基于Bp神经网络的股票预测概述.ppt

基于Bp神经网络的股票预测 　　　　　　 BP神经网络 在人工神经网络的实际应用中，80%-90%的人工神经网络模型采用BP网络或者它的变换形式，它也是前向网络的核心部分，体现了人工神经网络最精华的部分。在人们掌握反向传播网络的设计之前，感知器和自适应线性元件都只能适用于对单层网络模型的训练，只是后来才得到了进一步扩展。 反向传播网络（BP网络）是将W-H学习规则一般化，对非线性 可微分函数进行权值训练的多层网络。 　　BP算法由两部分组成：信息的正向传递与误差的反向传播。在正向传播过程中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。 将连续五天的价格作为一组输入，将第六天的价格作为输出目标。既用前五天的价格来预测第六天的价格。所以输入层神经元数目是5。将股票的收盘价作为该预测模型的唯一输出向量，这样，网络输出层的神经元数目即为1。 单隐含层的神经网络模型结构 选择了中国银行（601988）2013/11/1-2014/5/15的收盘价和中国汽研（601965）2013/4/1-2014/5/12的收盘价作数据采集。 根据模型建立的需要，BP神经网络要求样本集合理区间为[0，1]或[