[发明专利]基于IPSO‑BP神经网络的短期股价预测算法

权利要求书

1.一种基于IPSO-BP神经网络短期股价预测算法，其特征是：包括以下步骤：

(1)采样历史数据，构建样本数据集合；

(2)对样本数据集合进行归一化处理，映射到同一区间；

(3)对归一化的数据进行拟合、循环迭代，预测未来样本数据；

(4)确定网络层数、各层神经元数目和BP网络参数与激活函数，利用从大到小依次动态变换惯性权重和学习因子，构建IPSO-BP神经网络；

(5)根据未来样本数据，利用IPSO-BP神经网络预测股票数据。

2.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：所述步骤(1)中，选取一定采样时间区间的股票数据作为实验数据，以固定频度读取有效样本，通过对样本进行学习，分为学习样本和检测样本。

3.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：

所述步骤(2)中，数据归一化方法为：式中，x_i为输入或输出的实际样本数据值，x_max,x_min是实际样本数据的输入或输出的极大值和极小值，是原始的样本数据进行归一化处理之后均匀分布在分段区间上的值。

4.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：所述步骤(3)中，将当前拥有的历史数据通过循环迭代，对未来的数据进行预测，假设存在时间序列{x_i}，i的取值范围为(0,N)，数据输入为x_n,x_n+1,...,x_n+m，对下一个数据x_n+m+1进行预测，即存在以下关系：

x_n+m+1＝f(x_n,x_n+1,...,x_n+m)(1.2)

式中，函数f是参数为n的拟合函数，n取值范围为(0,N-m-1)，参数m为网络的输入节点数。

5.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：所述步骤(4)中，粒子群算法中采用S型函数作为激活函数。

6.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：所述步骤(4)中，采用动态的形式，初步设置动态惯性权重的初始值w_start，随着训练的进行，依次递减惯性权重直到最终值w_end。

7.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：所述步骤(4)中，初始期采用大的动态学习因子来进行全局范围内的搜索，而随着搜索范围的逐渐明确，依次减小动态学习因子，以在局部进行搜索。

8.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：所述步骤(5)中，初始化粒子群中的参数，为每个粒子的位置信息、迭代的次数、学习率的参数值赋初值，初次计算每个粒子的适应度值。

9.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：对粒子的状态进行更新，首先先是单个粒子自身的极值进行比较，即将该粒子当前的适应度值与历史上的该粒子的最佳适应度值P_best进行对比，若较P_best更好，那么设其为新的P_best，相反的，继续保持原有的P_best值；然后是每个粒子之间的极值进行比较，即将粒子群中的每个粒子当前的P_best与当前粒子群中的最佳极值G_best进行对比，若较G_best更好，那么将其值赋给G_best；相反的，若G_best更好，则G_best继续保持原有的值不变。

10.如权利要求1所述的一种基于IPSO-BP神经网络短期股价预测算法，其特征是：根据公式和公式不断的对粒子的速度和位置进行更新操作，使粒子得到新的状态，式中，d＝1,2,3,...,Q；i＝1,2,3,...,n；W为惯性权重；k为当前迭代次数；v_id为粒子的速度；c₁和c₂为学习因子，范围为(0,4)，通常设为c₁＝c₂＝2；ξ,η是均匀分布在[0,1]区间上的随机数；r为约束因子；

或所述步骤(5)中，判断得到的适应度值是否在设定的误差允许范围内或迭代次数为最大值的时候，若两者只要满足其中一个，则寻优过程结束；否则重新计算每个粒子的适应度值。