知识引导的人工神经网络汇率预测（KGANN）模型与性能评价

Journal of King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com知识引导的人工神经网络（KGANN）汇率预测模型的建立与性能评价Pradyot Ranjan Jenaa，*，Ritanjali Majhib，Babita Majhica管理学院，卡纳塔克邦国家技术学院，印度芒格洛尔b印度瓦朗加尔国家理工学院管理学院c部计算机科学和信息技术，Guru Ghasidas Vishwavidyalay，印度中央大学接收日期：2014年10月6日;修订日期：2014年11月20日;接受日期：2015年1月5日2015年9月10日在线发布摘 要本 文 提 出了 一 种 新的 自 适应 预 测 模型 ， 采 用知 识 引 导的 人 工神 经 网 络（KGANN）结构进行有效的汇率预测新结构有两个平行系统。第一个系统是一个最小均方（LMS）训练的自适应线性组合器，而第二个系统采用自适应FLANN模型，以补充知识库的目标，以提高其性能值。训练的LMS模型的输出被添加到自适应FLANN模型中，以提供与简单LMS或FLANN模型预测的汇率相比更准确的汇率这一发现已经通过一个令人筋疲力尽的计算机模拟研究和使用现实生活中的数据证明。因此，建议KGANN是一个有效的预测模型的汇率预测。©2015作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍预测汇率对于金融机构和有外汇风险的公司来说至关重要有这种风险的公司必须*通讯作者：印度电子邮件地址：jpradyot@gmail.com（P.R.耶拿）。沙特国王大学负责同行审查对冲其外币现金流，以保护其利润不受汇率变化的影响。然而，套期保值是昂贵的，如果能够准确地保护汇率，套期保值因此，发展这样一个有效的预测为基础的研究方法将是非常宝贵的银行和公司.为了实现这一目标，研究人员已经做出了客观的尝试，以开发不同的模型来预测各种汇率。文献中建议的初始模型基于统计方法（Brillinger，1975; Hannan，1979），该方法假设数据在本质上是相关的和线性的。然而，在实践中，人们注意到，金融时间序列，特别是外汇汇率，并不符合这些假设。因此，用传统的统计方法预测汇率http://dx.doi.org/10.1016/j.jksuci.2015.01.0021319-1578© 2015作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词人工神经网络;汇率预测;函数连接人工神经网络;知识引导人工神经网络模型知识引导的人工神经网络汇率预测模型451方法并不令人满意。为了提高预测能力，提出了基于神经网络的方法（Ziurilli，1997），该方法本质上是自适应的，需要构成过去汇率的训练数据来开发模型。在各种 神 经 网 络 中 ， 多 层 感 知 器 （ MLP ） （ Haykin ，2004）、函数链接人工神经网络（FLANN）（Pao，1989）、级联函数链接神经网络（CFLANN）（Majhi等人，2009）和径向基函数（RBF）（Haykin，2002）已用于此目的。在所有这些网络中，使用的学习算法大多是基于导数的算法。在最近的进化计算工具中，例如遗传算法（GA）（Bhattacharya和Meheta，1998）、遗传编程（GP）（Neely等人，1997）、粒子群优化（PSO）（Kennedy和Eberhart，1995）、细菌觅食优化（BFO）（Passino，2002）也被用来训练与不同模型的架构相关联的权重。Bansal等人（2010年）提出了一个自动交易算法与用户智能交互的框架。在Chang et al.（2009）中，采用反向传播神经网络来预测股票的买/卖点，然后应用基于案例的动态窗口来进一步提高预测精度。在Atsalakis和Valavanis（2009）中，对一百多篇使用神经网络和神经模糊模型预测股票市场的文章进行了调查。据观察，软计算技术在大多数情况下优于传统的模型。