改进的神经网络股价预测
前文介绍了BP神经网络在股价预测方面的应用,其具有较强的非线性逼近能力以及自学习自适应等特性,对股价预测的研究影响颇深。然而BP神经网络也存在着缺陷,比如容易陷入局部最优解,收敛速度慢等,因此,国内学者针对这些缺陷,通过算法之间的结合运用,有效的优化了BP神经网络预测股价的精度。以下为一些基于改进算法的股价预测模型。
1LM遗传神经网络
1.1 LM算法
针对BP神经网络存在的一些缺陷,此方案通过LM算法改进BP神经网络里的梯度下降法并利用遗传算法优化网络的初始权值和阈值,进而提高网络的收敛速度以及搜索全局最优值的能力。
传统BP神经网络采用的是最速下降法进行迭代,即
其中,η为迭代步长,-gk表示为负梯度方向。梯度下降法在寻找目标函数极小值时,是沿着反梯度方向进行寻找的。梯度的定义就是指向标量场增长最快的方向&#