《大创中期答辩》PPT课件.ppt

xxxxxxxx研究理学院xxxxx2017一 项目简介1.课题主要运用神经网络进行沪深300股指的预测研究内容2.课题采用遗传算法（GA）、粒子群算法(PSO)等来优化神经网络。提高了神经网络的预测效果。3.预计运用深度学习的方法进行预测二 项目进展情况1.阅读股指波动预测模型方面书籍选择合适的股指预测与实现方法2.阅读机器学习与神经网络方面的论文及书籍3.利用网络学习python数据分析及机器学习。4.用python编写多种的神经网络对股指进行预测，并进行误差分析。三 阶段性成果第一阶段利用python实现BP神经网络。利用2015年4月到2017年8月的503组沪深300指数数据进行了处理和拟合后利用2017年9月的16组数据进行股指的预测。即运用前一天的开盘价、收盘价、最高价、最低价预测当日的收盘价。最终BP神经网络预测平均相对误差为3.226%。开盘价收盘价最高价最低价当日收盘价三 阶段性成果第二阶段（改进）由于BP神经网络权值和阈值的初始化需要利用随机矩阵，所以它：1、网络的收敛性较慢，需要较长的训练时间；2、容易陷入局部最小值。因此我们可以用具有全局搜索性的遗传算法或粒子群算法作为神经网络的学习算法来训练网络的权值和阈值。三 阶段性成果BP神经网络GA+BP神经网络PSO+BP神经网络BP神经网络拟合基本符合股指变化趋势前面的峰值部分拟合不太理想GA+BP神经网络的拟合结果相比于BP神经网络有了很明显的改善PSO+BP神经网络在拐点上拟合结果优于GA+BP神经网络三种神经网络的拟合效果对比图三 阶段性成果BP神经网络GA+BP神经网络PSO+BP神经网络BP神经网络拟合相对误差大致稳定在-0.1,0.1误差的波动很大，方差很大，拟合结果不太理想GA+BP神经网络的拟合结果误差相比于BP神经网络小了很多相对误差集中在-0.05,0.05波动比BP神经网络拟合有所改善PSO+BP神经网络相对误差集中在-0.05,0.05略优于GA+BP神经网络三种神经网络拟合效果相对误差的对比图三 阶段性成果BP神经网络GA+BP神经网络PSO+BP神经网络BP神经网络远优于略优于三种神经网络的预测结果BP神经网络预测平均相对误差为3.226%，GA+BP神经网络预测平均相对误差为0.239%，PSO+BP预测平均相对误差为0.233%。四 存在问题及解决方法A1：神经网络的参数调试目前并没有一个特定的规律经过多次调试的经验，才能得到更为精准的预测结果A2：更高效的算法来提高程序的运行效率。如GA,PSO。将训练时间从1h15minsQ2：训练神经网络所用时间长（权值、阈值）Q1：进行神经网络的参数调试十分困难。（学习率，训练次数，隐含层网络的神经元个数）四 存在问题及解决方法1.引进新的激活函数&损失函数2.用更多数据以及指标训练（乖离率，成交量，日收益率）A3：如何在现有模型上提高预测的精度？Q3：1.增加网络层数2.尝试运用深度学习（后期研究的重点）A4：如何优化改进现有的神经网络模型？Q4：四 存在问题及解决方法BP神经网络模型和深度学习模型BP神经网络中，采用的是误差反向传递的方式进行，根据预测值和实际值的差值去改变前面各层的参数，直至收敛。深度学习是整体的调参方法。原因在于如果采用BP的机制，对于一个多隐层（7层以上），残差传播到最前面的层已经变得很小。感谢各位的批评指正！