2-34GA-WNN用遗传算法先找好起点，再让小波神经网络预测股票指数

一句话介绍： 这套程序把遗传算法 GA 和小波神经网络 WNN 结合起来，先用 GA 搜索网络权值以及小波伸缩、平移参数的较优初值，再用梯度学习继续训练 Morlet 小波神经网络，最后对 177 组股票指数测试数据进行预测，并计算拟合优度、均方根误差和相对误差。

先看它解决什么问题

股票指数属于明显的非线性时间序列。

如果直接建立一个普通线性模型，很难描述复杂的波动关系；而普通 BP 神经网络虽然具有非线性拟合能力，但训练结果比较依赖随机初始值，初值不好时可能：

收敛较慢；停留在较差的局部解附近；不同运行得到不同预测效果。

这套程序采用：

股票数据 → 归一化 → GA 搜索 WNN 初始参数 → 小波神经网络继续训练 → 测试集预测 → 反归一化 → 误差评价

核心思想可以概括成：GA 负责“先找到一个更好的起跑位置”，WNN 再负责“沿着误差方向做精细学习”。

1. 这个工程真正包含什么？

核心内容可以压缩为 5 个部分：

工程还附带经典 MATLAB Genetic Algorithm Toolbox gatbx，用于完成二进制编码、选择、交叉、变异和重插入。

同时附有论文：《基于遗传算法的小波神经网络在股票预测中的应用》

可以用于理解该程序的理论设计和实验背景。

2. 当前数据到底有多大？

因此整个模型采用：6 个输入变量 → 1 个预测目标

训练样本为：4400 组；测试样本为：177 组

配套论文说明数据用于预测上证指数开盘指数，时间范围为：1990-12-20 ～ 2009-08-19

当前 MAT 文件本身没有保存 6 个输入列的字段名称，所以文档不额外猜测每一列具体对应哪一个行情字段。

不过从数据关系可以直接核对出：output 与第一输入列向后移动 2 条记录完全对应。

因此当前数据实际上建立了一个：根据当前 6 维信息预测约两条记录之后第一目标序列的监督学习问题。

3. 为什么所有数据先做归一化？

6 个输入变量的量级差异非常大。

例如数据中有的变量处于几千量级，有的变量可以达到数百亿量级。

如果直接输入网络，大数值变量很容易在加权求和时占据过强影响。

程序使用 mapminmax 对：

训练输入；训练输出；分别进行归一化，并把同样的输入缩放规则应用到测试数据。

预测完成后，再使用训练输出的归一化参数把结果恢复到原始股票指数尺度。

所以完整关系是：

原始数据 → 统一数值尺度 → 神经网络计算 → 预测值反归一化

4. 当前小波神经网络是什么结构？

程序设置：输入层：6 个节点、隐含层：7 个小波节点、输出层：1 个节点

与普通 BP 网络不同，隐藏节点不是 Sigmoid，而是使用 Morlet 小波函数。

第 j 个隐藏节点先计算：zⱼ = [Σₖ Wⱼₖxₖ - bⱼ] / aⱼ

其中：

Wⱼₖ：输入到第 j 个小波节点的权值；

bⱼ：小波平移参数；

aⱼ：小波伸缩参数。

随后计算 Morlet 响应：ψ(z) = exp(-z²/2) · cos(1.75z)

最终网络输出为：ŷ = Σⱼ Vⱼψ(zⱼ)

