摘要：股票市场是一个充斥着各种噪声的动态非线性系统,能够精确地对其进行预测是一项具有挑战性的任务.本文构建的BCC-ESN模型,是运用细菌群体趋药性算法（BCC）来优化回声状态网络（ESN）的权值结构,在继承ESN优良性质的同时,具有更高的模型预测能力.实验证明,BCC-ESN模型比前馈神经网络具有更好的学习和预测能力.经对上证指数进行短期价格预测,结果与BP网络、Elman网络和ESN网络进行比较,BCC-ESN模型精度明显优于其他三种网络预测.同时,在运算效率上,BCC-ESN模型继承了ESN的运算优势,明显优于其他神经网络预测模型,是一种切实可行、高效的预测算法,尤其在股票时间序列预测中有广泛的实用价值.针对BCC-ESN模型在训练预测中遇到的问题,比如耗费时间过长和过度拟合问题,本文亦提供了简单易行的思路和方法.

关键词：回声状态网络 细菌群体趋药性算法 股票价格预测 算法优化 

单位：南京大学商学院 江苏南京210093