基于BP网络的股票数据预测模型.docxVIP

PAGE PAGE 1 PAGE PAGE 1 基于BP网络的股票数据 预测模型 姓名： 江政 班级： 控制2015级 学号： 2015028081100015 2016 年6月 26日 PAGE PAGE 7 PAGE PAGE 1 需求分析和网络结构设计 根据我们对自然神经系统的构造和机理的认识，神经系统是由大量的神经细胞（神经元）构成的复杂的网络，人们对这一网络建立一定的数学模型和算法，设法使它能够实现诸如基于数据的模式识别，函数映射等带有“智能”的功能，这种网络就是神经网络。其中，BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差反向传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事先揭示描述这种映射关系的数学 方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的 误差平方和最小。是目前应用最广泛的 神经网络模型之一。因此理解BP网络结构和权值调整算法对学习其他神经网络具有重要作用。 针对150组股票数据进行拟合（详细数据请见《附件1》），选取其中的开盘、最高、最低、收盘和成交次数五组数据，用当日的这五组数据来预测次日的收盘数据，从而等效建立一个股票数据预测模型。采用包括输入层、隐含层和输出层的三层BP网络结构，如图1所示，输入层包含五个神经元，隐含层包含三个神经元，输出层为一个神经元。其中，隐含层神经元的激活函数采用非对称型Sigmoid函数，函数表达式为：，输出层神经元的激活函数采用线性函数，表达式为：。将150组数据分为三等份，其中两份作为训练样本，用来对网络进行训练学习；另外一份作为测试样本，用来检验所训练出的网络的泛化能力。采用BP算法对隐含层和输出层权值进行修正，以达到计算输出和实际样本输出相差最小，最终实现较精确预测的目的。 图1 预测模型的网络结构 MATLAB源程序（版本不限） clear all clc clf %采用三层BP网络结构 %输入层神经元数为5，隐含层神经元数为3，输出层神经元数为1 %最大迭代次数 maxcishu=5000; %e为计算输出和样本实际输出差 %在内存中开辟maxcishu个存储空间 e=zeros(maxcishu,1); % 输入数据维度5，输入节点数5 % maxp当日最高价序列 % minp当日最低价序列 % sp当日开盘价 % ep当日收盘价 % tnum当日成交量 % 调用数据 %shuju=xlsread(dm.xlsx, B1:K151); shuju=importdata(dm.xlsx); sp=shuju.data(:,1); maxp=shuju.data(:,2); minp=shuju.data(:,3); tnum=shuju.data(:,10); ep=shuju.data(:,4); %将数据集按照2:1分为训练样本集，和测试样本集 jishu=length(ep); jishu=ceil(jishu/3*2) ; %测试样本集是2/3处到最后一个 spt=sp(jishu+1:end); maxpt=maxp(jishu+1:end); minpt=minp(jishu+1:end); tnumt=tnum(jishu+1:end); ept=ep(jishu+1:end); %训练样本集 sp=sp(1:jishu); maxp=maxp(1:jishu); minp=minp(1:jishu); tnum=tnum(1:jishu); ep=ep(1:jishu); %记录下每组的最大值最小值，为训练样本集的归一化准备 maxp_max=max(maxp); maxp_min=min(maxp); minp_max=max(minp); minp_min=min(minp); ep_max=max(ep); ep_min=min(ep); sp_max=max(sp); sp_min=min(sp); tnum_max=max(tnum); tnum_min=min(tnum); % 目标数据为次日的收盘价，相当于把当日收盘价时间序列向前挪动一个单位 goalp=ep(2:jishu); %数据归一化,将所有数据归一化到(0 1) guiyi=@(A)((A-min(A))/(max(A)-min(A))); maxp=guiyi(maxp); minp=guiyi(minp); sp=guiyi(sp); ep=guiyi(ep); tnum=guiyi(t