利用改进回声状态神经网络进行个股股价预测

当今社会股价预测是研究的热门问题，人们越来越关注对股价预测模型的建立，提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷，其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度，同时考虑到股市的非线性，本文提出一种改进的回声状态神经网络的个股股价预测模型，针对回声状态神经网络（ESN）泛化能力不强的特点，应用改进的粒子群算法（GTPSO）对回声状态神经网络（ESN）的输出连接权进行搜索，最终得到最优解，即ESN的最优输出连接权，GTPSO算法概括来说就是在传统粒子群算法（PSO）的基础上引入禁忌搜索算法（TS）中禁忌的思想和遗传算法（GA）中变异的思想，从而降低PSO在学习过程中陷入局部最小值的状况，同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中，使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性，实验证实，该模型拥有较好的预测效果.