Legender神经网络建模及股票预测

摘要：

基于多项式逼近理论,将一组Legender正交多项式做为隐含层神经元的传递函数,再以其加权和函数做为神经网络输出,从而构成一种新型的三层多输入Legender神经网络模型;采用BP学习算法,通过对历史观测样本数据的训练,调整该神经网络的权值,建立非线性时间序列辨识模型,以此预测股票价格的变化.仿真实验表明,Legender神经网络具有优良的逼近任意非线性系统的特性,且学习收敛速度很快;深发展A股预测结果为:训练次数200,最大相对误差5.41%;深证成指预测结果为:训练次数120,最大相对误差4.17%.

关键词：神经网络、正交多项式、时间序列、预测、股票

所属期刊栏目：22

分类号：TP393(计算技术、计算机技术)

在线出版日期：2005-12-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：241-242,246