股指期货合约价格预测中的BP算法应用.docVIP

股指期货合约价格预测中的BP算法应用 本文利用BP网络对数据的压缩性和非 线性映射功能，模拟股指期货合约的各项数据之间的 关系，建立起一个基于神经网络的股指期货合约结算 价格预测系统。用交易数据进行网络训练，生成网络 后，用另外的数据对生成的网络进行验证，验证发现 该网络的预测精度较高，具备一定的应用价值。 关键词：BP算法；人工神经网络；股指期货 引言 股市投资是我们日常生活中一种十分普及的，具 备高风险高收益特性的投资方式。2010年4月，沪深 300股指期货经过证监会的审核，开始在我国发行。 股指期货的推出革命性地改变股票市场的游戏规则， 将期货与股票结合，使市场参与者在股市下跌的时候 可以做空获利 随着祌经网络算法的研究深入发人们逐步将 随着祌经网络算法的研究深入发 人们逐步将 神经网络应用于经济领域，比如金融实际交易分析中。 本文使用matlab工具箱中的BP算法，建立一个具有 平滑学习函数的神经网络，做出一个可以合理响应输 入的数据训练模型，以便对股指期货合约的短期价格 进行检验以及预测判断。 BP神经网络 BP祌经网络的构成 神经网络在很大程度上仿照人脑神经系统的信息 处理、存贮及检索功能，因而人工神经网络的主要功 能具备学习功能、记忆功能、计算功能以及各式智能 处理功能。人工神经网络是人类大脑的一个抽象概念， 是一个由大量的神经元互相连接并且用它的各连接的 权重值的分布向量来表示特定知识概念而组成的一种 较为复杂的网络。 人工神经网络的模型相当多，一般在matlab建立 模型时用得最多，相对于其他工具箱工具来说应用的 最为广泛的是BP (Back-propagation)神经网络。标准 的BP网络由三层神经元组成，分别是输入层、隐含层、 输出层，数据在不同层级间传递，都涉及到一定的权 重因子。 BP网络和BP算法的特点 BP网络的输入和输出是并行的两个模拟量，网络 的输入输出关系由链接各层的权重因子决定，不需固 定的算法，权重因子通过学习信号来调节。学习越多， 隐含层就越多，输出层的精度就越高，其中个别权重 因子的损坏不会对网络输出产生大的影响。 BP算法是由两部分组成，分别是信息的正向传递 和误差的反向传播。在正向传递的过程中，因为输入 信息是逐层传递的，每一层神经元的状态只能影响到 下一层神经元的状态，如果在输出层未得到期望的输 出，则计算输出层的误差变化值，然后开始反向传播， 通过网络将误差信号沿原来的连接通路反传回来，修 改各层神经元之间的权重因子，再次进行信息的正向 传递，反复运行直至达到期望目标。 BP神经网络在期货合约价格预测中的应用 3.1输入层的节点的确定 在matlab中编程的时候，首先考虑输入层的参数 选取。对于股指期货合约价格的变动，从宏观方面来 考虑我们可以认为它受以下因素的影响。 a.宏观经济状况：一些能反映经济运行状况的经 济指标，比如GDP、PPI、CPI,恩格尔系数等；b.宏观 经济政策：政府的一些货币政策和财政政策，比如降 息，降准，减税，社保改革等；c.与标的物相关的各 种信息：比如某些标的指数中的一些权重较大的成份 股进行定增融资、派息转送等；d.国际金融市场走势： 比如国际汇率，石油，黄金等价格波动走势；e.到期 时间长短：股指期货合约有到期日，合约期限的不同 会影响到合约价格的波动变化。 从数据指标方面来考虑，最常接触到的就是沪深 300股指期货合约每日的开盘价、收盘价、最低价、 最高价、交易量、总交易金额等等数据。这6个方面 的数据是精确化的历史性数据，可以直接用于算法里 面的数据训练。因而，在输入层的选择上，本文取这 6组数据作为节点，即输入层的节点数为6。 3.2隐含层节点，输出节点的确立 在这里，出于简便考虑，只选择一层隐含层。这 里只预测第二天的股指期货的结算价，因而输出节点， 可以看作是1。由此可看出建立的本BP网络的一个特 点，那就是多元输入，单项输出。 3.3数据选取 由于需要将数据作为多种用途使用，有的用于学 习训练，有的用于测试输入，因而样本容量必须足够 大。沪深300股指期货，从2010年4月推出起，已经 运行了接近5年时间，有上千天的交易数据。本文拟 选取一个整年，用这一年的交易日数据，来建立模型。 这里通过互联网，从新浪财经网站上查询到2014 年3月1日至2015年2月28日的沪深300股指期货 合约相关交易数据。这一年中，有243个有效交易曰。 其中，选取前233组数据，进行神经网络的训练，选 取后10组，作为测试输入和对照。 利用MATLAB建立预测模型 将收盘价作为丫变量，因为这是模型预测和对照 的数据组。将其他五个参数的数据作为X变量。X变 量是一个243*5的矩阵，Y变量是一个243*1的矩阵。 由于X变量中的前三列与后两列的