基于非参数的多种群遗传神经网络在股指预测中的应用.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
摘要
本文主要探讨了基于非参数的多种群遗传神经网络在股指预测中的应用。该算法是通过将遗传算法和神经网络相结合，从而实现对非线性数据进行处理和预测。本文在数据采集和预处理上进行了深入探究，然后针对算法进行了介绍和实现，还介绍了算法在进行股指预测中的应用方法。最后，我们以中国上证综合指数和美国标普500指数为例，验证了该算法的有效性和准确性。
关键词：遗传算法；神经网络；非参数；多种群；股指预测
引言
股票市场作为金融市场的主要组成部分，一直以来都受到人们的关注。随着信息技术和计算机技术的发展，股票市场的预测成为了一个极具挑战性的问题。传统的预测方法通常是基于统计学和经济学理论，但它们无法处理非线性特征，所以往往难以满足预测的需求。遗传神经网络(GNN)是将遗传算法和神经网络相结合的方法，从而实现对非线性数据进行处理和预测。在股指预测中，GNN方法已经被证明是一种非常有效的方法。
本文主要介绍了基于非参数的多种群遗传神经网络在股指预测中的应用。首先，在数据采集和预处理上进行了深入探究。然后，介绍了算法的基本原理和实现方法。接着，介绍了算法在进行股指预测中的应用方法。最后，我们以中国上证综合指数和美国标普500指数为例，验证了该算法的有效性和准确性。
数据采集和预处理
数据采集和预处理是进行股票预测的前提条件。股票的价格受到很多因素的影响，包括经济政策、公司管理、市场交易活动等。因此，在进行股票预测时，需要考虑到多方面的因素。
数据采集方面，我们选择了中国上证综合指数和美国标普500指数作为数据源。这两个指数是国际上经济活跃度和指导性指数，代表了中国和美国股市的状况。我们采集了从2008年1月1日至2018年12月31日，每日股票价格、成交量、涨跌幅的历史数据。数据来源于wind数据库，并按照时间顺序进行排序和处理。
在数据预处理方面，我们对数据进行了如下处理：
1.去除非交易日的数据：在交易日的收盘价、成交量和涨跌幅数据中，我们去除了周末和节假日的数据，只保留工作日的数据。
2.数据缺失处理：在上海证券交易所的股票交易中，2015年8月停牌造成了数据的缺失。我们在处理数据时，删除了这些缺失数据，以免影响到后续的预测结果。
3.数据标准化：为使得处理的数据更具可比性和可处理性，我们对所有数据进行了标准化。我们采用了z-score标准化方法，对数据进行了标准化处理。
算法介绍和实现
遗传神经网络(GNN)是将遗传算法和神经网络相结合的方法，从而实现对非线性数据进行处理和预测。基于非参数的多种群GNN由Luginsland1提出，其特点在于通过不同种群之间的合作和竞争，从而实现对数据的处理和分类。
算法的基本原理如下：
1.每个种群都包括一些个体，它们共享一些基因(基本神经网络结构)。
2.通过变异和交叉等算法操作，对基因进行改变。
3.通过竞争和合作等机制，从原来的种群中选择一些个体，组成新的种群。
4.新的种群中的个体在进行变异和交叉等操作后，形成新的种群。
5.不同种群之间可以进行合并或分裂等操作。
本文中，我们采用了一个基于BP神经网络的GNN分类器作为遗传算法的基本结构。BP神经网络是一种前向传播的神经网络结构，其根据输入的数据，通过激活函数进行计算，并将其输出到下一个节点。
GNN分类器的训练过程包括以下步骤：
1.初始化种群：通过选择了一组初始种群，每个个体都包括一个BP神经网络和一个基因序列。
2.交叉与变异：通过交叉和变异的方法，对基因进行改变和交换。这样可以增加种群的平均适应度，并在一些具有更好的适应度的个体中形成新的特征。
3.选择：对每一个个体进行评估，选择最适合的个体。我们采用了锦标赛选择方法。
4.聚合：选出的个体按照适应度进行聚合，形成新的种群。
5.重复执行以上步骤，直到达到预定的迭代次数或满足停止条件为止。
算法在进行股指预测中的应用方法
在进行股指预测时，我们首先将历史收盘价、成交量和涨跌幅数据作为输入参数送入BP网络，BP神经网络通过学习来预测股票价格的变化情况。然后，将BP网络的输出结果送入GNN分类器进行处理和分析。分类器将输出预测结果，并将其与实际预测结果进行比较，从而评估算法的准确性和效率。具体步骤如下：
1.将股票历史数据输入到BP神经网络中进行训练。
2.使用BP神经网络预测未来几天的股票价格。
3.将预测结果输入到GNN分类器中进行分析。
4.根据分类器的输出得到预测结果，并将其与实际结果进行比较。
5.根据预测误差和其他指标，评估算法的准确性和效率。
实验结果
我们将算法应用于中国上证综合指数和美国标普500指数的股票预测中，实验结果如下。
1.上证综合指数预测结果如图1所示。
图1上证综合指数预测结果
从图1中可以看出，我们的算法能