文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 经管营销 > 基于贝叶斯正则化BP神经网络的股票指数预测
侵权投诉

基于贝叶斯正则化BP神经网络的股票指数预测

金融投资

3308科 学 技 术 与 工 程9卷

数,也即均匀分布。因为式(8)中的归一化因子

p(D|H)与α和β无关,因此求取最大后验分布的问

βED+αEW达到最小;

(3)利用高斯2牛顿逼近法求Hessian阵

题就转化为求解最大似然函数p(D|α,β,H)。注意到似然函数p(D|α,β,H)是式(4)的归一化因子,因此可以得到:

p(D|α,β,H)p(W|D,α,β,H)

(9)

βαIm,并计算有效参数个数γ F(WMP)≈2JJ+2;

2

T

(4)由式(12)计算超参数α和β的新的估

计值;

(5)重复执行(2),(3),(4)直到达到所需

将式(5)、式(6)、式(7)代入式(9)得到:

ZF(α,β)

p(D|α,β,H)Zw(α)ZD(β)

(10)

精度。

贝叶斯方法正则化神经网络是个迭代过程,每,,,最,也。因为目前在网络结构的选择方面还没有理想的方法,在实际工作中常常需要用试验的方法确定最佳的网络结构,因此可采用不同的网络结构进行网络训练,然后比较这些网络模型的显著度,选择显著度较大的网络作为模型。

  当样本数据量较多时,后验分布趋于正态分布,若后验分布曲线足够窄,峰值足够尖锐,ZF(α,设F(W))为

WMP,将F(W)在,忽略高次项,得到:

π)ZF≈(2

2

2

((( F(WMP))

2

2-1

))

2

×

(11)

exp(-F(WMP))

2

(11)式中 F(WMP)=β ED+α EW是F(W)

在WMP点的Hessian矩阵。

将式(11)代入式(10),并利用最大似然原理,求出满足似然函数p(D|α,β,H)最大的α和β,即得到最优的超参数。

αMP=

γ2EW(WMP)

2ED(WMP)

-1

2 实证分析

2.1 研究样本的获取

股票市场是一个很不稳定的动态变化过程,不仅受国内外经济因素的影响,而且受到庄家的炒作、政府的调控等因素的影响。因此,研究所选取的是在股价波动较为平稳的市场下,即没有或少有暴涨和暴跌等不稳定现象的样本数据。否则,如果样本很“特殊”,就只能抽取到某些特定的规律,而降低了网络的泛化能力。我们采用的数据是2008年3月28日—2008年12月30日的上证指数(数据来源于锐思金融研究数据库)共188个数据作为例子说明本方法,其中158个数据作为训练样本,30个测试样本。采用上证指数有三个原因:一是个股容易被人为炒作,上证指数综合了很多个股的各种因素,即使有个别个股被人为炒作,但只要大部分个股的走势反映了股市的内在规律,从总体上来说,这时的上证指数仍然能反映股市的内在规律,即上证指数受外界干扰的程度远不如个股那样明显;二是这个指数可以最大程度地反映市场整体价格水平,产生的信号对投

和βMP

2

(12)

(12)式中γ=m-2αF(WMP))MPtr(

称为有效

参数个数。m是网络参数总数。γ表示网络中有多少参数在减少总误差函数方面起作用,它的取值范围为[0,m]。

在进行优化求解时需要计算F(W)在其最小点

WMP处的Hessian矩阵,也即需要计算 F(WMP),

2

计算量比较大。为了提高计算速度,可利用高斯2牛顿逼近法对Hessian阵作进一步简化,得到:

2T

βαIm,其中J是ED的在点WMP F(WMP)≈2JJ+2

雅可比矩阵

[2]

。

1.2.3 贝叶斯正则化BP神经网络训练步骤

(1)确定网络结构,初始化超参数α和β,一般

设定为α=0和β=1。根据先验分布对网络参数赋初值;

(2)用BP算法训练网络使总误差F(W)=

上一页第3页

你可能喜欢

  • 数据挖掘试题
  • 数据挖掘预测分析
  • BP神经网络算法
  • MATLAB神经网络

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email