BP神经网络股指预测模型

BP神经网络股指预测模型

维普资讯 http://doc.guandang.net

中共青岛市委党校青岛行政学院学报J崛 I O 1 qY C 0L F . I o 0 I L F 1 P T SH 0 QPQ o●训H P L 0^ f￣ 0 I∞^ c^ O■m E E

20 0 3年第 1期No.1 20 , 03

B P神经网络殷措预测模型伍海华马媛高波(青岛大学，山东青岛 2 6 7 ) 6 0 1

内容提要：本文通过建立 B P神经网络预测模型， 2 0对 0 1年上证指数的周收盘价进行了短期的预测，经过实验比较，发现该模型的收敛速度快，学习能力强，预测精度较高，误差率较小，对股指的短期预测十分有效。

关键词：B P神经网络，上证指数，非线性动力系统，周收盘价引言

一

、

杂的非线性经济系统。本文试图通过建立的 B P神经网络预测模型， 2 0年上证指数的周收盘价进对 01行了短期的预测，经过实验比较，发现该模型的预测精度较高，误差率较小，对股指短期预测十分有效。

格伦吉 (D l g)在回顾对当前股票市场 Gee i n的某些研究时，曾提出一个问题：股票价格是可预“测吗？据其回顾，得出如此结论：从长期来看，”可若 使用分散具体的数据，剔除意外的事件，使用非线性模式转换模型，股价还是可以预测的。目前，除

二、基于 B P神经网络的股指预测模型 ( )B一 P神经网络的基本原理与结构人工神经网络具有自组织、自适应和自学习能力，以及具有非线性、非局域性、非定性和非凸性等特点。B ( ak r p g t n P B c p o a ai )网络，是目前使用 o最为广泛的一种人工神经网络。它的核心是 B P算法，一种对于多基本子系统构成的大系统进行微商计算的严格而有效的方法。典型的 B P人工神经元模型如图 1示。所

传统基本分析和技术分析外，多元统计分析、随机过程 (尔可夫链 )马、ARMA模型、GAR H模型、 C

混沌和分形 ( rt Hus指数 )、灰色理论等方法都相继运用到了预测股价及股市未来走势中，为投资者的

投资决策提供了一定的参考，但这些方法也存在着计算量大、预测准确度不高等缺点，鉴于此，本文提出了基于 B P神经网络来进行

股指预测的方法，

该方法优点为：网络结构简单，输入变量少，收敛速度快，学习能力强，预测精度高，尤其适用于复

其中 X为阈值，X i,2。;(=1,…m)为输入，

收稿日期：2 0—I2 02 1-1作者简介：伍海华，青岛大学经济学院院长、教授、博士生导师。5 6

BP神经网络股指预测模型

维普资讯 http://doc.guandang.net

中共青岛市委党校青岛行政学院学报JUN l F H q" a L F ...¨ D 0 OR A O E kD s 0 O 0P0 0 G^刖憾： L 0 T P I O删mE P^ E

20 0 3年第 1期No. 2 03 1。 0

股指预测是时间预测，即按时间顺序发生的观

测值的集。用传统的方法分析时间序列，就是要为

时间序列建立、别、识拟合和查试相应的数学模型，1人

有人还配合以回归法，但对许多实际问题而言，这种数学模型很难找到。上述 B据 P神经网络的特点， 可将 B P神经网络用于函数的合成问题，当函数的一

个变量是时间时，则该问题即可视为时间序列的

图 1人工神经元模型

估计预测问题。于训练好的 B对 P神经网络，在此情况下，可被视为在其内部实现了一个特定的时间序

Wi (=0,…, i i,1 k,j,1,…,m)为神经一0,2元之间连接权重，甲 ( )为传递函数。 .m

列的模型。可以用 B P神经网络来逼近的时间序列的典型函数关系一般有以下几种：Y—f(i i t )或 Y—f( i i i ),t 【 )X+= f ( i0 X+,…, X+一 ) ia x+, i1 i 1

Vk∑Wi i一 i,其中 X一一1 *X 0,Wl 0=+1I l—

() 1() 2

f( VO

对于使用最普遍的 B P算法训练网络时，据每

{ () y () y 1i, 2 i… y ( )},… ni 一F{ ( ),X ( ),……X ( ) ( ) X 1i 2i m i 3}

个学习模式对权重的改变量为 A j n 1 Wt(+ )=1(,艿Oi )+a Wt( ) 1为学习率，△ jn, a为惯性系数，们它共同决定了网络训练过程中，网络学习的速度以及

