张卫国++李家铭

摘 要：

针对极限学习机易陷入过度学习和隐层节点数目难确定的问题，提出基于双层差分进化算法的极限学习机（双层DE-ELM）预测模型，把极限学习机（ELM）的隐层节点数目和节点参数作为差分进化（DE）算法的外层和内层进化个体，利用DE算法通过自然选择淘汰机制对其进行学习和完善。将该模型应用于上证综合指数和标准普尔500指数的短、中期预测，并与DE-ELM等模型的预测结果进行对比分析。实证结果表明：双层DE-ELM预测模型能够有效地选择隐层节点数目和参数，具有较强的预测能力和较高的稳定性。

关键词：

双层DE-ELM预测模型；隐层节点；股票指数；时间序列

中图分类号： F831 文献标志码：A 文章编号：1009-055X（2016）02-0018-09

引 言

股票指数的预测问题一直以来都是学界和业界十分关注的话题，指数平滑预测法[1]、ARMA（自回归移动平均模型）[2]和ARCH（自回归条件异方差模型）[3]等传统的时间序列分析法被学者广泛研究。然而，这些模型具有较强的使用限制，只有满足特定的条件时才能使用。为了克服这一问题，以时间序列驱动的各类人工智能预测模型，特别是人工神经网络模型逐步成为研究的热点。

1988年，White首次利用神经网络来预测股票每日报酬率，然而预测效果并不理想。White认为神经网络陷入局部极小值而无法跳出，影响了预测效果。[4]Kimoto等利用神经网络对东京证交所股价加权平均指数进行预测，指出神经网络模型对报酬率的预测效果优于TOPIX加权平均指数方法。[5]为了进一步提……