然而，定义模型的结构是一个主要问题，是一个试错的问题。在Venugopal Setty等（2010），综述了数据挖掘在股票市场中的应用。Huang和Jane（2009）提出了一个股票市场预测和投资组合选择的混合模型。Simon和Raoot（2012）探讨了精度驱动的ANN模型中可能的研究策略。在Xu等人（2008年）的研究中，趋势跟踪（TF）的性能按比例下降市场趋势的波动幅度。这一发现对技术交易系统的设计具有重要意义。这意味着市场趋势的波动应该被监控，当它超过一定的阈值时，TF交易应该 被 暂 停 ， 以 防 止 损 失 。 在 Kumaran Kumar 和 Kailas（2012）中，使用所提出的函数链接模糊逻辑神经模型的混合ANN模型发现了对SENSEX和NSE证券交易所的未来股票收盘价的预测。Sheikhan和Movaghar（2009）提出了一个丰富的进化联结主义模型，其中使用遗传算法来确定前馈神经网络的最佳输入和隐节点数、节点激活函数的最佳斜率外汇汇率预测的实证结果表明，与其他时间序列预测模型相比，所提出的混合模型有效地提高了预测精度。据报道，这些新模型提供了改进的预测性能，特别是对于高范围的预测。进化计算方法的缺点是计算时间长，因为它们是基于种群的算法。近年来，在汇率预测领域的文献中出现了许多出版物在Tsai和Wu（2000）中，高阶模糊时间序列被用来预测汇率。在另一篇出版物中，作者（Minghui等人，2003）提出了一种顺序学习的神经网络，称为最小资源分配网络（MRAN）预测各种月度汇率。他们已经证明，这个模型预测汇率比MLP模型更好。Kamruzzaman和Sarkar最近应用（Kamruzzaman和Sarkar，2003年）三个人工神经网络模型预测汇率使用历史数据和移动平均技术指标。Kullback 信 息 准 则 （ KIC ） 已 被 测 试 （ Seghouane 和Bekara，2004年）的实际数据预测外汇汇率与有趣的结 果 相 比 ， 经 典 的 技 术 。 还提出了 支 持 向 量 机（SVM）（Cao等人， 2005年）的汇率预测，并取得了可喜的成果。最近，我们提出了各种汇率的有效预测（Majhi等人，2006，2007，2009）使用新颖的低复杂度人工神经网络模型。作者已经证明，这种新模型计算简单，但提供了出色的汇率预测性能。这些外汇汇率预测模型本质上是自适应的，并且通过使用已知的时间序列数据和使用一些标准学习算法来训练它们而获得。这种类型的模型具有局限性，例如更多的训练时间和较不准确的预测能力，特别是对于高范围。为了提高预测性能，例如更少的训练时间和更好的准确性，可以开发替代模型保持这一目标，鉴于目前的调查已经提出了一个新的知识引导人工神经网络（KGANN）预测模型，有效地预测各种汇率类似的想法已经被我们应用于估计移动通信中的路径损耗（Panda等人，2005年）。在该方法中，使用自适应线性组合器（Widrow和Stearns，2002年）的原油模型首先开发使用过去的汇率作为输入。该近似模型用作整个模型的知识指南。为了进一步提高预测性能，一个低复杂度的单层FLANN结构（Pao，1989）被添加到线性组合器模型中。FLANN模型的权重使用相同的已知输入数据并结合两个结构的输出进行可以预期的是，与单独的粗模型相比，混合结构将提供优异的预测性能可以注意到，在第一阶段中，使用标准最小均方（LMS）算法来训练线性组合器的权重在实际操作中，KGANN用作固定模型，FLANN用作自适应模型。2. 知识引导人工神经网络（KGANN）模型的开发用于金融预测的KGANN混合自适应模型如图所示。1 .一、在第一阶段中，使用线性组合器和LMS学习规则生成简单且鲁棒的LMS模型为了设计该模型，从汇率序列生成的训练模式被顺序应用，并且对于每个模式，计算模型的输出该输出与相应的目标值一致，并获得误差。使用该误差和输入，LMS算法计算模型权重的变化。模型的训练继续使用新的输入模式，直到平方误差逐渐减小并稳定在452P.R. Jena等人· ··w0（nw1（nw2（n· · ·w（L-1）（n）LMS算法ek（n-yk（n）+XLKKKKK输入图案+输出+联系我们-误差期望数据图1知识引导的ANN预测模型。