基于神经网络对我国股票市场技术分析实证检验.docVIP

基于神经网络对我国股票市场技术分析实证检验【摘要】 本文研究的主要目的是通过对我国股票市场进行实证分析,揭示运用技术分析这一分析工具在我国股票上进行投资是可行的。其大致思路是,通过介绍技术分析和神经网络的相关理论,利用BP神经网络对非线性问题的良好处理能力,对股票相关技术指标与收盘价进行训练,最后利用训练好的网络根据其他的技术指标进行价格预测,通过预测值与真实值的对比并得出相关结论。 【关键词】 技术分析 神经网络 BP算法 一、技术分析的理论基础 本文的理论基础是股市技术分析中道氏理论中的三大假设:其一,市场行为涵盖一切信息;其二,价格沿趋势移动;其三,历史会重演。根据道氏三大假设,股市是可以预测的,至少是短期可预测的。所谓股票的技术分析法是相对于基本面分析法而言的。技术分析法是通过图表或者技术指标的记录,研究市场过去以及现在的行为反映,以推测未来的价格变动趋势。其依据的技术指标的主要内容是由股票价格、成交量和指数的涨跌等数据计算所得。在此就本文中所使用的指标进行简单的介绍。 均线指标:实际上是移动平均线指标的简称。由于该指标是反映价格运行趋势的重要指标,其运行趋势一旦形成,将在一段时间内继续保持,趋势运行所形成的高点或低点又分别具有阻挡或支撑作用,因此均线指标所在的点位往往是十分重要的支撑或阻力位,这就为我们提供了买进或卖出的有利时机,均线系统的价值也正在于此。 KDJ指标:随机指标KDJ一般是根据统计学的原理,以最高价、最低价及收盘价为基本数据进行计算,得出的K值、D值和J值分别在指标的坐标上形成的一个点,连接无数个这样的点位,就形成一个完整的、能反映价格波动趋势的KDJ指标。它主要是利用价格波动的真实波幅来反映价格走势的强弱和超买超卖现象,在价格尚未上升或下降之前发出买卖信号的一种技术工具。它在设计过程中主要是研究最高价、最低价和收盘价之间的关系,同时也融合了动量观念、强弱指标和移动平均线的一些优点,因此,能够比较迅速、快捷、直观地研判行情。随机指标KDJ最早是以KD指标的形式出现,而KD指标是在威廉指标的基础上发展起来的。不过威廉指标只判断股票的超买超卖现象,在KDJ指标中则融合了移动平均线速度上的观念,形成比较准确的买卖信号依据。在实践中,K线与D线配合J线组成KDJ指标来使用。由于KDJ线本质上是一个随机波动的观念,故其对于掌握中短期行情走势比较准确。。 MACD指标:MACD称为指数平滑异同移动平均线(Moving Average Convergence and Divergence)。是从双移动平均线发展而来的,由快的移动平均线减去慢的移动平均线,MACD的意义和双移动平均线基本相同,但阅读起来更方便。当MACD从负数转向正数,是买的信号。当MACD从正数转向负数,是卖的信号。当MACD以大角度变化,表示快的移动平均线和慢的移动平均线的差距非常迅速的拉开,代表了一个市场大趋势的转变。MACD是一项利用短期移动平均线与长期移动平均线之间的聚合与分离状况,对买进、卖出时机作出研判的技术指标。 二、神经元 神经元是神经网络中的基本处理单位,图1是一种典型的神经元模型,它是模拟生物神经元的细胞体、树突、轴突、突触等主要部分而构成。 三、BP算法 1、BP算法的基本思想。学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播:输入样本-输入层-各隐层(处理)-输出层(若输出层实际输出与期望输出不符,则误差反向传播过程)。误差反向传播:输出误差(某种形式)-隐层(逐层)-输入层。其主要目的是通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值(其本质,是一个权值调整的过程)。权值调整的过程,也就是网络的学习训练过程(学习也就是这么的由来,即是权值调整)。 2、BP算法实现步骤。初始化;输入训练样本对,计算各层输出;计算网络输出误差;计算各层误差信号;调整各层权值;检查网络总误差是否达到精度要求。满足,则训练结束;不满足,则返回步骤2。 3、多层感知器(基于BP算法)的主要能力。第一,非线性映射:足够多样本学习训练能学习和存储大量输入-输出模式映射关系。只要能提供足够多的样本模式对供BP网络进行学习训练,它便能完成由n维输入空间到m维输出空间的非线性映射。第二,泛化:输入新样本-完成正确的输入、输出映射。第三,容错:个别样本误差不能左右对权矩阵的调整 4、标准BP算法的缺陷。第一,易形成局部极小(局部最优)而得不到全局最优。第二,训练次数多使得学习效率低下,收敛速度慢(需做大量运算)。第三,隐节点的选取缺乏理论支持。第四,训练时学习新样本有遗忘旧样本趋势。 四、神经网络特点及在证券市场的适用