实际上，我们采用模型 ( )来进行股指预测， 2 即用 n个过去的值来计算时间序列未来值 X n .,这+是因为中

国的股票市场并不是有效的市场，即不符合E MH有效市场假定，说明当前的股价不能完全

稳定性。但 B P算法不能保证网络收敛到全局最小点，且网络收敛速度较慢。为此，给出处理方法如下t

反映所有的信息，价格变化不是相互独立的，未来的股价不仅与当前的价格有关，与历史价格也是相关的，未来价格的变化是可以预测的。故采用模型( )用历史的股指和当前的股指来预测未来的是符 2

( )调整网络的学习速率，使网络保持较高的 1收敛速率

定义网络的初始学习率 1∈￣l n,l a]当 0 * mi 1 x, I n本次网络的学习平方误差比上次大 4时，习率 学取原值的 0 9 . 6倍；当本次网络的学习平方误差比上次小 4时，学习率 1原值的 1 4倍。当 1 取 .0>‰时，取 1一‰;当 1<时，取 1一。 ( )调整惯性系数，加速网络收敛 2

合市场现实的。本文取如图 2所示的三层 B P神经网络为股指

预测模型。 ()第一层为输入层，共 n个节点，分别输入 1归一化处理后的连续的前 n周股票指数收盘价。

定义网络的惯性系数 a[,‰]∈ a。在该范围内，将惯性系数设为学习周期的单调递增函数。每次对连接权重和阈值进行修正时，自适应的调整一千次学习的修正量对本次学习的影响。 ( )给连接权重加随机数，走出网络学习误差 3的局部极小点和误差收敛刚性当网络的学习平方误差较大 (大于预先设定的一

( )第二层为隐层，根据问题的复杂程度我们 2取3 0个节点。

( )第三层为输出层，只有一个节点，输出被 3预测的股指。

传递函数选用 f( )一1 (+e‘ e,其 Vk/ 1 -m 0 )中 0函数的偏移量，e决定着函数过程总的变化为 0速率。

个值 )但连续两次的学习平方误差之差小于某一，

由于影响股票市场趋势的因素很多，包括了各种难以预测的宏观因素和微观因素及突发事件等， 故主要讨论股指的短期预测，即在股票市场正常运行情况下 (有暴涨或暴跌等不稳定现象出现 )对没

预定的小数时，保持目前网络的权值和阈值等参数，并给连接权和阈值教友先次

的几组随机数，使网络避开局部最小点，克服网络学习误差的收敛刚性。 (二)用于股指预测的 B P神经网络模型

市场趋势的估计。因是短期预测，近况对股指影响5 7

BP神经网络股指预测模型

维普资讯 http://doc.guandang.net

中共青岛市委党校青岛行政学院学报JI^ O TE gq c D L f . Q 0 _^ 0 L f H P￣蹦： T8 H0 O CP I D0哪： . I日^O L0 E

2 0年第 1期 03NO.1, 03 20

表 1用于对神经网络进行训练及测试的数据 yIJ嘲 嚣羁懿疆嚣赣嚣辩 辫髓髓曩—瞳隧雅掰曩囊嘲罄 圈鞠蠲豳曩圈翻船嚣 强嚣1 . 4 7 7 5 7 9 2 1 . 3 0 5 6 8 6 5 2 . 5 3 4 1 4 7 6 4 8 9 2 9 1 9 8 2 5 8 4 6 9 7 4 O 5 9 9 6 9 3 6 1 4

2 . 1 1 2 9 6 0 7 1 . 4 3 1 3 4 4 7 3 . 5 8 3 1 l 6 0 2 8 8 4 6 4 6 4 8 6 8 0 2 5 9 5 6 4 0 8 0 9 0 l 5 43 . 7 78 6 l 2 o 7 7 5 9 4 9 5 5 o l . 8 6 o 8 5 3 7 6 1 . 4 3 O 6 4 7 6 9 o 6 8 7 9 5 3 5 O 3 7 l 2 5 l 4 . 5 1 o 5 2 3 2 1 . 9 9 2 1 9 1 7 4 2 4 3 5 5 9 2 6 3 9o50“ 83 8 6 7 1 8 0 9 0 3 . 8 1 4 2 5 5 8 5 . 5 7 3 2 0 7 5 l 1 . 9 4 7 o 3 5 4 3 . 0 …… 此处隐藏：7270字，全部文档内容请下载后查看。喜欢就下载吧 ……