最小值。在这个阶段，线性组合器的最终权重被冻结。然后，该模型表示财务数据的预测器。然而，其预测性能ykðnÞ ¼L-1l¼0wlknxlk1仍然可以通过在图1的一个路径中使用知识引导LMS（KGL）模型来改进。 1，并在另一路径中连接基于函数链接人工神经网络（FLANN）的自适应模型。在这种混合模型中，KGL作为一个固定的模型，而FLANN更新其权重，使两个结构的结果输出提供更好的预测性能。该FLANN本质上是一个单层单角神经元为基础的结构与多个非线性输入。的16k6K06l6L- 1l6n 6N其中xlk、wlk（n）和yk（n）分别表示第k个模式和第n个实验的第l个输入、第l个权重和输出如果权重和输入模式向量表示为不非线性输入是从使用三角或幂级数展开来展开它们的特征图案中产生的。在所提出的方法三角展开是用于提高性能。KGL提供XK 1/2x0 kx1 k·· ·xL-1k]我的天，我的天w1 ·· ·wL-1n]ð2Þð3Þ大部分期望的输出和微分值由FLANN模型提供。在这种情况下，每个输入模式由三个值组成：一天的归一化转换率，11个先前转换值的平均值和方差。三个参数中的每一个都被扩展为五个值，所有十五个值都被加权和求和以产生输出。为了训练FLANN，使用简单的LMS算法。线性组合器的基本操作如下进行：自适应线性组合器的一般形式如图所示。 二、在这种情况下，当应用输入模式时，组合器的输出表示为：然后在矩阵形式中，输出由下式给出ynXTWn4组合器的权重将使用LMS算法来更新。通常，对于自适应线性组合器，其他数据包括训练信号dk（n），其是目标交换率。这是通过将输出与期望响应进行比较以获得误差信号ek（n），然后调整或优化权重向量以使该信号最小化来实现的。误差信号由下式给出：ekndkn-ykn5然后使用标准LMS算法更新与网络相关联的权重。第n次实验时第l个权重的权重更新方程为：wln1wlnDwln 6其中Dwl（n）表示权重的平均变化，x0kx1kx2kx（L<$1）k应用K个模式，并计算为1KDwn2gnxð7Þk¼1其中g是学习速率参数（06g6 1）。重复这个过程，直到网络的均方误差（MSE）接近最小值。第n次实验的MSE可以定义为，n1/4E1/2 e2n nn n]，其中E[.] 表示dk（n）图2自适应线性组合器。期望操作。一个基于KGANN的预测模型，FLANN作为结构之一，如图所示。3.第三章。设P表示输入模式的数量，其中设K个模式用于训练，Q个模式用于测试所提出的模型的性能。因此P=K+Q。令每个输入模式由L个特征元素组成，X表示Flann模型知识导向LMS模型XLK不知识引导的人工神经网络汇率预测模型453×---00DhtnK012BKBKXk¼1x0kx1kx（L<$1）kdk（n）图3基于KGANN的预测模型。尺寸（K L）。 v k;l;06k6K 1; 06l6L 1表示矩阵的元素，其中k和l分别代表输入模式编号和特征编号。X的每一行被表示为V（k），其对应于L个元素的第k个输入模式向量。然后，V（k）的每个元素使用正弦和余弦展开以非线性方式进行函数展开这种变换非线性地映射输入元素，并且涉及简单的计算。扩展输入向量的元素s（k，t）对应于如（8）所示的从V（k）生成的第k个模式。sk;l2m 1mvk; 0msfk;2m- 1g ¼ sin½ f 2m- 1p·vk;l]f{.} 是一个双边S形函数。 y0k是KGN模型的输出。FLANN模型的输出y0k0n由下式给出：1e-gknyknffgkng1e-gkn11误差信号ek（n）是期望响应和模型输出之间的差，并且由下式给出：ekndkn-ykn12将误差项ek（n）和输入向量Zk用于权重更新算法以计算校正权重向量Dhn）。假设反射误差由下式给出：dknekn·d0knekn·f0fgkng13sk;2mcos½m-1p·vk;l]ð8Þ其中f0f·g表示y0k0 <$n <$的导数。然后是正确的-m¼ 1; 2;. ;M和1/4 0; 1;.. . ;AIL-1符号M表示正弦或余弦扩展的数量结果，大小为（K×L）的X特征矩阵在非线性变换后生成大小为（K×T）的S矩阵，其中T=L（2M+ 1）。