大創(chuàng)中期答辯

xxxxxxxx研究理學院xxxxx20202021/5/91一項目簡介1.課題主要運用神經網絡進行滬深300股指的預測研究內容2.課題采用遺傳算法（GA）、粒子群算法(PSO)等來優(yōu)化神經網絡。提高了神經網絡的預測效果。3.預計運用深度學習的方法進行預測2021/5/92二項目進展情況1.閱讀股指波動預測模型方面書籍選擇合適的股指預測與實現方法2.閱讀機器學習與神經網絡方面的論文及書籍3.利用網絡學習python數據分析及機器學習。4.用python編寫多種的神經網絡對股指進行預測，并進行誤差分析。2021/5/93三階段性成果第一階段利用python實現BP神經網絡。利用2015年4月到2017年8月的503組滬深300指數數據進行了處理和擬合后利用2017年9月的16組數據進行股指的預測。即運用前一天的開盤價、收盤價、最高價、最低價預測當日的收盤價。最終BP神經網絡預測平均相對誤差為3.226%。開盤價收盤價最高價最低價當日收盤價2021/5/94三階段性成果第二階段（改進）由于BP神經網絡權值和閾值的初始化需要利用隨機矩陣，所以它：1、網絡的收斂性較慢，需要較長的訓練時間；2、容易陷入局部最小值。因此我們可以用具有全局搜索性的遺傳算法或粒子群算法作為神經網絡的學習算法來訓練網絡的權值和閾值。2021/5/95三階段性成果BP神經網絡GA+BP神經網絡PSO+BP神經網絡BP神經網絡擬合基本符合股指變化趨勢前面的峰值部分擬合不太理想GA+BP神經網絡的擬合結果相比于BP神經網絡有了很明顯的改善PSO+BP神經網絡在拐點上擬合結果優(yōu)于GA+BP神經網絡三種神經網絡的擬合效果對比圖2021/5/96三階段性成果BP神經網絡GA+BP神經網絡PSO+BP神經網絡BP神經網絡擬合相對誤差大致穩(wěn)定在[-0.1,0.1]誤差的波動很大，方差很大，擬合結果不太理想GA+BP神經網絡的擬合結果誤差相比于BP神經網絡小了很多相對誤差集中在[-0.05,0.05]波動比BP神經網絡擬合有所改善PSO+BP神經網絡相對誤差集中在[-0.05,0.05]略優(yōu)于GA+BP神經網絡三種神經網絡擬合效果相對誤差的對比圖2021/5/97三階段性成果BP神經網絡GA+BP神經網絡PSO+BP神經網絡BP神經網絡遠優(yōu)于略優(yōu)于三種神經網絡的預測結果BP神經網絡預測平均相對誤差為3.226%，GA+BP神經網絡預測平均相對誤差為0.239%，PSO+BP預測平均相對誤差為0.233%。2021/5/98四存在問題及解決方法A1：神經網絡的參數調試目前并沒有一個特定的規(guī)律經過多次調試的經驗，才能得到更為精準的預測結果A2：更高效的算法來提高程序的運行效率。如GA,PSO。將訓練時間從1h→15minsQ2：訓練神經網絡所用時間長（權值、閾值）Q1：進行神經網絡的參數調試十分困難。（學習率，訓練次數，隱含層網絡的神經元個數）2021/5/99四存在問題及解決方法1.引進新的激活函數&損失函數2.用更多數據以及指標訓練（乖離率，成交量，日收益率）A3：如何在現有模型上提高預測的精度？Q3：1.增加網絡層數2.嘗試運用深度學習（后期研究的重點）A4：如何優(yōu)化改進現有的神經網絡模型？Q4：2021/5/910四存在問題及解決方法BP神經網絡模型和深度學習模型BP神經網絡中，采用的是誤差反向傳遞的方式進行，根據預測值和實際值的差值去改變前面各層的參數，直至收斂。深度學習是整體