10.3969/j.issn.1006-9348.2005.11.066
Legender神经网络建模及股票预测
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%.
神经网络、正交多项式、时间序列、预测、股票
22
TP393(计算技术、计算机技术)
2005-12-29(万方平台首次上网日期,不代表论文的发表时间)
共3页
241-242,246