基于BP网络股票预测模型分析.docVIP

基于BP网络股票预测模型分析 　　 摘 要：股票市场是一个不稳定的非线性的动态变化系统。股票的价格受多种因素的影响，呈现出非线性的变化规律。在股票价格的预测模型中，BP神经网络具有一定的优越性。它具有很强的学习能力、自适应能力，可以无限地逼近非线性函数。本文通过实例，证实了利用BP神经网络可以对股票进行短期的预测，具有较强的网络泛化能力。 　　 关键词：股票预测 BP神经网络 MATLAB 　　 　　 一、股票预测的意义 　　 改革开放以来，中国的经济正在迅速地发展。股票市场也越来越被人们普遍关注着。股市的诱惑力是不可言喻的，它具有高风险和高收益的双重特征[1]。随着股民队伍的不断壮大，对股市进行投资分析，探寻股市发展的内在规律已是当务之急。股票的预测研究可以在一定程度上帮助人们防患于未然，降低股市灾难性变化带来的巨大损失和打击。股市的暴涨暴跌不仅对投资者是一个重大的打击，对整个股市乃至经济的发展都可能造成大的震荡。因此，对股票进行预测和投资分析，对于股市的稳定和经济的健康发展是有一定意义的。 　　 二、股票价格预测的难度 　　 1、股票价格受到许多因素的影响，具体来说，可以分为两大因素。第一，宏观环境因素，包括国家的财政政策和货币政策、银行利率、政治因素、经济周期等。第二，微观环境因素，包括企业的发展状况、家庭因素、心理预期、风险性偏好、市场供求等。受到种种因素的影响，股票价格具有很大的不确定性。 　　 2、股价数据的高噪声问题对股票价格的预测模型研究带来了很大的难度。由于股票价格受多种因素的影响和冲击，它的数据可能存在很大一部分的奇异点，这些奇异点就会对系统的性能产生很大的干扰，甚至无法求解[2]。 　　 三、股票预测的方法比较 　　 股票预测的传统方法有证券投资分析法、模型预测分析法、时间序列分析法。传统的预测方法可以预测股票在未来一段时间内的大致走势，但是它需要预先知道各种参数以及对这些参数进行复杂的修正。而利用神经网络进行经济预测是一个新兴的应用领域。神经网络是一种模拟人脑神经网络结构从而实现一定的功能的数学模型，因此神经网络也就具有了人脑的一些功能优点。它具有很强的自适应能力、自学习能力、容错能力等[3]，是一种比较适合股票预测的方法。 　　 四、BP神经网络的股票预测原理 　　 BP神经网络是神经网络模型里应用最广泛的一种，三层BP神经网络可以无限逼近任意非线性函数。BP网络通过对纷繁复杂的历史数据的分析和学习，可以自主寻找出参数之间的规律，逼近股票价格变化的非线性特征。比如，本文将以一段连续的日期为输入，以实际股票价格为输出，通过研究这段时间内股票价格的变化规律，预测接下来一天或两天的股票价格的变化趋势。 　　 五、神经网络的基本结构 　　 神经网络的基本结构单元是神经细胞，也称神经元，它是神经网络的基本处理单元。激活函数是神经网络的核心，它的作用是控制输入对输出的激活作用，对输入和输出进行函数转换，将可能无限域的输入变换成指定的有效范围内的输出。神经元模型具有r个输入分量，输入分量与其对应的权值相乘求和作为激活函数的一个输入，b是激活函数的另一个输入，称为偏差或阈值。用矢量来表示权值和输入，则有行矢量W=[W1,W2……Wr]，列矢量P＝[P1,P2……Pr]，则神经元的输出矢量可表示为：A=f（W*P+b）。 　　 六、基于BP网络的股票预测模型分析 　　 BP神经网络的典型结构主要是三层BP神经网络，即一个输入层、一个隐含层、一个输出层。理论上已经证明，三层BP神经网络可以逼近任意非线性函数。BP网络的产生源于BP算法。BP算法是一种监督式的学习算法。其主要原理是：对于r个输入学习样本P1,P2,…,Pr，已知与其对应的输出样本为T1,T2,…,Tr使网络输出层的误差平方和达到最小。用网络的实际输出A1,A2,…,Ar与目标矢量T1,T2,…,Tr之间的误差修改其权值，使Am与期望的Tm尽可能接近。训练BP网络，需要计算网络加权输入矢量以及网络输出和误差矢量，然后求误差平方和。当所训练矢量的误差平方和小于误差目标，训练停止；否则在输出层计算误差变化，且采用反向传播学习规则来调整权值，然后重复此过程[4]。网络完成训练后，对网络输入一个不是训练集合中的矢量，网络将以泛化方式给出输出结果。 　　 神经网络的程序设计看似十分复杂，然而应用MATLAB工具[5]将使得程序的编写变得简单许多。比如，BP网络的所有的学习规则与训练的全过程，可以用函数train来完成，它的使用只需要定义一些相关的参数。下面将以一个实际的例子来说明如何应用BP神经网络来解决实际问题。比如，已知最近35天的某只股票的收盘价如下：6.06，6.06，6.15，6.77，6.67， 6.83，7.03，7.