Integrated RBD Network basted estimation strategy of the output characteristics of brushless DC motors[J]. IEEE Transactions on Neural Networks on Magnetics, 2002, 38(2): 10331036.[26] Yu D L, Yu D W, Gomm J B, et al. Adaptive RBF model for modelbased control[C], Proceedings of the 5th World Congress on Intelligent Control and Automation. IEEE Press, 2004: 7882.[27] Li K, Peng J X, Bai E W. A fast nonlinear model identificati