基于神经网络股票市场预测.docVIP

基于神经网络股票市场预测 　　[摘 要] 本文将人工神经网络方法引入时间序列预测,针对股票市场这一非线性系统,运用神经网络,在历史数据时间序列的基础上,对股票市场的价格走势进行了理论、方法与模型的研究。本文利用RBF神经网络对上证综指进行了预测研究,获得了较好的预测效果。 　　[关键词] 神经网络 RBF 股票 预测 　　 　　一、引言 　　股票市场是国民经济的晴雨表,其作用不仅被政府所重视,更受到广大投资者的关注。对投资者来说,未来股价变化趋势预测越准确,对利润的获取及风险的规避就越有把握;对国家的经济发展和金融建设而言,股票预测研究同样具有重要作用。因此对股票内在性质及预测的研究,可以帮助投资者更好地预测和分析股市,优化组合投资,降低投资风险,获得最大收益,具有重大的理论意义和诱人的应用前景。 　　自股票出现以来,股票预测便受到学术界的广泛关注与积极研究,国内外许多学者对其进行了研究,提出了许多预测分析方法。如:证券投资分析方法、时间序列分析法、专家评估法、马尔可夫法等等。自20世纪90年代初至今,人工智能得到了很大的发展,特别是神经网络的研究取得了划时代的进展,并且应用于各个领域。在金融领域,以欧美为中心,很多学者开展了神经网络的研究与应用。本文利用上海证券综合指数(下称“上证综指”)400多个交易日的每日收盘价作为样本,建立神经网络模型,并尝试进行预测。 　　二、神经网络 　　1.人工神经网络简介 　　人工神经网络(Artificial Neural Network),亦称神经网络,是由大量处理单元(神经元Neurons)广泛互联而成的网络,是对人脑的抽象、简化和模拟,反映人脑的基本特性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为,模拟人脑信息处理的功能。人工神经网络是由简单的处理单元所组成的大量并行分布的处理机,这种处理机具有存储和应用经验知识的自然特性,它与人脑的相似之处概括为两个方面:一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元(突触权值)用来存储获取的知识信息。 　　从神经网络的基本模式看,主要类型有:前馈型、反馈型、自组织型及随机型网络。近几年由于模糊、分形???小波理论与神经网络的结合分别形成了模糊神经网络、分形神经网络及小波神经网络。 　　2.BP神经网络 　　目前,在众多神经网络中,误差反向传播(Error Back Propagation)网络由于其良好的逼近能力和成熟的训练方法而得到了最为广泛的应用。BP网络由Rumelhart等人于1985年建立,它是一种多层前馈神经网络,由一个输入层、一个输出层和若干个隐含层所组成。位于同一层的单元之间不允许有连接,各层的单元只能向高层的单元输出激活信号。BP网络采用有教师的学习规则,其算法的核心是通过一边向后传播误差,一边修正误差的方法来不断调节网络参数(权、阈值),以实现或逼近所希望的输入、输出映射关系。 　　3.径向基神经网络 　　RBF(Radial Basis Function)神经网络是一种由输入层、隐含层和输出层组成的神经网络。RBF网络是采用一组正交归一化的径向基函数的线性组合来逼近任意函数。从输入层到隐含层通过径向基函数完成非线性变换;而隐单元到输出空间是线性映射的,因此输出层权值的调整可通过线性规划方程直接算出,大大加快了学习速度,避免了局部极小问题。Broomhead和Lowe[2]1988年首次将径向基函数用于神经网络设计。Light[3]和Powell[4]证明了RBF网络能够逼近任意紧集上多变量连续函数到任意精度,因此,RBF网络具有优良的特性。 　　RBF网络不仅收敛快,而且拟合误差小。而BP网络由于隐层激活函数是全局的,如果要进一步提高拟合精度,需要增加隐层单元数或选择多个隐层结构的网络,但这样很容易导致拟合的局部振荡,影响网络的泛化能力。本文选用RBF神经网络进行大盘指数的预测研究。 　　三、上证指数的RBF神经网络预测 　　1. 建立网络模型 　　为建立神经网络模型,现假设上证指数的日收盘受到前10天的收盘价影响。使用RBF神经网络模型对上证指数时间序列进行预测,步骤如下: 　　(1)选取样本数据。选取2005年5月12日至2007年4月13日,共470个交易日的上证指数收盘价作为样本数据。将前440个交易日的数据作为训练数据,后30个交易日的数据作为预测和验证数据。 　　(2)数据预处理。为了提高RBF网络的准确度,将数据进行归一化处理,即将所有数据线性映射到[-1,1]中。 　　(3)建立RBF网络并训练。将10个交易日的数据作为网络的输入,后10个交易日数据作为输出,共得到44组训练数据。 　　(4)预测数据验证。将测试数据输入训练好的网络