© 2014作者。由爱思唯尔公司出版信息工程研究院负责评选和同行评议可在www.sciencedirect.com上在线获取ScienceDirectIERI Procedia 10（2014）239 - 2442014未来信息工程基于CGP和递归神经网络的Mehreen Muhammad Khan *，Gul Muhammad Khan，Sahibzada AliMahmud工程技术大学电气工程系智能系统与网络研究中心摘要神经进化中的反馈是探索和评估其在设计外汇汇率预测模型中的应用。提出了一种基于递归神经进化的外汇汇率预测方法.笛卡尔遗传规划（CGP）是部署的预测模型的算法。递归笛卡尔遗传编程进化人工神经网络（RCGPANN）被证明可以产生计算效率高且准确的外汇预测模型，在1000天的时间内准确率高达98.872%。该方法利用历史数据中的趋势来预测五种货币对澳元的汇率。该模型使用统计指标进行评估和比较。计算方法优于其他方法，特别是由于它的能力，以选择最好的功能，在实时和灵活性，系统提供的功能选择，连接模式和网络。© 2014作者。由爱思唯尔公司出版 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。信息工程研究院负责评选和同行评议关键词：外汇汇率预测;神经网络;笛卡尔遗传规划;神经进化;递归网络;时间序列预测1. I介绍与金融时间序列相关的数据是噪声、不稳定和波动的。 非线性和* 通讯作者。联系电话：电话：0092-3339284387传真：0092-3339284387电子邮件地址：Mehreen@nwfpuet.edu.pk2212-6678 © 2014作者由爱思唯尔公司出版 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。信息工程研究所负责的选择和同行评审240Mehreen Rehman等人/ IERI Procedia 10（2014）239外汇数据的波动性不能通过用于预测股票汇率的当前统计模型有效地预测（Philip等人，2011年）。人工神经网络（ANN）被用来解决无数的现实问题，金融时间序列预测是其中最具挑战性的问题之一。然而，时间序列预测模型的性能受到其预测较长时间段的低精度的限制。提出了一种基于笛卡尔遗传规划进化神经网络（CGPANN）的神经进化算法。本文提出了一种新的神经网络股票市场预测输入选择的计算方法。这种方法，其中算法选择所需数量的节点，给出最佳可能的输出和最优网络，到目前为止还没有提出。该方法包括提取神经网络输入变量和股市时间序列的最佳特征。该系统在实时特征选择、网络架构和预测连接模式方面提供了灵活性。特征选择导致不相关特征的移除。连接模式的选择涉及决定是使用循环连接还是前馈连接。因此，该系统可以用作一个递归神经网络以及前馈网络。2. 文献综述由于信息技术的发展，近年来预测研究文献丰富，已发表的研究成果较多。实验结果表明，相对于统计模型，如ARIMA（自回归综合移动平均），神经网络模型产生更好的结果，证明他们的适用性预测的外汇汇率。（Kadilar Adla，2009）探讨了土耳其TL/美元汇率序列的ARIMA时间序列模型神经网络。结果表明，人工神经网络方法具有更好的精度相比，ARIMA时间序列模型，证明了人工神经网络优于统计模型。（Kamruzzaman等人，2010）探索了三种不同的基于人工神经网络（ANN）的预测模型：标准反向传播（SBP）、缩放共轭梯度（SCG）和贝叶斯正则化反向传播（BPR），以预测六种不同的货币兑澳元，并评估了它们在预测准确性方面的表现。（Naeini等人，2010年）的重点是使用前馈多层感知器（MLP），使用有关股票份额的历史记录，以预测公司的股票价值，并将其与Elman递归网络和回归模型进行比较。结果表明，MLP具有较低的MSE，MAPE和MAE值相比，Elman和线性回归，而Elman递归神经网络优于多层感知器在预测的变化方向。Kryuchin等人进行的时间序列预测，2011）使用两种ANN技术，多层感知器（MLP）和Volterra。根据（Philip et al.，2011年），隐马尔可夫模型是不稳定的交易工具的外汇数据，原因是结果是依赖于太多的因素。虽然多层感知器（MLP）神经网络在预测系统中得到了广泛的应用，但它存在耗时且无法恢复过去事件记忆的缺点（Wei Cheng，2012）。为了改善过去的预测模型，（Wei Cheng，2012）提出了一种混合预测模型，该模型改进了过去的模型，并优化了Elman递归神经网络（Elman NN），用于预测台湾股票价格趋势。 所提出的模型优于其他列出的模型，由于非线性预测能力，收敛速度更快，准确的映射能力。3. 递归笛卡尔遗传规划进化神经网络这里讨论的研究解决方案的目的，外汇汇率预测已实施的经常性CGPANN或RCGPANN，这是不同的其他类别的CGPANN由于Mehreen Rehman等人/ IERI Procedia 10（2014）239241ݕσݕσݔݔ网络中存在反馈机制，将一个或多个输出反馈给系统。 然而，在RCGPANN中，产生的网络具有部分连接的神经元，而不是完全连接的神经元。这消除了冗余连接，并在时间和实施可行性方面提高了效率。与其他网络不同，RCGPANN表示并编码隐藏状态，其中网络的输出取决于先前输入的随机数。