基于非参数的多种群遗传神经网络在股指预测中的应用的任务书.docx

基于非参数的多种群遗传神经网络在股指预测中的应用的任务书
一、任务背景
股票市场的波动性常常导致投资者的不安与紧张。因此，很多人希望能够预测股市走向，以做出更加明智的投资决策。这就需要通过一些预测模型对股市走势进行预测，提高投资收益率，降低金融风险。基于这一需求，预测股指成为一个重要的问题。
传统的股指预测方法主要是时间序列模型和经济指标模型，但经常因为时间序列模型不具备分类特征而无法很好地应对数据的非线性性和高维性，而经济指标模型则需要选择大量相关性强、可以解释股市走势变化的经济指标，但经济指标往往与股市走势波动不一定有关系，所以也存在误判的问题。因此，寻找一个更为有效的预测框架变得尤为重要。
本次任务选取的预测模型是基于非参数的多种群遗传神经网络。这一方法是一种改良的神经网络，通过对输入数据进行非参数化拟合，能够有效地应对数据的非线性性和高维性，并且通过遗传算法搜索到神经网络的最优结构，进一步提高了模型的效果。
二、任务目标
本次任务旨在探究基于非参数的多种群遗传神经网络在股指预测中的应用。通过对股指相关的历史数据进行分析，得出股指走势的一些特征和规律，然后建立基于非参数多种群遗传神经网络的预测模型，预测股指的走势。
具体目标如下：
1.理解股指的相关背景知识，如股指的定义、计算方法等，掌握股指数据的获取和预处理方法。
2.研究基于非参数的多种群遗传神经网络的原理和基本算法，能够对模型的优化进行深入讨论。
3.设计并实现基于非参数的多种群遗传神经网络股指预测模型，并进行模型训练和测试，分析模型的预测效果和性能。
4.比较本次任务中所设计的模型与传统的时间序列模型和经济指标模型的预测效果，分析模型的优缺点。
5.通过本次任务，提高学生们的数据分析和建模能力，培养学生们的解决实际问题的能力和思维方式。
三、任务内容
本次任务主要分为以下几个部分：
1.股指背景知识与数据处理：了解股指的定义、计算方法等背景知识，掌握股指数据的获取和预处理方法。
2.多种群遗传算法与神经网络：理解多种群遗传算法与神经网络的基本原理，对其进行该优化。
3.基于非参数的多种群遗传神经网络预测模型：设计基于非参数的多种群遗传神经网络的股指预测模型，实现程序并进行模型训练和测试。
4.模型效果与性能分析：对比并分析本次任务中设计的模型与传统的时间序列模型和经济指标模型预测效果及性能。
四、参考文献
1.TinoP,SchwenkerF.Acomparisonoftimeseriesmodelsandmethodsforneuralnetworkanalysisoffinancialseries[J].Neurocomputing,2003,52-54:381-397.
2.BulutE,KarasanOE.PredictionofstockpricesusinghybridmodelofARMAXandnonlinearautoregressivemodelwithexogenousinput(NARX)[J].JournalofBusinessEconomicsandFinance,2013,2(2):34-47.
3.LiuL,GuoJ,JeonSM.Forecastingstockindicesusingradialbasisfunctionneuralnetworkandhybridmodels[J].ExpertSystemswithApplications,2013,40:4621-4628.
4.WuCW.Stocktradingrulediscoveryusingtechnicalchartpatternsandgeneticalgorithms[J].DecisionSupportSystems,2002,33(1):69-78.
5.黄济安,魏君斌.基于遗传神经网络的股市预测[J].计算机工程与应用,2005,41(15):56-58.