《21世紀財經學術文庫:計算智慧型改進方法及其在金融與環境領域中的套用》（原書名：Some Improved Methods Based on Computational Intelligence and Their Applications in Financial and Environmental Fields）講述21世紀是智慧型科學、生命科學突飛猛進及其信息集成並融合套用的時代。隨著新紀元時期的信息化、計算機網路和Internet技術的發展，人類已快步邁入信息化社會和網路經濟的時代。眾所周知，計算機是目前功能最強大的信息處理工具。它在數值和邏輯運算方面的精確與高速極大地拓展了人腦的能力，從而在信息處理和控制決策等各方面為人們提供了實現智慧型化和自動化的先進手段。
基本介紹
- 作者：王麗敏 韓旭明
- 出版日期：2012年12月1日
- 語種：簡體中文
- ISBN：9787514125504
- 品牌：經濟科學出版社
- 出版社：經濟科學出版社
- 頁數：143頁
- 開本：32
- 定價：11.00
基本介紹,內容簡介,作者簡介,圖書目錄,文摘,
基本介紹
內容簡介
《21世紀財經學術文庫:計算智慧型改進方法及其在金融與環境領域中的套用》是作者幾年來的科研成果的總結。《21世紀財經學術文庫:計算智慧型改進方法及其在金融與環境領域中的套用》共分8章，主要內容是以計算智慧型方法為基礎，對人工神經網路和進化算法進行了理論改進和套用研究，為金融和大氣環境領域提供了一些改進的方法和新的可行途徑。
作者簡介
王麗敏，女，1975年9月20日生。博士，副教授，碩士研究生導師，ACM會員，CCF會員，吉林省“三育人”先進個人。
韓旭明，男，1971年10月生。博士，副教授。
韓旭明，男，1971年10月生。博士，副教授。
圖書目錄
第1章緒論
1.1研究背景
1.2研究內容
第2章計算智慧型方法概述
2.1人工神經網路簡介
2.2進化計算
2.3本章小結
第3章som和多獲勝節點som神經網路及其在股市板塊分析中的套用
3.1引言
3.2som神經網路
3.3多獲勝節點som神經網路
3.4模擬實驗
3.5本章小結
第4章elman及引入收益因素elman神經網路及其在股市投資中的套用
4.1引言
4.2elman神經網路
4.3引入收益因素elman神經網路（ennpf）
4.4模擬實驗
4.5本章小結
第5章基於som2w—rbf混合智慧型模型及其在新股定價中的套用
5.1引言
5.2som2w神經網路
5.3rbf神經網路
5.4模擬實驗
5.5本章小結
第6章基於pso大氣質量評價模型及其在大氣質量評價中的套用
6.1引言
6.2我國最常使用的api大氣質量評價法
6.3pso算法簡介
6.4基於pso大氣質量評價模型
6.5模擬實驗
6.6本章小結
第7章改進oifelman神經網路及其在大氣質量預測中的套用
7.1引言
7.2oifelman神經網路
7.3改進oifelman神經網路
7.4模擬實驗
7.5本章小結
第8章結論與展望
參考文獻
1.1研究背景
1.2研究內容
第2章計算智慧型方法概述
2.1人工神經網路簡介
2.2進化計算
2.3本章小結
第3章som和多獲勝節點som神經網路及其在股市板塊分析中的套用
3.1引言
3.2som神經網路
3.3多獲勝節點som神經網路
3.4模擬實驗
3.5本章小結
第4章elman及引入收益因素elman神經網路及其在股市投資中的套用
4.1引言
4.2elman神經網路
4.3引入收益因素elman神經網路（ennpf）
4.4模擬實驗
4.5本章小結
第5章基於som2w—rbf混合智慧型模型及其在新股定價中的套用
5.1引言
5.2som2w神經網路
5.3rbf神經網路
5.4模擬實驗
5.5本章小結
第6章基於pso大氣質量評價模型及其在大氣質量評價中的套用
6.1引言
6.2我國最常使用的api大氣質量評價法
6.3pso算法簡介
6.4基於pso大氣質量評價模型
6.5模擬實驗
6.6本章小結
第7章改進oifelman神經網路及其在大氣質量預測中的套用
7.1引言
7.2oifelman神經網路
7.3改進oifelman神經網路
7.4模擬實驗
7.5本章小結
第8章結論與展望
參考文獻
文摘
著作權頁：
插圖：
由於股票指數的變化具有強烈的非線性特點，受多種因素影響，雖然沒有預測其走勢的萬能公式，但還是有一定的基本規律可以遵循。根據信息經濟學與理性預測的思想，這些規律完全隱藏在歷史數據中，從數學角度來講，這種規律表現為函式關係。預測的關鍵就是要找出並利用這些規律。由於股市預測的輸入數據是一個時間序列，依據數據本身的內在聯繫建立人工神經網路模型，具有良好的自組織、自適應性，有很強的學習能力和抗干擾能力。它能自動從歷史數據中提取有關經濟活動中的知識，可以克服傳統定量預測方法的許多局限以及面臨的困難，同時也能避免許多人為因素的影響，因而在股市預測模型建造的合理性以及適用性等方面都具有其獨特的優點。