递归CGPANN节点由输入连接、权值和节点函数组成。从外部环境进入网络的输入被称为输入节点。从前面的节点和系统输入接收输入的节点是中间节点。提供给网络的输入可以是程序输入或反馈。加权后的输出模式被提供给sigmoid激活函数并反馈到输入层 以获得新的输出模式。在我们的研究中，我们监测网络的行为，为单一，五个和十个数量的反馈路径。从输入数组I中选择输入I = {i1，i2，它可以是程序输入或反馈。权重矩阵W，W = {W1，W2在-1和+1之间有随机数字ANN中的求和点表示为：ᇱ（一）（二）（三）其中，xi是结点输入。如果将此输入乘以随机分配的权重，则ᇱ（四）对于进入节点的N个输入，获得yj个输出，使得ቁԢݕቀݕሺσሻݔݓ（五）ͳ这里f是一个激活函数，链接到节点。NT，是网络中节点的总数，定义为：ሼ ȁא Nר ͳN ሽ设I是与唯一基因型网络Gk相关联的输入，考虑到每个，对于所有输入，（六）具有独特的价值，在 I = {i1，i2，i3א Rר Ͳ ͳ（七）其中rσ））（八）网络Gk是从输入I，节点的输出中随机选择的一组输入值，用于单个输出Op，使得O联系我们（九）哪里୮୬୧ୀୀଵHere，Wj，Wj-1，. W 1是W的子集，其中W（十）Wj={Wk|WkR-1 Wk 1}4. RCGPANN在外汇汇率预测中4.1. 实验装置建议的预测模型是在澳大利亚储备银行提取的历史数据上训练的。从500天的美元数据开始，训练十个不同的递归神经网络。每个网络使用五个种子，以确保种子选择的特异性不会影响网络的性能。242Mehreen Rehman等人/ IERI Procedia 10（2014）239溶液使用Sigmoid作为激活函数。每个节点由五个节点组成。因为10%的突变率被认为与其他比率相比产生更令人满意的结果，所以它已被用于我们的实验中（Kadilar Alada，2009; Chen et al.，2008年）。网络的输入是10个连续的货币值。网络从这10个输入中选择最佳数量的输入，最终形成进化的网络。每个神经元有5个输入，因此这些输入可以连接到系统的输入或其他前面的神经元。随机产生的初始基因型的突变导致另外九个网络。这是使用1+ 1的进化策略，其中1对应于9。使用平均绝对误差百分比（MAPE）值评估所产生的后代的性能，并进行比较，以选择最适合的网络升级到下一代。同一个网络通过变异产生了另外九个网络。这个过程一直持续到达到所需的适应度或完成最大数量的代。当网络被训练时，我们将所有的实验运行一百万代。MAPE和适应度由下式给出：第1111章：你是我的女人（11）健身= 100- MAPE（12）LF是预测值，LA是实际值，n表示天数。图1（a）示出了具有权重、连接和函数以及单个反馈路径的RCGPANN表型，图1（b，c）分别表示相应的5个和10个反馈路径。4.2. 结果和分析该网络的性能已被评估的历史数据集的1000天的五种不同的货币，从2003年2月1日开始。这些货币包括日元、新西兰元、加拿大元、韩元和印尼盾。培训阶段之后是测试。表1、表2和表3给出了在测试阶段，三种场景下，(5) 10个反馈网络。(a)(b)（c）Fig.1.一、RCGPANN表型具有：（a）单个反馈路径;（b）五个反馈路径，以及;（c）十个反馈路径。最终结果是在对5个单独的结果进行平均后获得的，每个结果都来自针对各种网络大小和反馈场景进行的独立进化运行。这些表格显示了该算法在准确性方面的优势，生成的模型平均准确度为98.5%，其中基于更多反馈的网络实现了98.872%的最高准确度（400个节点，10个反馈网络，在表3中突出显示）。结果验证了网络生成的货币预测的效率。从比较表（表4）中可以清楚地看出，RCGPANN在1000天内获得了最佳结果，准确度为98.872%，MAPE值低至1.1280%Mehreen Rehman等人/ IERI Procedia 10（2014）2392435. 结论这项工作探讨了最近推出的神经进化技术，称为递归笛卡尔遗传编程进化人工神经网络（RCGPANN），用于实现外汇预测。系统的高效性能的原因是系统选择最佳可能特征、网络架构和连接模式以用于预测以及决定是否使用循环连接或前馈连接的能力。结果还表明，随着反馈路径数量的增加，网络的准确性增加，从而提高了网络预测未来数据的能力。因此，实现特征选择的神经网络模型是外汇预测的一个有前途的候选者。表I.从2003年2月开始，在1000天的单一反馈的10天数据历史的基础上，对各种货币的RCGPANN预测第11天的准确性进行了测试节点50100150200250300400450500日元98.42798.27898.38998.46698.39198.65398.48698.41498.692NZD98.20798.15698.19798.22698.20098.19298.23298.22798.257CAD98.24998.18398.23498.26998.23598.27998.27898.26098.309KRW98.42398.33998.40598.44898.40898.52098.45798.43398.543IDR98.67498.51498.63298.71398.63498.85298.73498.66898.866表2从2003年2月开始，在1000天的时间段内，根据10天的数据历史和5个反馈方案，RCGPANN预测第11天的准确性对各种货币的测试结果。