BP神经网络股指预测模型.docVIP

BP神经网络股指预测模型(青岛大学，山东青岛) 伍海华 马 媛 高 波BP神经网络预测模型，对2001年上证指数的周 的预测，经过实验比较，发现该模型的收敛速度快，学习能力强，预测精度较高，误差率较小，对股指的短期预测十分有效。BP神经网络，上证指数，非线性动力系统，周收盘价 格伦吉( D·Gelengi)在回顾对当前股票市场的某些研究时，曾提出一个问题：“ 是可预测吗？”ARMA模型、GARCH模型、混沌和分形（H urst指数）、灰色理论等方法都相继运用到了预测股价及股市未来走势中，为投资者的投资 BP神经网络来进行股指预测的方法，该方法优点为：网络结构简单，输入变 BP神经网络预测模型，对2001年上证指数的周收盘价进行了短期的预测，经过 二、基于BP神经网络的股指预测模型 BP神经网络的基本原理与结构 BP（Backpropagation）网络，是目前使用最为广泛的一种人工神经网络。它的核心是BP算法，一种对于多基本子系统构成的大系统进行微商计算的严格而有效的方法。 BP人工神经元模型如图1所示。 其中x ０为阈值，x i(i=1,2,…m)为输入， ? 1 人工神经元模型 Wij(i=0,1,…,ｋ，ｊ=0,1,2,…,m)为神经元之间连接权重，()为传递函数。 V k＝D（m i=1〖DD） i jx i ，x ０=-1,Ｗ i 0=+1 y k＝f(V k） BP算法训练网络时，据每个学习模式对权重的改变量为腤 i j(n+1)= (,Oi)+W i j(n)，缥奥剩为惯性系数，它们共同决定了网络训练过程中 的速度以及稳定性。但BP算法不能保证网络收敛到全局最小点，且网络收敛速度较慢。为此，给出处理方法如下： 1）调整网络的学习速率，使网络保持较高的收敛速率 0∈［鏼in ，鏼ax］，当本次网络的学习平方误差比上次大 4%时，学习率缛≡档0.96倍；当本次网络的学习平方误差比上次小4%时，学习率缛 原 值的1.04倍。当ax 时，取=ax ；当in 时，取= ?min 。 2）调整惯性系数，加速网络收敛 min ，岐﹎ax ］。在该范围内，将惯性系数设为学 习周期的单调 （3）给连接权重加随机数，走出网络学习误差的局部极小点和误差收敛刚性 BP神经网络模型 BP神经网络的特点，可将BP神经网络用于函数 BP神经网络，在此情况下，可被视为在其内部实现了一个特定的时间序列的模型 BP神经网络来逼近的时间序列的典型函数关系一般有以下几种： y i＝f(t i)y i＝f(x i，t i） (1) x? i+n =f (x? i+0 ,x? i+1 ,…,x? i+n-1 )(2) y(1) i , y(2) i, ……y(n) i｝ =F｛x(1) i,x(2) i,……x(m) i｝ (3) 2）来进行股指预测，即用n个过去的值来计算时间序列未来值x i+n ?，这是因为中国的股票市场并不是有效的市场，即不符合EMH有效市场假定，说明当前的股 2）用历史的股指 本文取如图2所示的三层BP神经网络为股指预测模型。 1）第一层为输入层，共n个节点，分别输入归一化处理后的连续的前n周股票指数收盘价 （2）第二层为隐层，根据问题的复杂程度我们取30个节点。 3）第三层为输出层，只有一个节点，输出被预测的股指。 f(V k)=1/（1+e j+)／ 蔼渲需为函数的偏移量， ?0决定着函数过程总的变化速率。 ? 图2 用于大盘股指预测的三层BP神经网络 大，故取输入层的 节点n=4，即用前四周的股指来预测第五周的股指。 对于输入输出样本Y(i)=(Y? i1 ，Y? i2 ,，Y? i3 ，Ｙ? i4 )和Ji (i=1,2,3 ,……,m)，利用该样本对 BP网络进行训练，使该网络实现给定的输入输出关系。经过训练的BP网络，对于不是样本集中的输入也能给出合适的输出，即神经网络具有泛化性质。BP网络学习算法见参考文献① 三、实证分析 （一）数据的归一化处理 在BP神经网络中每个神经元的输出值由传递函数Sigmoid函数来计算，其输出值的范围是（0 1）。S（Sigmoid）型函数是一个非线性函数，而且具有自动增益功能，当输入信号很小时，S型函数处于高增益区，当输入信号幅值变大后，增益减小。若输入值过大，有可能使神经元处于饱和状态，从而失去学习能力。所以对于输入值我们需要进行归一化处理，将信号值处理到 0，1］ 区间内，这样可更好发挥S(Sigmoid)型函数的作用。 2001.1.5日到2001.11.9日期间共42周的上证指数周收盘价作为原始样本数据，在对神经网络进行训练之前，首先把原始数据按一定函数关系式归一到某一无量纲区间。具体方法如下： 5〗max ”ＳＳ〗１≤i≤m〖ＳＸ）〗〖ＳＸ