基于ARIMA模型与神经网络模型股价预测.docVIP

基于ARIMA模型与神经网络模型股价预测 　　摘 要 了解并掌握股价运行的规律是许多投资者和学者所关注的领域，采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测，并对比了两模型的预测精度，结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果. 　　关键词 股票价格；ARIMA模型；BP神经网络；预测 　　中图分类号 F832 文献标识码 A 　　Abstract Understanding and mastering the regular pattern of stock operation is an area concerned by many investors and scholars. This paper adopted the ARIMA model and BP neural network to modeling and prediction armed on closing price of the BIDU and BABA. Besides comparing them according to the prediction accuracy， the results show that the two forecasting models can achieve the ideal prediction precision and the effect of short-term forecasting is feasible. 　　Key words stock-price； ARIMA model； BP neural network； prediction 　　1 引 言 　　目前，股票投资成为许多人理财的方式之一，也有越来越多的学者投入到股市的分析与股价的预测中.股票数据通常具有时间的先后性，可以认为是一种时间序列数据，具有显著的非线性、时变性特征，人们对于股市的预测研究已经进行若干年，并提出许多的预测算法[1]. 　　时间序列分析方法有很多，其中，目前应用最广泛的最常见的时间序列模型之一是ARIMA模型，这是由于它的简单性、可行性和灵活性 [2，3].另外，神经网络模型分析也是现代金融时间序列分析的一个常见方法.目前，有关分别建立ARIMA模型和神经网络模型对时间序列进行预测分析的文献并不少.熊志斌（2011）先利用ARIMA模型预测线性主体，再结合神经网络预测主体的残差部分，并以人民币汇率序列为例，证实其模型预测的有效性[4].蒋燕（2006）采用ARIMA模型对广西全社会固定资产投资额数据进行预测分析，得到较准确的预测结果[5].马法尧（2014）通过以我国家电行业某企业年销售额为实例构建预测模型，表明BP神经网络比ARMA模型的预测精度更高 [6].樊重俊和樊鸿飞（2008）通过谈论了神经网络方法和传统的统计预测方法的对比，说明了神经网络方法有助于提高精度[7].郝勇和刘继洲（2006）运用BP神经网络，对公用事业指数波动规律进行预测和分析，达到预测精度较理想的效果[8]. 　　本文先探讨了ARIMA模型和BP神经网络模型在时间序列分析中的预测原理与应用，再以百度（BIDU）、阿里巴巴（BABA）的收盘价作为股价的时间序列为实证，分别建立了ARIMA模型和BP神经网络模型进行预测，并比较两种模型预测的精度，检验模型的有效性. 　　2 ARIMA与BP神经网络模型简介 　　2.1 ARIMA模型原理 　　将自回归模型的差分形式与移动平均模型结合，所得结果是一个ARIMA模型.它先对非平稳的时间序列进行d阶差分来构造一个平稳的新序列，再对新序列进行自回归和移动平均拟合，确定模型的阶数p和q，即对新序列建立ARMA（p，q）模型，通过模型诊断后进行预测.ARIMA（p，d，q）模型的方程表示为： 　　2.2 BP神经网络模型原理 　　BP神经网络，它是目前应用于经济和金融领域预测的比较广泛的神经网络.它将原始信息输入到由一个或几个神经元构成的输入层，而这些神经元向前连接到下一层，直到到达输出层.图1网络是一个2-3-1的BP神经网络结构图. 　　假定现有时间序列Xt，若网络输入N个历史数据，输出是下一时刻的预测值，则称为叫单步预测法.若网络输入N个历史数据，输出是下M个时刻的预测值，则称为多步预测法[9].本文采用的是单步预测法. 　　为了构建BP神经网络模型，首先，确定网络模型的输入和输出数据.接着便是确定网络的结构，即把输入层、输出层和隐含层的神经元个数给确定下来.输入层的神经元个数由输入数据确定，输出层神经元个数由输出数据个数确定，而隐含层中神经元个数的选择也是比较重要的[10]，它对神经网络预测的精确度有较