鑒於上述特點，近年來許多學者都在探索將它套用於金融預測領域，取得了一定的效果。如趙宏等分析了影響證券市場的各種因素，探討了預測分析方法和定量預測模型的選擇原則，在此基礎上，使用改進BP網路，給出了用於證券市場預測的通用模型，選用RSI、KD等股市分析技術指標構成輸入樣本向量，使用滾動測試技術對深市綜合指數的買人時機進行了預測，預測精度從30%可逐漸達到80%。王上飛等從非線性時間序列預測的角度出發，使用滑動窗技術與RBF網路對IBM公司的股票進行了預測，曲線擬合的效果很好。鄭丕諤、馬艷華提出一種基於RBF神經網路的股市預測建摸方法，並採用遞階遺傳算法訓練RBF網路的參數、權值和結構，對上證綜指和伊利股份進行預測，經過500代遺傳進化，對上證綜指逼近的最大相對誤差為8.57%。
目前，國內外常採用的用於股市預測的神經網路方法：多層感知器（Multi—layer Perception）法、徑向基函式（Radial Basis Function，RBF）法、支持向量機（Support Vector Machine、SVM）法等。但這些方法存在著一定的缺陷：如收斂速度慢、易陷入局部極小值、推廣能力差等。鑒於以上不足，並且考慮到投資者投資的主要目的是儘可能獲得更多的盈利，即利潤大、風險小是股票投資者們一直追求的最終目標。為了使投資者能夠獲得儘可能多的利潤，本書在Elman神經網路的基礎上，提出新的改進算法，將提高預測精度的懲罰方向和時間信息引入到Elman神經網路中，提出引入收益因素的Elman神經網路，並對股市的綜合指數進行預測，根據預測的結果求其利潤率，得到了令人滿意的結果。
4.2 ELman神經網路
為了論述方便，本小節先簡要介紹一下Elman神經網路，詳細內容可參考文獻。Elman神經網路[埃爾曼（Elman，1990）]是一種動態的反饋網路，它除了具有輸入層、隱層、輸出層單元外，還有一個特殊的聯繫單元。聯繫單元是用來記憶隱層單元以前時刻的輸出值，可認為是一時延運算元，它使該網路具有動態記憶的功能，其結構如圖4.1所示。
插圖：
由於股票指數的變化具有強烈的非線性特點，受多種因素影響，雖然沒有預測其走勢的萬能公式，但還是有一定的基本規律可以遵循。根據信息經濟學與理性預測的思想，這些規律完全隱藏在歷史數據中，從數學角度來講，這種規律表現為函式關係。預測的關鍵就是要找出並利用這些規律。由於股市預測的輸入數據是一個時間序列，依據數據本身的內在聯繫建立人工神經網路模型，具有良好的自組織、自適應性，有很強的學習能力和抗干擾能力。它能自動從歷史數據中提取有關經濟活動中的知識，可以克服傳統定量預測方法的許多局限以及面臨的困難，同時也能避免許多人為因素的影響，因而在股市預測模型建造的合理性以及適用性等方面都具有其獨特的優點。
鑒於上述特點，近年來許多學者都在探索將它套用於金融預測領域，取得了一定的效果。如趙宏等分析了影響證券市場的各種因素，探討了預測分析方法和定量預測模型的選擇原則，在此基礎上，使用改進BP網路，給出了用於證券市場預測的通用模型，選用RSI、KD等股市分析技術指標構成輸入樣本向量，使用滾動測試技術對深市綜合指數的買人時機進行了預測，預測精度從30%可逐漸達到80%。王上飛等從非線性時間序列預測的角度出發，使用滑動窗技術與RBF網路對IBM公司的股票進行了預測，曲線擬合的效果很好。鄭丕諤、馬艷華提出一種基於RBF神經網路的股市預測建摸方法，並採用遞階遺傳算法訓練RBF網路的參數、權值和結構，對上證綜指和伊利股份進行預測，經過500代遺傳進化，對上證綜指逼近的最大相對誤差為8.57%。
目前，國內外常採用的用於股市預測的神經網路方法：多層感知器（Multi—layer Perception）法、徑向基函式（Radial Basis Function，RBF）法、支持向量機（Support Vector Machine、SVM）法等。但這些方法存在著一定的缺陷：如收斂速度慢、易陷入局部極小值、推廣能力差等。鑒於以上不足，並且考慮到投資者投資的主要目的是儘可能獲得更多的盈利，即利潤大、風險小是股票投資者們一直追求的最終目標。為了使投資者能夠獲得儘可能多的利潤，本書在Elman神經網路的基礎上，提出新的改進算法，將提高預測精度的懲罰方向和時間信息引入到Elman神經網路中，提出引入收益因素的Elman神經網路，並對股市的綜合指數進行預測，根據預測的結果求其利潤率，得到了令人滿意的結果。
4.2 ELman神經網路
為了論述方便，本小節先簡要介紹一下Elman神經網路，詳細內容可參考文獻。Elman神經網路[埃爾曼（Elman，1990）]是一種動態的反饋網路，它除了具有輸入層、隱層、輸出層單元外，還有一個特殊的聯繫單元。聯繫單元是用來記憶隱層單元以前時刻的輸出值，可認為是一時延運算元，它使該網路具有動態記憶的功能，其結構如圖4.1所示。
