证券金融类论文：基于神经网络的金融证券预测方法研究

     金融证券系统在很大程度上反映了一个国家的经济实力，是经济发展趋势的晴雨表。金融证券市场是市场经济的重要组成部分，其作用不仅被政府所重视，而且也受到广大投资者的普遍关注。金融证券系统的固有规律始终以其特有的方式在影响和改变着人类的生产、生活。金融证券体系在整个国家经济体系中占有举足轻重的地位，它对国家经济以及世界经济的影响和作用远远超过国民经济中的其它产业，金融证券系统的运行规律是一门需要深入研究的科学。因此，了解、分析、进而预测金融证券的发展趋势成为金融证券投资过程中不可或缺的一个组成部分，在投资过程中占有重要的地位。金融证券体系是一个高度复杂的非线性的周期波动的动态系统，证券价格涉及许多不确定因素，并且各个因素之间的相关关系错综复杂，证券价格预测是金融分析领域中重要而困难的问题。但是大量事实表明，证券价格波动存在某种规律。金融证券预测的好坏对于一个国家的经济发展和广大投资者有重大意义。选择适当的预测方法对金融证券进行认真分析是能否降低风险、获取投资利益的关键。在近二十年来，许多重要的理论改变了金融市场的研究方法。传统的资本市场理论己经被广泛接受，传统的线性金融分析方法在预测非线性的金融证券时间序列具有很大的困难和局限性。投资者变得更加依赖高级的计算机算法和非线性技术，利用这些非线性技术建模和预测使投资者在投资决策中获得了更大收益。
　　神经网络具有很强的非线性函数逼近能力和良好的低层次学习能力，模糊逻辑对近似的和定量的知识表达具有良好的适应能力及高层归纳分析能力。模糊神经网络技术综合模糊逻辑和神经网络的优点，克服了它们各自的缺点，因而在诸多领域中得到广泛的应用。支持向量机具有全局最优解和严格完备的数学理论，引入结构风险最小化原则，所以比传统的神经网络具有更高的预测精度，更好的泛化能力，没有陷入局部极小点的危险，没有欠学习和过学习现象，利用支持向量机的函数回归估计进行金融证券时间序列建模和预测是国际上的研究热点。研究意义青岛大学硕士学位论文()l基于神经网络(包括支持向量机)的金融证券预测模型研究有利于增强金融证券投资的科学性。与传统的线性金融证券预测方法相比，神经网络在金融时间序列预测中，是实施经验风险最小化或结构风险最小化(支持向量机)同时通过样本自学习来逼近未知函数的;神经网络具有一致逼近能力、联想记忆功能、自适应学习、并行分布性和容错性，我们通过探索新的方法来改善神经网络预测技术，来丰富和完善神经网络预测体系，所以非线性神经网络金融证券预测方法比传统线性的金融证券预测方法更科学，并且预测精度更高。