为了方便起见，让S的每一行表示为Zk，其大小为（T×1），其中Zkn½sk; 0; sk; 1; sk; 2.. . ;sk;T-1]T9因此，Zk，对应于第k个模式的变换特征向量，由T个元素组成，并用作单神经元神经网络的输入这种自适应网络本质上是一个自适应线性组合器，后面跟着一个神经元，示于图3 .第三章。 重量h n; h n; hn;. ; hðnÞ权重向量由下式给出：DhkngZkdkn14以同样的方式，可以获得偏置权重的变化，并由Dhbkngdkn给出。一个新的已知的特征模式被应用在输入端，并计算其相应的Dh（n）。学习系数g控制收敛速度，并位于0和1之间。重复该过程，直到应用所有测试图案。应用所有K个模式构成一个实验，并且在每个实验结束时获得K组Dhk（n），然后计算第n个实验中第t个权重的平均权重变化为1XK表示第n次实验时权重向量H（n）我是说。在训练过程中，Zk被应用到模型顺序和所需的finan- cial值提供在输出端。在给定输入的任何第n次实验中，模型产生输出yk（n），其充当期望值dk（n）的估计。组合模型的输出计算如下：其中Dhtk（n）表示第n次实验的第k个输入模式处的第t个权重的变化然后，根据以下关系更新FLANN模型的权重Hn1HnDHn 16不000吨吨其中DHn½Dh0nDh1n ·· ·DhT-1n]1 7yknyknXkWfZkHnhbnyg10其中，hb（n）表示取决于输入模式的加权偏置输入，并且其权重对应于最优值。在第一阶段训练的混合权重。非线性函数类似地，第n次迭代的偏置权重由下式给出：1KDhnDhn18k¼1y'Ks（k，0） 0s（kh（nh1（n+1个+y（n）Kh nb（）+Zy（n''KKg（nh T1（n）s（k，T≠1）ek（n-+权重更新规则KGN模型功能扩展块Dhtk15T-1454P.R. Jena等人e2n20本工作引入KGANN模型来预测汇率从1美元至英镑和卢比. 一些表1可用于培训和测试的汇率。货币转换1美元to印度卢比1美元to英镑日期范围73-01-01至05-10-0171-01-01至05-10-01总数数据总数所使用的模式数目可用生成训练测试393 382 365 1741840739017注：数据显示每月1日的每日平均数字（纽约市中午买入价）。数据已经被从www.forecasts.org。102101100十比一10-2102101100十比一10-310-410-210-310-50 0.5 1 1.5 2 2.5 310-4实验数量x 1040 0.5 1 1.5 2 2.5 3图4a知识和技术的收敛特性比较实验数量x 104边缘基地和FLANN模型的卢比转换提前一个月的预测。然后，根据下式更新偏置权重：hbn1hbnDhbn19然后继续实验，直到第n次实验中的均方误差（MSE）定义为：1XNKK图4b知识的收敛特性比较边缘基地和FLANN模型的卢比转换提前12个月的预测。采用过去的数据作为输入到所提出的模型进行。3. 输入数据达到最小值。当训练过程完成时，模型的连接权重被冻结到它们的最终值。这样开发的模型，然后用于测试与已知的汇率和未来的预测。开发的KGANN模型是一种非线性自适应模型，能够通过监督训练近似已知的金融时间序列。它是一个简洁的预测未来金融数据的非线性模型。该算法是一种计算单层FLANN误差性能曲面梯度的优化方法。与LMS算法一样，该算法对干扰或噪声数据具有鲁棒性。该算法还提供了一个很有前途的模型，用于提取包含在训练数据中的信息并存储在FLANN模型的权重中。基于FLANN算法，利用已知汇率对该模型进行了仿真，并利用测试数据对其性能进行了评估。随后对未来财务数据进行预测，为了训练和测试的目的，从过去的转换率中提取共同的特征。通过将每个值除以每个组的最大值来归一化每个数据组，使得每个归一化值小于或等于1。为了得到正确的三角展开式，必须对输入数据进行归一化。将每月第一天的归一化率、截至当月计算的均值和方差值作为模型的输入为了获得给定月份的平均值和方差值，使用了12个会话率（当前的1个和11个先前的值）。