理工科大創(chuàng)立項(xiàng)答辯ppt課件

1、xxxx研究,學(xué)院：理學(xué)院,xxxxx,PART 01,PART 02,PART 03,PART 04,研究意義,項(xiàng)目背景,研究方案及可行性,項(xiàng)目創(chuàng)新點(diǎn),PART 05,項(xiàng)目進(jìn)度安排及預(yù)期成果,01,PART ONE,項(xiàng)目背景,01,項(xiàng)目背景,1982年全球首個(gè)股指期貨在美國(guó)上市 經(jīng)過30多年的發(fā)展，股指期貨已成為國(guó)際上最成熟的金融期貨 全球已有股指期貨產(chǎn)品400多個(gè),股指期貨的作用,1、提供了雙向交易和風(fēng)險(xiǎn)對(duì)沖機(jī)制，健全股票市場(chǎng)內(nèi)在的穩(wěn)定機(jī)制 2、提供避險(xiǎn)保值工具，有效保護(hù)各類投資者利益 3、防止了操縱市場(chǎng)的行為,2010年4月16日滬深300股指期貨上市，2015年4月16日上證50、中證

2、500股指期貨上市 我國(guó)股指期貨上市四年多以來，其成交額已遙遙領(lǐng)先于其它期貨品種 自從上市以來，期指合約累計(jì)成交量已達(dá)到4.55億多手 持倉(cāng)量由上市初期的2702手增加至目前近14萬(wàn)手 交易量更是一度在80萬(wàn)手上下波動(dòng),02,PART TWO,研究意義,01,研究意義,02,研究意義,03,PART THREE,研究方案及可行性,01,科學(xué)性與可行性,Malliaris(1996)Qi(1999) Amilon(2003) Santin(2004) Binner(2005) Lin(2005)等人的研究表明神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果要優(yōu)于傳統(tǒng)方法 龍建成（2005 )胡靜（2007 )尚俊松（ 200

3、4 )等許多學(xué)者都利用神經(jīng)網(wǎng)絡(luò)進(jìn)行了股市方面的預(yù)測(cè)研究 我國(guó)學(xué)者大量實(shí)證研究結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于我國(guó)股票市場(chǎng)的預(yù)測(cè)是可行和有效的，有良好的前景,02,科學(xué)性與可行性,BP神經(jīng)網(wǎng)絡(luò),即誤差反向傳播網(wǎng)絡(luò)，由輸入層、輸出層和至少一個(gè)隱層組成，各層包含多個(gè)神經(jīng)元可以將輸入信息綜合加權(quán)，以激活函數(shù)的形式產(chǎn)生或輸出,RBF神經(jīng)網(wǎng)絡(luò),相比于BP神經(jīng)網(wǎng)絡(luò)，引入激活函數(shù)RBF，加快神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度,03,科學(xué)性與可行性,01,02,03,Wittkemper和Manfred Steine討論了預(yù)測(cè)股票系統(tǒng)風(fēng)險(xiǎn)的不同方法，對(duì)1967年到1986年德國(guó)67家上市公司的財(cái)務(wù)報(bào)表進(jìn)行分析，發(fā)現(xiàn)最為準(zhǔn)確地方法是利用

4、遺傳算法優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)方法,Khoa,N.L.D.等(2006)用時(shí)間和利潤(rùn)作為可調(diào)整權(quán)重因素的BP神經(jīng)網(wǎng)絡(luò)對(duì)股票價(jià)格進(jìn)行預(yù)測(cè),Huang, Fu-Yuan (2008)用加入蜂群算法的模糊神經(jīng)網(wǎng)絡(luò)對(duì)上證指數(shù)進(jìn)行預(yù)測(cè),01,02,03,生物進(jìn)化算法優(yōu)化的神經(jīng)網(wǎng)絡(luò),單獨(dú)的神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)值，因此需要其他算法對(duì)神經(jīng)網(wǎng)絡(luò)組合優(yōu)化，增強(qiáng)全局搜索能力，同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則，優(yōu)化網(wǎng)絡(luò)權(quán)系數(shù) 進(jìn)化算法：遺傳算法、遺傳規(guī)劃、進(jìn)化策略 群智算法：粒子群算法、人工魚群算法,基于深度學(xué)習(xí),構(gòu)造多隱層的神經(jīng)網(wǎng)絡(luò)，使網(wǎng)絡(luò)復(fù)雜化，預(yù)測(cè)結(jié)果更準(zhǔn)確,突發(fā)事件對(duì)股指預(yù)測(cè)的影響,干預(yù)分析模型組合神經(jīng)網(wǎng)絡(luò),04

5、,我們的研究方案,三 步走,04,PART FOUR,項(xiàng)目創(chuàng)新點(diǎn),01,項(xiàng)目創(chuàng)新點(diǎn),優(yōu)化生物進(jìn)化算法,對(duì)突發(fā)事件情況的考慮,組合優(yōu)化神經(jīng)網(wǎng)絡(luò),深度學(xué)習(xí),干預(yù)分析模型組合神經(jīng)網(wǎng)絡(luò),將神經(jīng)網(wǎng)絡(luò)組合多種生物進(jìn)化算法 以獲得更準(zhǔn)確的預(yù)測(cè)結(jié)果,對(duì)算法中的選擇、交叉、變異的算法進(jìn)行優(yōu)化,運(yùn)用多層的人工神經(jīng)網(wǎng)絡(luò)和訓(xùn)練它的方法 多層組織鏈接一起 形成神經(jīng)網(wǎng)絡(luò)“大腦”進(jìn)行精準(zhǔn)復(fù)雜的處理,05,PART FIVE,項(xiàng)目進(jìn)度安排及預(yù)期成果,01,2017年4月中旬7月底 知識(shí)準(zhǔn)備及建立基礎(chǔ)模型 發(fā)表一篇滬深300股指期貨預(yù)測(cè)研究的綜述,2017年11月初2018年1月初 運(yùn)用深度學(xué)習(xí)和組合優(yōu)化的方法改進(jìn)模型 依據(jù)以上研究成果，發(fā)表一篇高質(zhì)量論文,2017年7月底10月底 優(yōu)化模型 評(píng)價(jià)模型 依據(jù)以上研究成果，發(fā)