基于MFR-GEP的高阶常微分方程预测模型

论文摘要

股价预测一直是金融投资领域的热点问题,但是股票市场相关指标数据的波动性和不确定性使得股价预测问题成为难点。因此对于非线性且受到多因素影响的股票系统,传统的预测方法无法准确地表达股价的变化规律,预测效果较差。针对复杂的股价预测问题,建立了基于多指标正则化GEP算法（Multiple Factor Regularization Gene Expression Programming,MFR-GEP）的高阶常微分方程模型,利用数值差分拟合股价数据,并且加入影响股价的其他指标作为正则项,其中利用指标相关性确定正则项权重参数,应用模糊粗糙集的原理确定子函数映射。该模型能够刻画股价随时间的变化趋势,更好地描述数据波动,正则项的加入使得模型可以根据多指标进行预测,避免因单一指标引起的预测精度低等问题。最后将提出的算法与标准GEP算法及传统预测算法进行对比实验,结果充分验证了该算法的有效性和准确性。

论文目录

• 1 引言
• 2 低阶常微分方程股价预测模型的建立
• 3 基于MFR-GEP算法的高阶常微分方程股价预测模型的建立与求解
•   3.1 标准GEP算法
•   3.2 基于MFR-GEP算法的高阶常微分方程模型建立
•     3.2.1 高阶常微分方程模型
•     3.2.2 适应度函数的改进
•   3.3 高阶常微分方程模型的求解
•     3.3.1 权值ω的确定
•     3.3.2 子函数K（v（t））的确定
•     3.3.3 高阶常微分方程模型求解
• 4 仿真实验与结果分析
•   4.1 数据选取及实验参数设定
•   4.2 实验仿真
• 5 结束语

文章来源

类型: 期刊论文

作者: 张晓婷,何朗,黄樟灿,谈庆

关键词: 常微分方程,基因表达式编程,多指标正则化,模糊粗糙集,股价预测

来源: 计算机工程与应用 2019年21期

年度: 2019

分类: 信息科技,基础科学,经济与管理科学

专业: 数学,金融,证券,投资

单位: 武汉理工大学理学院

基金: 国家自然科学基金（No.61672391）

分类号: O175.1;F832.51

页码: 247-253

总页数: 7

文件大小: 1416K

下载量: 313