表1显示了用于所有转换率的训练和测试目的的输入模式的数量。4. 仿真研究为了评估该模型的性能，对KGANN、FLANN和LMS模型进行了仿真研究，以预测美元对印度卢比的汇率，KGANNFlannFlannKGANNMSEMSE简体中文k¼1知识引导的人工神经网络汇率预测模型455实际训练期间预测公司简介m¼1ð Þ ¼ ð ð Þ-ð Þ ð ÞÞ×10.90.80.71011000.6十比一0.50.410-20.30.210-30.10 50 100 150200250 300 350 40010-4培训模式0 0.5 1 1.5 2 2.5 3图4c实际值和预测值的比较实验数量x 104卢比转换的训练数据提前一个月预测。图5a预测前一个月英镑换算knowl- edge base和FLANN模型收敛特性比较10.91010.80.70.61000.50.4十比一0.30.20.10 50 100 150 200 250 300 350 400培训模式10-210-300.5 1 1.5 2 2.5图4d实际值和预测值的比较训练数据转换提前12个月预测。实验数量x 104英镑。预测期分别为1个月、所提出的模型的学习特性示于图2和图3中。4a和4b为卢比汇率，而英镑汇率相同转换显示在图2和图3中。5a和5b首先，LMS模型图5b知识的收敛特性比较边缘基地和FLANN模型的英镑转换提前12个月的预测。PMPE聚乙烯薄膜M使用过去的特征进行训练，随后使用KGANN模型的组合输出训练FLANN模型。使用卢比的训练数据对实际值和预测值进行的比较显示在图1和图2中。图4c和4d，而图4c和4d中示出了英镑的相同情况。5c和5d。收敛特性在所有情况下都表现出优越的性能，特别是在最小MSE和速率方面趋同性。这一观察结果从图1和图2的曲线图中更明显。4c、4d、5c和5d。使用测试数据的结果示于表2中。它比较了与三种不同模型的预测值相关的平均误差百分比。平均误差百分比MAPE（k）定义为：其中k表示进行预测的提前月数。PE m acr m pcr m=acrm100%，acr（m）=第m个月的实际转化率，pcr（m）=第m个月的预测转化率，PE（m）=第m个月对应的误差百分比。结果表明，在所有情况下，与其他两种方法相比，所提出的这一观察结果适用于所有货币兑换和今后所有月份。表3显示了未来一个月和十二个月的实际和预测汇率（美元对卢比和美元对英镑）。表3清楚地显示了KGANN模型对汇率的精确预测实际训练期间预测KGANNFlannKGANNFlann归一化换算值标准化卢比换算值MSEMSEð21Þ456P.R. Jena等人0.750.70.650.60.550.50.450.40.350 50 100 150 200 250 300 350 400培训模式图5c使用预测前一个月英镑转换的训练数据比较实际值和预测值。0.750.70.650.60.550.50.450.40.350 50 100 150 200 250 300 350 400培训模式图5d使用预测前12个月的英镑转换训练数据比较实际值和预测值。表2三种不同模型模拟研究所得MAPE的比较。汇率几个月LMSFlannKGANN卢比11.16970.79660.787033.29021.97851.940964.85453.70543.0895127.01896.20924.9019磅12.18861.84341.846635.08082.80102.782766.70614.59783.76591211.25442.13492.1896粗体值表示KGANN方法获得的所有行的MAPE值与其他两种方法（例如LMS和FLANN）相比最小。