基于bp神经网络的股票数据分析.docxVIP

基于bp神经网络的股票数据分析 0 多层前向神经网络的时间序列预测方法的优缺点 自公司成立以来，吸引了众多投资者的注意。你的风险和利益非常吸引人。每个投资者都想从中受益。因此，股票价格预测一直是金融挖掘的一个热门研究领域。人们采用各种方法,如K线图分析法、点数图分析法、移动平均线法,甚至抛硬币、算卦等方法来预测股票市场的波动。 研究表明,基于多层前向神经网络的时间序列预测方法是目前最好的方法之一,这主要是因为神经网络具有可任意逼近非线性函数的能力和对于信息的综合能力,这是其他方法所不具有的。但它也存在一些缺点,主要表现在普通的BP算法收敛速度慢且容易陷入局部最优,从而影响了模型的建立和可靠性。另外,神经网络一般利用时间序列的最后几个节点来预测下一个节点的值,没有充分利用历史数据的变化规律,而模式匹配识别方法可以弥补这方面的不足。用模式匹配识别方法进行预测具有较好的拟合度,因为它是以一段较长的历史数据作为参考依据进行预测,由于股票历史数据的变化本来就包含多方面的影响因素,如人为因素、市场规律、突发事件等丰富的信息,因此模式匹配识别预测结果也就包含了这些信息。但股价也不仅仅是简单地重复过去,它随着时间的推移有着自身的变化规律。所以将人工神经网络和模式匹配识别进行结合,应用模式匹配识别系统来产生神经网络的训练数据,用和预测值比较接近的时间序列来训练神经网络的权值,这样能够扬长避短,取得更好的预测结果。 1 人工神经网络bp算法 1.1 神经网络的含义 人工神经网络是由大量类似于神经元的简单处理单元广泛相互连接而成的复杂网络巨型系统。它是在人类对其大脑神经网络认识理解基础上,人工构造的能够实现某种功能的网络。它是理论化的人脑神经网络的数学模型,是实现与模仿人脑神经网络和结构而建立的一种信息处理系统。它实际上是大量的处理单元相互连接组成的复杂的网络,能够进行复杂的逻辑操作和非线性关系的实现。 人工神经网络是通过修改连接强度,即权值调整,表现出类似于人脑的分析、归纳的能力。研究它的目的就在于探究人脑加工、储存、处理信息的机制,进而探究将这个原理应用到信号处理等方面的可能性。 神经网络在预测非线性的系统方面有着很大的优势,它通常应用历史数据来训练网络,并利用在时间上最靠近预测数据的几个时间序列数据来预测实际输出。神经网络按网络结构可以分为层次神经网络和互联型神经网络。层次神经网络源于20世纪60年代出现的感知器。其后,在80年代中期, D.E.Rumelhart 等人发表了称为反向传播(BP)算法的学习算法,同时给出了使用BP算法的实例。 1.2 bp算法原理 BP神经网络,即多层前馈反向传播神经网络,由一个输入层,一个或多个隐层,一个输出层组成。它可以用来模拟非线性映射模型,用来解决现实世界中的分类、估价、预测等问题。在理论研究和实际应用中,人们最常用的是具有线性输出的单隐层网络,即三层前馈反向传播神经网络。 BP算法的学习过程主要分成两个阶段,即信息的前向传播和误差的反向传播。在前向传播过程中,输入信息由输入层经过隐层单元逐层处理,并传向输出层,第一层神经元的状态只影响到下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,使得误差信号最小。具体算法描述如下: (1) 给每个级别 输入节点的输出 Xj 2隐藏节点的输出 Yi=f(∑iWijXj+θi)Yi=f(∑iWijXj+θi) 其中Wij为输入层与隐层之间的连接权值,θi为隐层结点阈值。 完成后的输出连接输出 Ol=f(∑iTliYi+γl)Οl=f(∑iΤliYi+γl) 其中Tli为隐层与输出层之间的连接权值,γl为输出结点阈值。 (2) 输出层与隐层之间的连接权值 沿着误差函数负梯度方向修改权值使得网络收敛。 对输出单元,误差为: δli=[O′l(t)-Ol(t)]{Ol(t)[1-Ol(t)]} 对隐层单元,误差为: δij=Yi(t)[1?Yi(t)](∑lδlTli)δij=Yi(t)[1-Yi(t)](∑lδlΤli) 输出层与隐层之间的连接权值按下式修正: Tli(t+1)=Tli(t)+ηδliYi(t) 隐层与输入层之间的连接权值按下式修正: Wij(t+1)=Wij(t)+ηδijXj(t) 其中O′l(t)为期望输出,Ol(t)为神经网络实际输出,η为步长经验值,它的大小关系到学习速度的快慢。Tli(t+1)和Wij(t+1)都为当前的权值修正值,而Tli(t)和Wij(t)则为上一学习周期的权值修正值。 2 模式匹配识别 一个预测系统是否具有科学性,很大程度上依赖于其计算模型的选择,数据的数量和质量,以及其数据挖掘的能力。将模式匹配识别用于金融数据挖掘,在国内外比较少,但也有人取