基金专题研究报告基于神经网络的基金净值预测根据大脑的组织机构.docVIP

基于神经网络的基金净值预测根据大脑的组织机构和运行机制必有其绝妙的特点，从模仿人脑智能角度出发，来探寻新的信息表示、存储和处理方式，设计全新的算机处理结构模型，构造一种更接近人类智能的信息处理系统来解决实际工程和科学研究领域中传统的冯·诺依曼计算机难以解决的问题，必将大大促进科学进步，并会在人类生活的各个领域引起巨大变化，这就促使人们研究人工神经网络系统。简而言之，人工神经网络就是模仿人脑工作方式而设计的一种机器，它可以用电子或光元件实现，也可以用软件在常规计算机上仿真；或者说人工神经网络是一种具有大量连接的并行分布式处理器，它具有通过学习获取知识并解决问题的能力，且只是分布存储在连接权中，而不是像常规计算机那样按地址存在特定存储单元中。它的性能是由两个方面决定的:一是神经元处理信息的方式，另外一个就是神经元之间互相连接的方式。 图1 神经元处理模型 数据来源：东方财富choice终端 天天基金研究中心 神经元与神经元之间不同的连接方式，构成了不同类型的神经网络。神经网络可以具有多层结构，一般具有输入层、中间层和输出层。输入层接受外部的输入信号，并由各输入单元传送给直接相连的中间层各单元；中间层是网络内部处理单元层，与外部无直接连接。神经元网络所具有的模式变换能力，如模式分类、模式完善、特征抽取等，主要是在中间层进行的。根据处理功能的不同，中间层可以有多层，也可以没有；输出层是网络输出运行结果并与显示设备或执行机构相连接的部分。 BP神经网络的信息从输入层流向输出层，因此是一种多层前馈神经网络。如果多层BP网络的输出层采用S形传输函数，其输出值将会被限制在一个较小的范围内，而采用线性传输函数则可以取任意值。 图2 三层BP神经网络模型 数据来源：东方财富choice终端 天天基金研究中心 下面简单 BP 网络学习规则的学习过程及步骤，首先对各符号的形式及意义进行说明。 网络输入向量Pk=（a,a2,……an）； 网络目标向量Tk=（y,y2,……yn）； 中间层单元输入向量Sk=（s,s2,……sp），输出向量Bk=（b，b2，……bp）； 输出层单元输入向量lk=（l，l2……lq），输出向量Ck=（c1，c2……cq）； 输入层至中间层的连接权wij，i=1,2……n，j=1,2……p； 中间层至输出层的连接权vjt，j =1,2……p，t=1,2……p； 中间层各单元的输出阈值θj ，j=1,2……p； 输出层各单元的输出阈值γj ，j=1,2……p； 参数k=1,2……m 初始化。给每个连接权值wij vjt 阈值θj 、阈值γj赋予区间（-1,1）内的随机量。 随机选取一组输入和目标样本Pk =(a1k ，a2k …… ank)，Tk=（s1k，s2k……spk）提供给网络。 用输入样本Pk =(a1k ，a2k …… ank)，连接权wij和阈值θj计算中间层各单元输出入sj 然后用sj通过传递函数计算中间层各单元的输出bj 。 4.利用中间层的输出bj ，连接权vjt和阈值γj计算输出层各单元和输出Lt，然后利用通过传递函数计算输出层各单元的响应Ct。 5.利用网络目标向量Tk =（y1k y2k……yqk），网络的实际输出Ct，计算输出层各单元一般化误差dtk。 6.利用连接权vjt，输出层的一般化误差dt和中间层的输出bj计算中间层各单元的一般化误差ejk。 7.利用输出层各单元的一般化误差dtk与中间层各单元的输出bj来修正连接权vjt和阈值γj。 8.利用中间层各单元的一般化误差ejk，输入层各单元的输入Pk=（a1，a2……an）来修正连接权wij和阈值θj 9．随机选取下一个学习样本向量提供给网络，返回步骤(3)，直到 m 个训练样本训练完毕。 10．重新从 m 个学习样本中随机选取一组输入和目标样本，返回步骤(3)，直到网络全误差 E 小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。 进行模型构建。数据准备包括原始数据的收集、数据分析、变量选择和数据预处理等诸多步骤。 （1）确定输入、输出数据的选择 一个待建模系统的输入——输出就是神经网络的输入输出变量。这些变量可能是事先确定的，也可能不够明确，需要进行一番筛选。输出量代表系统要实现的功能目标，其选择确定相对容易一些。本研究的功能目标就是预测基金净值。输入是影响基金净值的各种因素的特征数，理论上影响因素的个数即输入层的个数，但是忘了输入过多，输入层和隐含层之间的权值就成倍的增加。经验表明：训练样本数应该是网络连接权总数的5-10倍，才能达到较好的映射效果。要遵循选择输入量的两个基本原则：要选择那些对输出影响大且能够检测或提取的变量，删除那些对输出影响小或不能检测的变量；要