《基于改进回声状态神经网络的个股股价预测》是一篇探讨如何利用先进的机器学习方法来提升股价预测准确性的研究论文。作者李莉和程露来自江苏大学计算机科学与通信工程学院，他们关注的是如何在非线性的股市环境中，通过改进回声状态神经网络（Echo State Neural Network, ESN）来提高预测精度，为股票投资者提供更可靠的参考。
回声状态神经网络是一种特殊的递归神经网络，其核心特点是网络内部的状态能够保留过去的输入信息，从而在处理时间序列数据时表现出强大的泛化能力。然而，ESN的原始形式在处理复杂任务时可能会遇到泛化能力不足的问题。为了解决这一问题，论文提出了一种改进的ESN模型，结合了改进的粒子群优化算法（GTPSO）。
粒子群优化算法（PSO）是一种基于群体智能的全局优化算法，它模拟了鸟群寻找食物的行为，通过粒子间的交互寻找最佳解决方案。然而，PSO在某些情况下可能陷入局部最优，无法找到全局最优解。因此，研究者引入了禁忌搜索算法（TS）中的禁忌思想和遗传算法（GA）中的变异策略来增强PSO的全局搜索能力，形成了GTPSO算法。这种改进使得ESN的输出连接权重能够更有效地被优化，从而提高预测的准确性。
在实际应用中，该模型用于预测个股每日收盘价。论文选取每10天的收盘价作为输入，目标是预测第11天的收盘价。通过实验验证，模型的预测效果得到了证实，显示出了较好的预测性能。
论文的研究成果对于股票市场的预测模型具有一定的理论和实践价值。一方面，改进的ESN模型能更好地适应股市的非线性特征；另一方面，GTPSO算法的优化能力有助于避免模型陷入局部最优，提高了预测的可靠性。这对于股票投资者来说，可以提供更为精确的决策依据，降低投资风险。
总结来说，这篇论文提出了一个结合了改进回声状态神经网络和优化算法的股价预测模型，通过实验展示了其在处理复杂股市数据时的优越性能。这种方法为金融领域的数据分析和预测提供了一种新的思路，对于提升股市预测的准确性具有重要的参考意义。
