RBF与matlab专业实训.docVIP

一、问题描述 随着股票市场在我国不断发展，股票投资已经成为人们日常生活的一个重要组成部分，研究上市公司股票价格的未来走势、预测某公司的股票价格，不仅有着极其诱人的应用价值，也具有重大的理论意义，备受投资者和学术界关注。股市变化莫测，是一个极其复杂的系统，影响因素太多，要从理论上彻底弄清股市的变化机理将十分困难。但股市确实隐含着规律性，利用神经网络具有逼近任意非线性连续函数的能力，建立输入与输出之间的函数关系， 就可能从历史资料归纳出股价未来的走势，许多研究结果都指出利用神经网络预测股市可以获得较好的结果。 本设计侧重于RBF神经网络预测股票价格和Matlab软件结合的技术实现研究，在学科相互交叉的当代，为跨学科的科学工作者减轻对相关学科、领域的知识和技术的要求，有效地提高工作效率提供一些参考。 二、基本要求 1、RBF神经网络理论 RBF（径向基）神经网络是一种前馈式神经网络，它由输入层、隐含层和输出层组成，其结构见图１。设网络的输入为（x1，x2，…，xm）（y1，y2，…，yp）i个神经元的输入为： 式中，j＝1,2,…，n；in，Wljij个输入神经元到第i个隐含层神经元的权值，Xj为第j个输入向量,bi为第i隐含层神经元的阀值。 图1 RBF神经结构网络图 隐含层第i个神经元的输出为： 式中：l=1,2，…，p，参数c（称为扩展常数）用以调节函数的灵敏度,b和c的关系为：c=0.8326/b，c的大小反映输出对输入的响应宽度，c值越大，神经元间的平滑度也越好。输出层的激活函数为纯线性函数，所以输出层第l个神经元的输出为： 根据已知的输入X=（ x1，x2，…，xm）T=（ t1，t2，…，tp）Matlab神经网络工具箱 神经网络工具箱中的 newrbe() 函数用来设计径向基函数网络，它的调用格式为：net=newrbe(P,T,spread)。其中P和T分别为输入样本向量、输出目标向量；该函数利用迭代方法设计径向基函数网络，每迭代一次就增加一个神经元，直到误差平方和下降到目标误差以下或神经元个数达到最大值时迭代停止。 Matlab中神经网络的仿真是用函数 sim() 来实现的。函数 sim() 的调用格式为：Y=sim(net,P)。其中输入 net 为神经网络对象，P为网络输入，Y为网络输出。 （2）股票价格预测的Matlab实现 在股票市场中，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，本文为了预测个股的价格，直接采用了个股的收盘价作为学习的数据样本和预测对象。 假定有一时间序列x={xi|xi∈R,i=1,2,…，L}m个时刻的值,预测出后p个时刻的值。对数据做一种划分（见表1），以将每个样本的前m个值作为RBF神经网络的输入,后p个值作为目标输出。通过学习，实现从Rm到输出空间Rp的映射，从而达到时间序列预测的目的。 表１ 数据的划分方法 m个输入（P） p个输出（T） x1,x2,…,xm xm+1,xm+2,…,xm+p x2,x3,…,xm,xm+1 xm+2,xm+3,…,xm+p+1 ……… ……… xk,xk+1,…,xm+k+1 xm+k,xm+k+1,…,xm+p+k+1 我们选取中国银行（601988）作为应用实例，以2006年7月5日至2008年8月18日共519个股票交易日的收盘价作为学习样本，预测2008年8月19日至2008年9月5日14个个交易日的股票收盘价价格，本数据取自世纪证券绿色通道版行情系统数据导出，m=5，p=1；经过网络训练和仿真后，网络输出Yi再用公式：，反归一化过程还原股票价格。预测价格与实际收盘价对比（见表2），计算过程见源代码中Matlab程序。 （3）RBF神经网络股票价格预测图形用户界面实现 为了方便那些对神经网络和Matlab专业知识了解不多的人可以快速利用，有必要建立图形用户界面，以利于他们解决实际问题，极大提高工作效率。Matlab有方便的交互式图形界面辅助设计工具Guide，利用这些工具可比较方便地设计出所需要的用户界面；对不太复杂的图形界面，可以用Matlab的uitools工具箱中的命令实现，也很简单。效果见图２。 三、源代码 x=[ 11 12 13 14 15 16 17 18 19 20 21 22 23 24 ]; % x为股票收盘价格时间序列证卷行情系统数据导出x1=x; t=[3.48 3.78 3.66 3.64 3.55 3.56 3.64 3.67 3.7 3.58 3.57 3.76 3.56 3.38 ]; a=minmax(