1、股票市場具有高收益和高風險并存的特性，關(guān)于股市分析和預測的研究一直被人們所重視。但股市受到政治、經(jīng)濟等多方面因素的影響，其內(nèi)部規(guī)律非常復雜，導致眾多傳統(tǒng)預測方法并不理想。近年來，人工神經(jīng)網(wǎng)絡的迅速發(fā)展為股票市場的建模和預測提供了新的技術(shù)和方法。
　　人工神經(jīng)網(wǎng)絡是一門非線性科學，它具有很強的容錯性、自適應性和非線性的映射能力，克服了傳統(tǒng)人工智能方法在信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預測等領(lǐng)域得

2、到了成功的應用。本文旨在分析股市的特征，把握其變化規(guī)律，做出較好的預測，為股票市場管理者調(diào)控股市、投資者制定投資策略和政府部門規(guī)范股市的發(fā)展提供可靠依據(jù)。
　　BP網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，能夠完成復雜的非線性映射。但它的弱點是收斂速度較慢，網(wǎng)絡極易陷入局部極值點，并且初始權(quán)值、閾值以及網(wǎng)絡結(jié)構(gòu)的選擇缺乏依據(jù)，具有很大的隨機性，這些都影響了BP神經(jīng)網(wǎng)絡的泛化能力。論文詳細介紹了動量法與學習率自適應調(diào)整法，探討了網(wǎng)絡的拓撲結(jié)構(gòu)、隱

3、節(jié)點個數(shù)確定的原則、樣本數(shù)據(jù)的選取和預處理、初始參數(shù)的確定等問題。為了避免網(wǎng)絡陷入局部最小點和提高網(wǎng)絡的收斂速度，本文提出由遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的GA-BP算法。優(yōu)化BP神經(jīng)網(wǎng)絡的初始權(quán)值、閾值，確定一個較好的搜索空間，代替隨機選取的初始權(quán)值、閾值，然后在這個解空間里對網(wǎng)絡進行訓練、學習至收斂，搜索出最優(yōu)解。
　　RBF神經(jīng)網(wǎng)絡是一種新穎有效的前饋式神經(jīng)網(wǎng)絡，它具有最佳逼近的性能和全局最優(yōu)的特性，并且結(jié)構(gòu)簡單，訓練速度快。因此，其

4、在股票預測中有其獨特的優(yōu)勢。在RBF神經(jīng)網(wǎng)絡中，隱層中心的數(shù)量和位置的選擇是整個網(wǎng)絡性能的關(guān)鍵，直接影晌網(wǎng)絡的逼近能力。
　　GRNN是RBF神經(jīng)網(wǎng)絡的一個分支，網(wǎng)絡輸入層節(jié)點只傳遞輸入信號到隱層，隱層節(jié)點由像高斯函數(shù)那樣的輻射狀作用函數(shù)構(gòu)成，輸出層節(jié)點通常是簡單的線性函數(shù)。其獲取數(shù)據(jù)之間關(guān)系的方法，不同于插值和擬和，能在同一結(jié)構(gòu)下直接以采樣或計算得來的數(shù)據(jù)對網(wǎng)絡進行修改，不需要重新計算參數(shù)。所以，GRNN具有計算速度快，結(jié)果穩(wěn)定