基于神经网络的股票价格走势预测及其MATLAB实现 - 论文(3)

11.人气买卖指标(AR)

股市中买卖双方的气势主要反映在每日股指最高点、最低点及开市点三者之间的关系上。人气买卖指标(AR)指标是利用一定周期内三者的差异及比值反映出股市强弱、买卖气势的指标。

12.买卖意愿指标(BR)

BR指标反映的是昨日股指收盘价与今日最高股指和最低股指之间的强弱走势，从而反映股指意愿。

2.3股票数据的特点

在前面我们已经分析过，股票市场预测的常用变量和指标，而这些数据信息的本质反映的是股票市场上多方复杂博弈的体现，这就直接导致了股票市场上的数据本身具有一些特殊的性质。这些特殊的性质才导致股票价格预测的难度，可这也正是学者们研究的动力。 1.股票市场上的数据含有较多噪声。

虽然在前面我们对股市预测的基本假设中已经表明，股票市场上历史总是会重演，因此我们可以用过去已有的数据黑箱预测未来股价波动，但实际上股票市场上经常会有一些突发事件，它们并不会使股票价格的结构(趋势、周期等)发生质的改变，仅仅会使股市数据发生暂时的偏离，但很快又会恢复到原来的趋势及周期上去。例如：一国突发性的产生大规模的食品安全问题、发生强烈地震等自然灾害、机构大户的黑幕操作、局部武装冲突等等。为了消除这些突然出现的噪声奇异点，在线性的条件下，一般可以通过设计各种滤波器将噪音滤除，但在非线性条件下却不能轻易处理，因为它们可能预示着股市基本结构将要发生变化的趋势，故而股票数据的这种特性要求处理股市数据的预测系统具有良好的鲁棒性。 2.股市上的数据具有非线性特性。

股票价格自身以及影响其波动的因素多种多样，这些变量之间往往呈现出非线性特性，并且这些非线性之间的数据关系一般都很复杂多元化，因此要求股市预测模型应具有强大的处理非线性问题的能力。虽然已经发展起来的非线性数学、耗散结构理论等为描述非线性动力学系统提供了一些可用的工具，但实际应用于股票市场上实证分析仍有不少亟需解决的问题。

3.股市数据往往反映了投资者的主观性。

股票市场无论怎么复杂多方博弈，其实际操作者都是投资者这些人的因素，而这些不同的投资者投资行为各有不同。不同的投资者所思考的投资方式不同，达到的目的不同，所获得的股市已有的信息也不同，所关心的具体个股或是大盘走势侧重点不同，这都导致了股票交易具有极大的主观性。投资者的主观性，使得股票预测误差相当大，并且随着时间的累加误差逐渐放大。与其他物理动力学系统不同，在股市预测系统中，对过去的样本数据的最好匹配并不能保证是最好的未来预测，即建模数据的最小误差准则并不是提高预测精度的最好准则，一种预测方法过去和现在的表现不能说明其未来的预测结果。 4.我国的股市波动具有很强的政策性导向。

由于我国股市建立时间短，投资者的投资心态还不十分成熟，市场经济体制还不完备，股市上还存在很多国有巨头操盘，并带有很多计划经济体制的特征，因此我国股市对于国家的政策性导向非常敏感。故而我国上证和深证中经常出现所谓的暴涨暴跌，因此很难用一个稳定的模型来对这种股市的变动做出准确的预测。

11

三． 神经网络的基本原理介绍

3.1人工神经网络的定义和发展过程

人工神经网络(Artificial Neural Networks，ANN)，是人工智能的一种核心方法，是人类中枢（大脑）神经系统的简化模型，是由大量简单的并行分布的计算单元（神经元，neurons）互相连接而成的自适应非线性系统。

神经网络作为一种对人脑的最简单的抽象和模拟，是探索人类智能奥秘的有力工具，近年来它已经发展成为一门设计生物、电子、计算机、数学、物理等多学科相互交叉的前沿性课题，其具有广泛的应用前景。