节点50100150200250300400450500日元98.70598.69498.69398.69498.69298.69198.69498.70298.688NZD98.24598.25898.26598.26498.26598.26398.25998.24698.266CAD98.30598.31198.31598.31498.31498.31498.31198.30698.315KRW98.54498.54498.54398.54398.54398.54498.54498.54498.542IDR98.85598.86898.86998.86798.86998.87198.86898.86198.872表III.从2003年2月开始，在1000天的10天数据历史和10个反馈场景的基础上，RCGPANN预测第11天的准确性方面的各种货币的测试结果节点50100150200250300400450500日元98.69298.70098.69198.69098.68997.54198.68398.63998.689NZD98.26298.23598.25598.26598.24997.12898.26598.17298.263CAD98.31398.29998.31098.31598.30597.28198.31498.27098.314KRW98.54498.53998.54298.54398.54097.45698.54198.50098.542IDR98.87198.85598.86898.87298.86497.46998.87298.84398.871表IV. RCGPANN与其他模型网络准确度（%）MAPE（%）马尔可夫模型（Khan等人，（2010年）Ͳ1.928Naïve（Khan等人，2013年度）Ͳ7.2868ARMA（Khan等人，2013年度）Ͳ3.4649多层感知器（Kryuchin等人，（2011年）72ͲHFERFM（Philip等人，（2011年）69.9ͲAFERFM（Philip等人，（2011年）81.2Ͳ244Mehreen Rehman等人/ IERI Procedia 10（2014）239使用贝叶斯正则化的反向传播（Kamruzzaman等人，（2010年）93.93RCGPANN（已执行）引用[1] Chen，中国山核桃A. P.，徐，Y. C.和Hu，K. F.（2008年）。基于多神经网络的汇率混合预测模型。第四届自然计算国际会议，pp。293-298.[2] Cheng，T. Wang，J.（2007）.动态递归神经网络在信息融合与地理信息系统时空预测中的应用。Berlin，Germany：Springer-Verlag，pp. 173-186。[3] Kamruzzaman，J.，&萨克河A. (2003，12月）。使用ANN预测货币汇率：案例研究。神经网络和信号处理，2003年。2003年国际米兰。Conf. on（Vol. 1，pp. 793-797）。美国电气与电子工程师协会。[4] 卡迪尔角和Alada，H.（2009年）。用人工神经网络预测汇率系列，十七比二十九[5] 汗，M。M.，Khan，G. M.，&米勒，J.F. (2010，十一月）。马尔可夫/非马尔可夫非线性控制问题递归神经网络的有效表示。在智能系统设计与应用（ISDA），2010年第10届国际会议上（pp. 615-620）。美国电气与电子工程师协会。[6] 克留钦岛五、Arzamastsev，A.一、&特罗伊奇湾 G. （2007年）。 用人工神经网络预测货币汇率组织行为学教学期刊，第4期。[7] 米勒，J.F.和Harding，S. L.（2008年）。笛卡尔遗传规划。 2008年GECCO Conf. Companion onGenetic and Evolutionary Computation，ser. GECCO '08。New York，NY，USA：ACM，pp. 2701-2726[8] Moriarty，D. E、和Mikkulainen，R.（1996年）。通过共生进化实现高效强化学习。Machinelearning，vol.22（1-3），pp. 11比32[9] Mirikitani，D. T.，&尼古拉耶夫，N.（2010年）。用于时间序列建模的递归贝叶斯递归神经网络。神经网络，IEEE Transactions on，21（2），262-274。[10] Naeini，M. P.，Taremian，H.，&Hashemi，H. B. (2010，十月）。基于神经网络的股票市场价值预测。在计算机信息系统和工业管理应用（CISIM），2010年国际会议上（pp. 132-136）。[11] Philip，A.一、Taofiki，A.一、Bidemi，A. A.（2011年）。汇率预测的人工神经网络模型。Worldof Computer Science and Information Technology Journal（WCSIT），vol. 1，no. 3，pp. 110-118[12] 韦湖，澳-地是的，&程角，澳-地 H. （2012年）。 基于综合特征的混合回归神经网络模型预测台湾股市。创新计算信息与控制杂志，8（8），5559-5571。
我的内容管理
展开