表3 KGANN模型预测汇率汇率一个月实际值预测值卢比一45.180043.853945.500045.178846.060045.475146.320046.030046.050046.295845.740046.035445.030045.728743.850045.009043.620043.800043.580043.584443.590043.562643.640043.586343.410043.643343.520043.400443.430043.528043.550043.439843.850043.5627十二43.640043.784843.410045.656043.520046.230843.430046.945343.550047.205243.850046.84841.82791.7867磅一1.84381.83001.82031.84581.79371.82031.80771.79181.86071.80591.92861.86091.87971.93201.88711.87991.90431.88761.89611.90541.85591.89631.81771.85351.75071.81341.79441.74381.80641.78951.76511.8020十二1.85591.76941.81771.80901.75071.81841.79441.78421.80641.74851.76511.75885. 结论现有的基于人工神经网络模型的汇率预测研究大多依赖于LMS或FLANN模型进行预测。本文提出了一种将LMS和FLANN模型相结合的混合汇率预测模型，该模型比单独使用LMS或FLANN模型具有更高的预测精度和效率。最初，使用已知的汇率数据来训练简单且低复杂度的LMS模型。完成后实际训练期间预测实际训练期间预测标准磅换算值标准化磅换算值知识引导的人工神经网络汇率预测模型457训练过程中，组合器的最终权重被冻结。随后，将输入模式应用于组合系统，并将目标货币值与组合输出进行比较。所得到的误差信号被用于以更新FLANN模型的参数，从而进一步减小总体系统误差。将该模型的预测性能与基于FLANN和LMS的模型在不同货币兑换率和不同预测范围下的预测性能进行了比较。仿真结果的比较表明，所提出的混合模型是能够作出更准确的预测各种汇率相比，预测的个别FLANN和LMS为基础的模型。所提出的混合模型可以用于汇率的长期预测，因为固定模型执行基本预测，而第二自适应模型试图预测实际值和真实值之间的差异。此外，未来的工作也可以在选择固定和自适应模型的正确组合此外，需要对两种产出的适当比重进行评估，以便最终产出接近所需的汇率。引用Atsalakis，G.S.，Valavanis，K.P.，2009.调查股票市场预测技术-第二部分：软计算方法。 专家系统应用36，5932-5941。Bansal，Archit，Mishra，Kaushik，Pachouri，Anshul，2010.智能交易（AT）-未来智能人类与小投资者互动的框架。国际计算机1（21），01-05中所述。巴塔查里亚，S.，Meheta，K.，1998年4月基于遗传算法的交易规则分阶段学习。在：Proc.的第三次信息，会议上信息。Sys. Tech，Montreal，pp. 62比66Brillinger，D.R.，一九七五年时间序列分析：预测与控制霍夫-莱因哈特-温斯顿公司， NY.Cao，Ding-Zhou，Pang，Su-Lin，Bai，Yuan-Huai，18-21 August2005.基于支持向量机的汇率预测。在：IEEE第四届国际机器学习和控制论会议，Guanghou，pp。3448-3452.Chang，P.-C.的方法，刘角H、林，J. -L.，范，C.-是的，Ng，Celeste S.P.，2009年基于案例的动态窗口神经网络在股票交易预测中的应用。专家系统应用36，6889-6898。Hannan，E.J.，一九七九年多个时间序列。约翰·威利父子公司 NY.Haykin，S.，2002年。自适应滤波器理论 Prentice-Hall国际版，印度。Haykin，S.，2004.神经网络PearsonEdition.Huang，K.Y.，简，C.- J.，2009.基于ARX、灰色系统和RS理论的股票市场预测与投资组合选择混合模型。专家系统应用36，5387-5392。Kamruzzaman，Joarder，Sarkar，Ruhul A.，2003年12月14-17日。使用人工神经网络预测货币汇率：案例研究。