改进动态神经网络在浦发银行收盘价预测研究.docVIP

改进动态神经网络在浦发银行收盘价预测研究 　　摘 要 针对股价具有复杂的非线性动态的特点，提出了一种基于遗传算法（GA）改进的Elman神经网络（GA-ELman）模型。利用遗传算法的全局搜索能力对Elman神经网络的初始权值行优化，建立GA-Elman网络。文章选择上证A股浦发银行（600000）2014年1月2日到2014年8月29日连续183个交易日的数据建立网络，对后面20个交易的收盘价日进行预测。结果表明，本文建立的GA-ELman模型具有较高的预测精度，具有一定实用性。 中国论文网 /3/view-7174179.htm 　　关键词 遗传算法 Elman神经网络 股价预测 　　一、引言 　　对未来股票价格走势的准确把握是投资者比较关心的问题。目前，股价预测经常采用的预测方法有移动平均法、回归分析法、基于神经网络的股价预测、[1]基于小波分析的股价预测。[2]对于神经网络在股价预测中的应用，学者们已经做了大量的研究。而在股价预测中常用的方法是静态前馈神经网络如（BP）和径向基神经网络（RBF）。然而，对股市这一类极其复杂的非线性动力学系统进行预测动态神经网络更合适。Elman神经网络是一种典型的动态回归神经网络，它实质上是在BP神经网络的基础上，通过引入反馈信号使其具备映射动态特征的功能，从而使系统具有适应时变特性的能力。[3]Elman网络采用BP一样的梯度下降法进行网络权值的修正，其缺点是容易陷入局部最优。本文采用遗传算法的全局搜索能力优化Elman神经网络的初始权值，避免其陷入局部最优。最后通浦发银行的股价数据检验了网络的可行性。 　　二、Elman神经网络预测模型 　　（一）Elman神经网络基本原理 　　Elman网络[4]是一个具有局部记忆单元和局部反馈连接的前向回归神经网络，它一般分为四层，包括输入层、隐含层、输出层和承接层。其连接权值可以进行学习修正；反馈连接用来记忆前一时刻的输出值，其连接权值是固定的。承接层从隐含层接收反馈信号，每一个隐含层节点都有一个与之对应的承接层节点连接。承接层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。其结构如下所示： 　　图1 Elman神经网络结构图 　　（二）Elman神经网络数学模型 　　其中和 分别表示M维N维输入输出向量， 　　为隐含层输出向量， 　　。为结构层输出向量，w1，w2，w3分别为输入层到隐含层，承接层到隐含层，隐含层到输出层的权值矩阵，f（*）为隐含层传递函数，h（*）为输出神经元传递函数。Elman神经网络也采用BP神经网络一样的梯度算法进行权值修正，其学习指标函数如下： 　　其中， 为期望输出。 　　三、遗传算法优化的Elman神经网络预测模型 　　（一）遗传算法的基本原理 　　遗传算法（Genetic Algorithms）[5]是一类借鉴生物界的进化规律而产生的并行随机搜索最优化算法，是Holland教授于1962年提出的模拟自然界生物遗传机制和进化而成的一种算法，把参数矩阵进行编码，按照事先所选择的适应度函数规则并通过选择、交叉和变异对个体进行筛选，使适应度值好的个体被保留，适应度差的个体被淘汰。 　　（二）GA-Elman模型的实现 　　第一，初始化种群。把Elman神经网络的输入层与隐含层权值，隐含层与输出层权值及承接层到隐含层的权值看成个体，给每个个体赋予一个实数串。 　　第二，选择适应度函。根据个体得到Elman神经网络的初始权值，用训练数据训练Elman神经网络后预测系统输出，把预测输出与期望输出之间的误差平方和作为个体适应度值。 　　第三，选择操作。根据上述定义的适应度函数，其值越小的个体越好，遗传到下一代的概率越大。本文用轮盘赌法选择操作，每个个体被选中的概率为： 　　为个体的适应度值，为种群规模。 　　第四，交叉操作。两个染色体交叉某部分基因形成两个新个体，第个染色体和第个染色体在第位的交叉方法如下： 　　其中为随机数。 　　第五，变异操作。为了增加种群的多样性，选取第个个体第个基因进行变异操作，方法如下： 　　其中和 是的最大最小值，为当前迭代次数，为最大进化次数，为随机数， [ 0，1] 为随机数。 　　第六，检验适应度值是否达到期望或迭代次数是否达到最大，若达到停止迭代，获新的网络权值；若无，返回步骤3继续循环。 　　第七，利用新的权值构建Elman网络，并进行仿真预测。 　　四、仿真实例 　　（一）样本的选择 　　就股票市场而言，数据样本的选取主要遵循尽可能选择符合交易规律、并且交易特征相对明显的样本；影响股市交易的因素有很多，衡量股票价格变化的指标也很多：如大盘指数、开盘价、收盘价、升跌幅度、成交量，