递归Legendre多项式神经网络在外汇预测中的应用研究

"这篇研究文章发表在沙特国王大学学报上，探讨了使用递归Legendre多项式神经网络（RLPNN）结合改进的混合蛙跳（ISFL）学习策略来构建外汇预测模型。RLPNN是一种新型的递归网络，通过集成功能扩展块和延迟块来处理输入和输出样本的非线性关系。模型的验证是通过在三个不同的货币兑换数据集上进行的，结果显示其预测性能优于其他模型。外汇市场的预测受到经济全球化、各种外部因素以及交易者心理的影响，因此预测汇率的精确性至关重要。递归网络因其记忆能力适用于动态系统分析，与前馈网络相比，更适合处理时间序列问题。" 在外汇预测中，递归Legendre多项式神经网络（RLPNN）是一种有效的工具，它利用勒让德多项式这一数学工具来处理非线性问题。RLPNN的独特之处在于它的结构，包含了功能扩展块和延迟块，这使得网络能够捕捉到输入和输出之间的复杂关系。这种网络设计允许网络自身在处理时间序列数据时保留和处理历史信息，这对于外汇汇率这样的动态系统尤其重要。 递归神经网络（RNN）与前馈神经网络（FFNN）不同，FFNN通常用于静态映射，无法处理依赖于历史数据的时间序列。相比之下，RNN能够在每个时间步中传递信息，形成一个循环结构，从而具备了处理动态系统的能力。在外汇预测中，由于汇率受到过去值的影响，RNN特别适合捕捉这些长期依赖关系。 为了优化RLPNN的学习过程，研究采用了改进的混洗蛙跳（ISFL）算法。这是一种自然启发式的优化算法，模拟了青蛙寻找食物的过程，通过群体智能策略来搜索最优解。ISFL在解决复杂的优化问题时表现出高效性和鲁棒性，可以有效地调整网络参数，提高预测精度。 外汇预测的挑战在于市场中的非线性、动态性和多变性。除了技术分析和经济指标外，社会、政治、经济事件以及市场参与者的情绪等都会影响汇率。因此，使用RLPNN和ISFL相结合的模型能够更好地适应这些复杂性，提供更准确的预测。 这项研究展示了RLPNN和ISFL在外汇预测领域的潜力，通过实证研究证明了其预测性能优于传统的预测模型。这为未来在金融领域的应用提供了有价值的参考，并可能推动更智能、更适应复杂市场的预测技术的发展。