神经网络的研究始于20世纪40年代。半个多世纪以来，它经历了一条由兴起到衰退、又由衰退到兴盛的曲折的发展过程，这一过程大致可分为以下的四个阶段。 1.初始发展阶段：1940’s初，导致了人工智能的研究。

早在1943年，心理学家W.S.McCulloch和数学家W.Pitts在研究生物神经元的基础上合作提出的“兴奋”与“抑制”两种状态的神经元模型和Hebb提出的神经元连接强度的学习规则，开始了神经科学理论的研究。

1957年，F.Rosenblatt提出了著名的感知器（Perceptron）模型，这是第一个真正的人工神经网络。

1962年，B.Widrow和M.E.Hoff提出了的自适应线性单元（Adaline）网络，其具有自适应学习功能，在信号处理、模式识别等方面受到普遍重视和应用。 2.低潮时期：1960’s末，这个时期对神经网络的研究进展不大。

20世纪60年代到70年代，神经网络系统理论的发展处于一个低潮时期，造成这种情况的原因是发展过程中遇到了本质的困难，即电子线路交叉极限的困难。在当时计算机技术还不够发达的状况之下，神经网络的应用没有展开，而人工智能和专家系统还处于发展的高潮期，因此很多学者放弃了对神经网络的研究。

3.重新兴起时期：1980’s 中，这个阶段导致的对神经网络的研究热潮，致使几乎将其应用于所有工程领域。

1982年和1984年，John.J.Hopfield博士先后在美国国家科学院的刊物上发表了其著名的Hopfield模型理论，这是一个非线性动力系统的理论模型，它引起了各国学者的关注，并力图将这一数学模型进行电子学或光学的硬件实现。这就形成了人工神经网络的队伍。1986年D.E.Rumelhart等提出了PDP(Parallel Distributed Processing)网络思想。其中的误差反馈传播算法，即BP算法，已成为至今影响最大、最为广泛的一种网络学习算法。 4.发展高潮期：2000以后。

20世纪90年代以来神经网络理论变得更加外向，注视着自身与科学技术之间的相互作用，不断产生了具有重要意义的概念和方法，并形成了良好的工具。21世纪初，在这十几年学者们的努力下，神经网络理论的主要前沿领域包括：对智能和机器关系问题的认识进一步增长；神经计算和进化计算取得重大进展；神经网络结构和神经元芯片作用不断扩大。

3.2 神经网络基本原理

3.2.1神经元模型

生物神经元是一个小细胞，具有如下功能： 1.接收来自感官或其它细胞的输入（输入功能）； 2.产生电输出响应，并传给其它神经元（输出功能）。 而人脑包含：1010~1012个神经元，这其中：

12

?输入， 输出神经元： 占10% (外部信息、决策) ?4 占90%，（每个神经元平均和 10个神经元连接）?互相连接的神经元：生物神经元主要有三个组成部分：细胞体、轴突、树突。（如下图所示）

突触(连接强度) 树突：Input (接收信息)

细胞体

轴突：Output (传输信息)

图1生物神经元简图

说明：树突（接收信息）：接收来自其它神经元的电信号，并传给细胞体。

?加权求和?细胞体（信息处理器）对输入信号：?阈值处理 （数学描述）

?非线性计算?轴突（传输信息）：把细胞体的输出信号传给其它神经元。 突触（储存信息）：轴突和树突的结合点（两神经元之间）。例如，新记忆的形成是通过改变突触的强度（液状体）来实现。 人工神经元

人工神经元是生物神经元的简单的模仿、简化和抽象，是一个极其简单的计算单元（函数）。

1943年，在神经网络研究的早期，由McCulloch(神经解剖学家)和Pitts(数学家)提出的MP模型是一种简单的人工神经元 …… 此处隐藏：3190字，全部文档内容请下载后查看。喜欢就下载吧 ……