对前馈型神经网络股价预测的一点改进咸宁学院.docVIP

对前馈型神经网络股价预测的改进 （咸宁学院数学系咸宁 437005 摘要：为减预测误差，的方法是：选择对股价有显著影响的输入变量；调整网络结构及选择参数；优化算法。这些方法都是以实际股价作为网络预测。本文提出的方法是以相邻两天的股价差价作为网络预测。本文在相同的数据上建立股价预测模型股价差价预测模型,并对结果进行对比分析，结果表明差价预测的预测误差小，预测效果好。 关键字：前馈型神经网络差价股价预测。中图分类号: F 832. 0　　文献标识码:A 引言 近年来基于神经网络的股市预测的减预测误差文「1」中采用大量的数值实验进行对比分析的方法，确定了比较适合股票市场预测的初始条件文「2」中是用BP网络模型进行短期预测，采用的是交叉验证集的方法来确定隐层节点数，对输入变量进行敏感性测试，选出影响输出变量最重要的五个因素在文「3」是基于RBF股市趋势预测，其中RBF网络中心点的选取采用最近邻聚类学习算法文「4」提出了一种基于RBF神经网络的股市预测建模方法，采用遗传算法训练RBF网络的参数、权重。从以上文献资料的归纳和对比中，可以看出近年来多数文献把研究重点放在具体的网络拓扑结构设计和相应的学习算法的优化，选择对股价有显著影响的输入变量，来减少预测误差这些方法都是以实际股价作为网络预测。本文提出的方法是以相邻两天股价差价作为网络预测。实验结果表明该方法预测误差小，预测效果好有望取代以实际股价作为网络预测的方法2预测股价的神经网络模型 2.1 数据的准备 对股市价格进行神经网络预测的基础是股市中大量的历史数据，主要有每日开盘价、收盘价、最高价、最低价、成交额和成交量等6个原始数据。本文选用对股价有显著影响的开盘价、收盘价、最高价、最低价作为网络输入。选取个股中国石化（600028）2005年4月1日至2005年12月9日的150组交易数据作为原始数据，数据来源于证券之星网站。 将150组数据分为训练样本和测试样本。把中国石化的2005年4月1日至2005年11月16日期间的120组交易数据给神经网络学习，让神经网络给出剩余数据的股市收盘价的预测。 2.2网络结构,参数设置 用于股价预测的前馈型神经网络主要有BP神经网络和RBF神经网络。本文选用的BP网络。采用三层网络, 网络结构为5L-16-1, L为输入数组的维数，5是技术分析周期采用5 日,隐含层传递函数tansig 函数输出层的传递函数线性函数,。学习率为0. 1。学习时要求输出误差d ≤0.005,训练次数最大设置为500。学习率BP算法来训练网络。实验证明上述一系列参数的选取既可以加快网络的收敛速度，又可以使网络具有较好的逼近精度。 2.3 差价预测模型在相同的输入下,以预测股价,预测差价分别建立网络模型。股价差价范围比股价范围小，会使得差价预测模型的预测误差范围比股价预测模型的预测误差范围小。 是第n 天的收盘价，是第 n-1的收盘价，是相邻两天收盘价的差价，把作为差价预测模型的网络训练目标， 网络输出记为，那么预测的第n 天的收盘价为。 3 实验结果 下分别给出了以开盘价,收盘价和开盘价,收盘价，最高价，最低价两种组合输入的模型预测结果用（MAPE）平均绝对误差百分比来两个模型的预测果。 是第 n-1的收盘价，预测的第n 天的收盘价。是用于网络预测的样本总数。 图1输入向量为（开盘价，收盘价）。 (a) (d) (b) (e) (c) (f) 图1中(a)：差价预测模型网络训练达到目标的步数是9步；(b)：差价预测模型的预测数据与原始数据；(c)：差价预测模型的预测误差 （MAPE=1.1725%）；(d)：收盘价预测模型网络训练达到目标的步数是24步；(e)：收盘价预测模型的预测数据与原始数据；(f)：收盘价预测模型的预测误差 （MAPE=1.7%）。 图2输入向量为（开盘价，收盘价，最高价，最低价）。 (a) (d) (e) (c) (f) 图2中(a)：差价预测模型网络训练达到目标的步数是6步；(b)：差价预测模型的预测数据与原始数据；(c)：差价预测模型的预测误差 （MAPE=1.2%）；(d)：收盘价预测模型网络训练达到目标的步数是19步；(e)：收盘价预测模型的预测数据与原始数据；(f)：收盘价预测模型的预测误差 （MAPE=1.735%）。 4 结束语 结果表明差价预测的