RBF神经网络模型在股票预测中的变量重要性分析

"这篇硕士论文探讨了决策树和神经网络算法在股票分类预测中的应用，以RBF神经网络模型为例，研究其在股市预测中的变量重要性。陶雨雨在其导师黄晓莉副教授的指导下，进行了该研究工作，论文完成于2013年10月，提交于杭州电子科技大学。" 在神经网络领域，RBF神经网络模型因其独特的三层结构（输入层、隐层和输出层）而被广泛应用于各种预测任务，如股票市场的预测。与BP神经网络相比，RBF网络具有更快的收敛速度和更好的全局优化能力。在RBF神经网络中，参数设置至关重要。例如，冲量项α通常设置为0.9，保持与BP神经网络的相似性，用于控制学习速率。RBF clusters参数允许用户自定义隐藏节点的数量，本研究中设置了20个隐节点。Persistence参数代表持续学习周期，这里设置为30，以保证网络能适应数据变化。RBF overlapping参数即径向覆盖长度h，设定为1，意味着使用标准高斯核函数作为输出函数，确保每个隐节点有明确的覆盖范围。 在RBF神经网络模型的输出分析中，论文结果显示每股收益增长率是影响上市公司综合绩效最重要的财务指标，这一结论与C5.0决策树和BP神经网络的分析结果一致。此外，已获利息倍数和流动比率也是对上市公司影响较大的财务指标，它们反映了公司的偿债能力和短期偿债能力。这些发现对于投资者来说至关重要，因为他们可以帮助识别哪些财务指标在股票投资决策中起主导作用。 论文的焦点在于如何利用机器学习方法，特别是决策树和神经网络，来提升股票预测的准确性。RBF神经网络模型通过评估变量的重要性，提供了对股票市场复杂性的洞察，为投资者提供了更科学的决策依据。同时，论文也强调了股票市场的数据量大、复杂性强，传统的分析方法难以准确预测，而采用先进的预测模型能够更好地理解和预测股票市场的动态。 这篇论文不仅详细介绍了RBF神经网络的构建和参数设置，还展示了其在股市预测中的实际应用，强调了关键财务指标在股票分类预测中的价值。通过这种方法，研究人员和投资者可以更深入地理解股票市场的内在运行机制，并作出更为精准的投资决策。