[发明专利]一种基于EDM算法和BP神经网络的股票指数期货价格预测方法

权利要求书

1.一种BP神经网络的股票指数期货价格预测方法，包括数据输入模块(1)、数据预处理模块(2)以及数据预测模块(3)，其特征在于：所述数据输入模块(1)用于输入钱股票指数期货价格，所述数据预处理模块(2)用于对所述数据输入模块(1)输入的数据进行信号转化以及分解处理，所述数据预测模块(3)用于对股指期货每日收盘价进行预测，所述数据输入模块(1)输入钱股票指数期货价格，再发送给所述数据预处理模块(2)，最后通过所述数据预测模块(3)对股指期货每日收盘价进行预测。

2.根据权利要求1所述的一种BP神经网络的股票指数期货价格预测方法，其特征在于，所述数据预测模块(2)主要包括BP神经网络模型构建模块(4)和价格预测模块(5)。

3.根据权利要求1所述的一种BP神经网络的股票指数期货价格预测方法，其特征在于，所述BP神经网络模型构建模块(4)内部的预测模型选择为单一隐含层和单一输出层；输入层神经元节点数目为8；隐含层神经元节点数目为19；输出层神经元节点数目为1；隐含层的传递函数为tansig；输出层的传递函数为logsig；网络的学习函数为learngdm；网络的误差函数为mse。

4.根据权利要求1所述的一种BP神经网络的股票指数期货价格预测方法，其特征在于，所述价格预测模块(5)是利用已建立起的优化BP神经网络预测模型，对股指期货每日收盘价进行预测。

5.根据权利要求1所述的一种BP神经网络的股票指数期货价格预测方法，其特征在于，所述数据预测模块(2)主要应用EDM算法，该方法的本质是运用物理学理论方法，将复杂的信号进行平稳化处理，其结果是将初始的复杂信号中不同尺度的波动或趋势逐级分解成一系列有限个具有不同特征尺度的序列，每一个序列即为一个本征模函数分量，且每一个本征模函数分量所包含的频率成分不仅与分析频率有关而且最重要的是随信号自身的变化而变化，同时，运用EMD算法可以不需要多个震荡周期的波形就可以给出信号在每个时间点上的瞬时频率值。

6.根据权利要求5所述的一种BP神经网络的股票指数期货价格预测方法，其特征在于，所述EMD算法中所有信号都是由幅度和相位随时间变化的本征模函数分量(IMF)构成，IMF的极值点个数和零点数相差不超过1；IMF的局部极大值和极小值确定的上下包络线关于水平轴相对称。

7.根据权利要求1-6任一项所述的一种基于EDM算法和BP神经网络的股票指数期货价格预测方法，其特征在于，求IMF分量的具体步骤如下：

1)假设原始信号为x(t)

把信号中所有的局部极大值用3阶样条曲线连接起来，即利用三次样条插值法构造极大值包络线e_max(t)，用同样的方法构造极小值包络线e_min(t)；

2)计算e_max(t)和e_min(t)的平均值：

s(t)＝[e_max(t)+e_min(t)]/2

得到一个新信号s(t)；

3)检査新信号s(t)是否满足IMF的基本假设条件或者是否满足初始设定的阈值，如果满足以上两个条件中的任何一个，则得到一个IMF分量，否则，对新信号s(t)继续执行歩骤1)；

4)假设经过计算共找到M个IMF分量和残差趋势分量r(r代表原复杂信号的趋势)，检查是否满足分解停止条件，若满足分解停止条件，则得到经EMD算法分解得到的最终结果：

其中，为一个IMF分量；r_n(t)为一个单调函数或一个常量；

5)经过EMD算法分解，可以得到了一组从高频到低频的顺序排列的曲线和一个单调函数表示的趋势曲线，股指期货价格信号经过EMD算法分解后，得到具有平稳性的IMF分量，且各个IMF分量彼此之间影响很小，这将使每个IMF分量对原始价格序列有着清晰的解释作用，为了减少提取IMF的筛选步骤，常利用标准偏差参数，当：

成立时，停止筛选，一般SD的值0.2至0.3之间；

6)在筛选过程中，由于该EMD算法采用的是三次样条插值法，所以当信号的极大位或极小值的个数小于2，停止筛选工作；

7)对股指期货当月合约的每日收盘价格序列进行EMD分解，如将原始数据用x(t)表示，则原价格序列的分解结果可以表示为：

其中，c_j(t)为一个IMF分量；r(t)为残余函数，经过EMD分解后，原始价格数据的波动性大幅降低，非平稳性被大大减弱，再通过IMF分量对价格走势进行预测，将去除原始股指期货价格走势中随机干扰成分，提高预测结果的精确度。