用于高效股价预测的元启发式优化前馈神经网络
统计金融
2020-06-08 v3 机器学习
机器学习
摘要
股价预测在经济学、投资与金融决策中是一项重要任务。数十年来，这激发了许多研究者的兴趣，他们致力于准确股价预测模型的设计，其中一些已被用于预测股指的次日开盘价与收盘价。本文提出一种混合共生生物搜索训练的前馈神经网络模型的设计与实现，用于有效且准确的股价预测。共生生物搜索算法被用作一种高效的优化技术来训练前馈神经网络，而由此产生的训练过程用于构建更好的股价预测模型。此外，本研究还展示了三种不同股价预测模型的比较性能评估；即粒子群优化训练的前馈神经网络模型、遗传算法训练的前馈神经网络模型以及著名的ARIMA模型。为支持本研究开发的系统利用十六个股指作为时间序列数据集进行训练与测试。使用三种统计评估度量来比较所实现模型的结果，即均方根误差、平均绝对百分比误差和平均绝对偏差。所得计算结果表明，共生生物搜索训练的前馈神经网络模型相较于其他模型表现出优异的预测性能。然而，性能研究表明，三种元启发式训练的前馈神经网络模型对于求解高维非线性时间序列数据问题具有有前景的预测能力，而这类问题难以被传统模型捕捉。
引用
@article{arxiv.1906.10121,
title = {Metaheuristics optimized feedforward neural networks for efficient stock price prediction},
author = {Bradley J. Pillay and Absalom E. Ezugwu},
journal= {arXiv preprint arXiv:1906.10121},
year = {2020}
}