In：IEEE Int.Conf. Neural Networks Signal Processing，Nanjing，China. 793-797Kennedy，J.，埃伯哈特河，1995年12粒子群优化算法In：Proc. IEEE Int. Conf. Neural Networks，Perth，Australia，pp.1942-1948.KumaranKumar，J.，Kailas，A.，2012年。用提出的函数连接模糊逻辑神经网络模型（FLFNM）的混合神经网络模型预测未来股票收盘价。国际计算机应用工程科学第二章（1）。Majhi，Ritanjali，Panda，G.，Sahoo，G.，2006年6月7日至9日。基于非线性单层人工神经模型的外汇汇率有效预测。输入：程序IEEE国际会议关于控制论智能系统（CIS）和机器人自动化机电一体化（RAM）（CIS RAM-2006），曼谷，第1-5. Majhi，Ritanjali，Panda，G.，Sahoo，G.，2007年2月23日至25日。建立一个有效的级联函数链接人工神经网络模型用于汇率预测。智能系统与网络国际会议（IISN-2007），Jagdhari，Haryana，pp. 242-246Majhi，Ritanjali，Panda，G.，Sahoo，G.，2009.使用低复杂度人工神经网络模型进行汇率的有效预测。Expert Syst.Appl.36（1），181-189，Elsevier Journal，UK。Minghui，Hu，Saratchandra，P.，Sundararajan，Narasimhan，2003年。一种用于汇率预测的序贯学习神经网络预测。IEEE，3963-3968。尼利角等，1997.外汇市场的技术分析是否有利可图：遗传规划方法。J.金融 定量Anal. 32（4），2.潘达，G.，Mishra，R.K.，Pallai，S.S.，2005.一种新的站点自适应传播模型。IEEE Trans.普罗帕格Lett. 4，447-448.包永豪，1989.自适应模式识别与神经网络。出版社：Addison-Wesley .Passino，K.M.，2002.用于分布式优化和控制的细菌觅食仿生学。IEEE控制系统杂志，52-66Seghouane，Abd-Krim，Bekara，Maiza，2004年。基于Kullbac k对称发散的小模型选择准则。 IEEETrans. 信号处理。52（12），3314-3323。Sheikhan，Mansour，Movaghar，Behzad，2009年。使用进化联结 主 义 模 型 的 汇 率 预 测 。 世 界 应 用 科 学 J. 7 ， 08&-16（Special Issue of Computer IT）：ISSN 1818-4952，© IDOSIPublications.Simon，Selvan，Raoot，Arun，2012.精度驱动的人工神经网络在 股 市 预 测 中 的 应 用 。 国 际 计 算 机 1 （ 3 ） ， 33-43 ，International Journal on Soft Computing（IJSC），vol.3（2），2012年5月。蔡昭智、吴顺智，2000年。 用模糊逻辑和近似推理预测汇率。IEEE，191-195.VenugopalSetty ， D. ， Rangaswamy ， T. M. ， Subramanya ，K.N.，2010年。资料探勘应用于股票行销绩效之研究。国际计算机1（3），33-43.Widrow，B.，南达科他州斯特恩斯，2002.自适应信号处理培生教育徐，S.，李，B.，Shao，Y.，美国，2008年12月，基于智能体的神经网络方法预测股票表现。In：IEEE InternationalConference on Computer Science and Software Engineering，vol. 1，Wuhan，China，pp.1223-1225。Ziurilli，J.S.， 1997. 使用神经网络进行财务预测。国际汤普森计算机出版社，伦敦。