因此网络不仅能调整普通连接权值，还能够调整每个小波节点的：位置 b + 尺度 a

这比只有固定激活函数的普通网络增加了新的可调自由度。

5. Morlet 小波为什么适合做非线性拟合？

Morlet 函数由：高斯包络 × 余弦振荡组合而成。

在某一个局部区域附近具有较明显响应，而离开该区域以后响应逐渐衰减。

因此多个不同：

伸缩尺度 a；平移位置 b；连接权值；的小波节点组合以后，可以从不同局部区域逼近复杂非线性关系。

简单理解：

每个隐藏节点负责描述输入空间中的一种局部变化，多个小波节点再组合成最终预测曲线。

这也是小波神经网络相对于普通固定 Sigmoid 网络的主要理论特点之一。

6. GA 到底优化了多少个参数？

遗传算法不是优化网络层数，而是优化 WNN 的初始连续参数。

当前网络共有：输入层 → 隐层权值6 × 7 = 42 个

小波平移参数 b：7 个

小波伸缩参数 a：7 个

隐层 → 输出层权值：7 × 1 = 7 个

所以总参数数为：42 + 7 + 7 + 7 = 63

即：NVAR = 63一个 GA 个体就代表一套完整的 WNN 初始参数。

7. GA 怎样寻找较好的网络初值？

当前主程序使用：

种群数量：40；最大遗传代数：50；代沟 GGAP：0.9；单点交叉概率：0.7

63 个参数都编码在：0～1范围内。

每个连续变量使用 63 位二进制 / Gray 编码，因此一条染色体总长度为：63 × 63 = 3969 bit

每一代主要进行：

评价误差 → 排序适应度 → SUS 随机遍历选择 → 单点交叉 → 位变异 → 优良子代重新插入种群

其中代沟 0.9 对 40 个个体意味着每代约选择：36 个个体参与产生新一代候选。

8. 为什么 GA 和 WNN 要组合，而不是只用其中一个？

只用梯度训练 WNN

网络能够根据预测误差不断修改参数，但训练方向由当前参数位置决定。

如果随机初始点比较差，可能需要更长时间才能找到好区域。

只用 GA

GA 具有全局随机搜索能力，但如果完全依靠遗传迭代精细调整 63 个连续参数，搜索效率通常不如局部梯度更新。

GA-WNN

当前设计采用：GA 大范围搜索 → WNN 梯度精细调整

也就是：

全局搜索能力和局部学习能力分工。

这是整个 GA-WNN 模型最核心的组合逻辑。

9. GA 找到初值以后，WNN 怎样继续训练？

遗传阶段结束后，程序把得到的参数拆回：

Wjk；Wij；a；b；然后进行普通迭代学习。

当前脚本设置：连接权学习率 lr1 = 0.01、伸缩 / 平移参数学习率 lr2 = 0.001、训练轮数 maxgen = 100

每输入一个训练样本，就计算：预测误差 = 期望输出 - 网络输出

再利用 d_mymorlet.m 中的 Morlet 导数更新：

输入权值；输出权值；小波平移参数；小波伸缩参数。

因此 GA 并不替代网络训练，而是负责提供网络训练的初始参数。

10. 程序怎样预测测试数据？

训练完成以后，程序把：177 × 6

测试输入按照训练集的 inputps 归一化。

随后逐条计算：6 维输入 → 7 个 Morlet 隐层响应 → 1 个归一化预测值

得到：177 个预测值

11. 程序怎样评价预测效果？

主程序计算了三个主要指标。

拟合优度 R²

R² = 1 - Σ(y-ŷ)² / Σ(y-ȳ)²

R² 越接近 1，说明预测曲线对真实变化解释得越充分。

均方根误差 RMS

RMSE = √[(1/N)Σ(y-ŷ)²]

它直接表示预测值和真实值之间平均偏差的量级。

相对误差

e_rel = (ŷ - y) / y

可以观察每一个测试点的预测偏差占真实值的比例。

所以程序不只是输出预测曲线，也给出了定量预测精度指标。

12. 配套论文给出了怎样的实际结果？

工程自带论文对普通 WNN 和 GA-WNN 做了实验比较。

论文报告结果为：

论文还说明：

GA 搜索大约在 15 代附近已经找到较稳定的优良解。

从论文实验结果看，GA-WNN 相比普通 WNN：

拟合误差降低；预测误差降低；

最大相对误差从 11.49% 降到 8.82%；

拟合优度由 97.18% 提高到 98.16%。

需要注意，论文表格中的 WNN 训练迭代次数是 200，而当前 ga_wavenn_bp.m 中后续 WNN 训练设置为 100，因此论文表格属于配套实验结果，不应把它当成当前脚本每次直接运行都必然得到的固定数值。

