大创中期答辩

PSO+BP神经网络
PSO+BP神经网络在拐点上拟 合结果优于GA+BP神经网络
三 阶段性成果
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
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]
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%。
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。
2017
xxxxxxxx研究
理学院
xxxxx
一 项目简介
研究内容 1.课题主要运用神经网络进行沪深300股指的预测 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
波动比BP神经网络拟合有所改善
PSO+BP神经网络
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
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%， PΒιβλιοθήκη BaiduO+BP预测平均相 对误差为0.233%。
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
开盘价 收盘价 最高价 最低价
当日收 盘价
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
BP神经网络
远优于
GA+BP 神经网络
略优于 P S O + B P 神经网络
四 存在问题及解决方法
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）
Q2：
训练神经网络所用时间长
（权值、阈值）
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
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
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
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
三种神经网络的拟合效果对比图
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1h→15mins
四 存在问题及解决方法
Q3：
如何在现有模型上提高预 测的精度？
A3：
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）
Q4：
如何优化改进现有的神经网 络模型？
A4：
1.增加网络层数 2.尝试运用深度学习 （后期研究的重点）
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！