13. 为什么不直接使用普通 BP 网络？

普通 BP 网络同样可以逼近非线性函数，但当前 GA-WNN 多用了两层机制。

小波激活函数

通过 a、b 调整局部尺度和位置，使隐藏节点具有更灵活的局部逼近能力。

遗传算法初值搜索

普通 BP 从随机参数开始，GA-WNN 则希望先在更大搜索范围里挑选一组更好的初始参数。

所以相比“随机初始化 + BP”，当前设计希望形成：

更好的初值 + 更灵活的隐层函数 + 梯度精细训练

14. 当前源码中一个影响 GA-WNN 实际执行的关键点

从算法设计上，GA 应该把最终种群中的最佳染色体解码后传给 WNN。

但当前主程序在 GA 结束后使用：bestchrom = C_x(I,:)

其中 C_x 是遗传开始前的初始种群解码结果，并没有随着最终 Chrom 更新。

同时，当前 objfun.m / objfun_1.m 在遍历训练集时没有逐样本重置内部 y、net，并且误差是在整个循环结束后才计算一次。

因此，如果希望当前源码严格实现论文描述的：

“GA 根据整个训练集误差优化 WNN 初值”

运行前应先把这两处 GA 与 WNN 的衔接逻辑校正。

这一点会直接决定“遗传算法找到的最优参数是否真正进入后面的网络训练”，属于理解当前代码结果时最重要的源码细节。

15. 程序最终能得到什么？

运行完成后，最核心的结果包括：

trace：GA 每一代目标值变化；

ynn：177 个测试样本的预测指数；

r2：测试数据拟合优度；

RMS：测试预测均方根误差；

abs_eror：177 个测试点的相对误差；

Wjk、Wij、a、b：训练后的 WNN 参数。

所以这个工程最终得到的不只是一个网络模型，而是：

GA 搜索过程 + WNN 训练 + 177 点股票预测 + 多种误差指标

组成的一套完整时间序列预测实验。

16. 它适合用在哪里？

股票指数预测算法教学

可以理解如何把 6 维历史信息转换成一个未来指数预测值。

GA 优化神经网络实验

程序完整展示了：

染色体编码 → 适应度 → 选择 / 交叉 / 变异 → 网络参数解码

怎样与神经网络连接起来。

小波神经网络学习

Morlet 不只是用来做传统小波分解，也可以直接作为神经网络隐藏层函数参与非线性映射。

非线性时间序列预测

如果把 stock_index.mat 换成其他 6 输入 1 输出的数据，并重新组织训练 / 测试集，相同结构也可以用于其他回归预测实验。

17. 怎么运行？

主程序是：ga_wavenn_bp.m

推荐先按第 14 节校正 GA 最优染色体解码和目标函数逐样本误差累计逻辑，再运行完整 GA-WNN 流程。

当前最值得调整的只有 隐藏节点数、GA 种群 / 代数和 WNN 学习率，它们分别影响网络表达能力、全局搜索量和后续局部训练速度。

18. 一句话看懂这个项目

这是一个GA-WNN 股票指数预测程序：stock_index.mat 提供 4400 组 6 维训练样本和 177 组测试样本，网络结构为 6→7→1，7 个隐藏节点使用 ψ(z)=exp(-z²/2)cos(1.75z) 的 Morlet 小波；GA 用 40 个个体、50 代搜索 Wjk、Wij、7 个伸缩参数 a 和 7 个平移参数 b，共 63 个网络参数，再由梯度学习继续训练 WNN，并输出 177 个指数预测值、R²、RMSE 和相对误差。配套论文报告 GA-WNN 的预测均方误差为 60.6935、最大相对误差 8.82%、拟合优度 98.16%，但当前源码的 GA 最优染色体衔接与适应度累计逻辑需要先校正，才能严格复现“GA 优化 WNN 初值”的设计流程。