神经网络模型在股票预测上的应用

神经网络模型在股票预测上的应用

黄静

（北京工业大学，北京１０００２４）

摘要：本文探讨了神经网络模型在股票预测上的应用，通过建立ＢＰ网络模型对上证指数进行了预测分析。实验证实了ＢＰ模型用于股指短期预测的准确性和可行性。

关键词：神经网络；ＢＰ网络模型；股票预测中图分类号：ＴＰ３０１文献标识码：Ａ文章编号：１００９－３０４４（２００７）０７－１０２２５－０２

ＴｈｅＡｐｐｌｉｃａｔｉｏｎｏｆＮｅｕｒａｌＮｅｔｗｏｒｋＭｏｄｅｌｉｎＰｒｅｄｉｃｔｉｏｎｏｆＳｔｏｃｋＩｎｄｅｘ

ＨＵＡＮＧＪｉｎｇ

（ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１０００２４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｄｉｓｃｕｓｓｅｓｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｉｎｐｒｅｄｉｃｔｉｏｎｏｆｓｔｏｃｋｉｎｄｅｘａｎｄｐｒｅｄｉｃｔｓｔｈｅＳｈａｎｇｈａｉｅｘｃｈａｎｇｅｉｎ－ｄｅｘｂｙｅｓｔａｂｌｉｓｈｉｎｇＢＰｎｅｔｗｏｒｋｍｏｄｅｌ．ＢＰｎｅｔｗｏｒｋｍｏｄｅｌｉｓｖｅｒｉｆｉｅｄｔｏｂｅａｃｃｕｒａｔｅａｎｄｆｅａｓｉｂｌｅｏｎｓｈｏｒｔ－ｔｅｒｍｉｎｄｅｘｐｒｅｄｉｃｔｉｏｎｂｙｅｘｐｅｒｉｍｅｎｔｓ．

Ｋｅｙｗｏｒｄｓ：Ｎｅｕｒａｌｎｅｔｗｏｒｋ；ＢＰｎｅｔｗｏｒｋｍｏｄｅｌ；ｓｔｏｃｋｉｎｄｅｘｐｒｅｄｉｃｔｉｏｎ

１引言

在金融系统的预测研究中，股票预测是一个热门的课题．并且也有了许多运用于股票预测的优秀算法，主要可以分为两个研究方向：采用传统统计经济学方法进行预测的方向，采用人工神经网络方法预测的方向。

传统的统计经济学方法存在预测量大、建模复杂、不精确等局限性．因此，传统的统计经济学方法运用于股票预测只能预测一段时期内股票价格变动的大致趋势。相比之下，人工神经网络作为一种大规模并行处理的非线性系统，依据数据本身的内在联系

较强的抗干扰能力，在股票价格的建模，具有良好的自学习能力、

短期预测中己取得了令人比较满意的成绩。本文探讨的即是后一种方法，即采用神经网络模型进行股票预测。本文试图通过建立的ＢＰ神经网络预测模型，对上证指数的收盘价进行短期的预测。

点。基于这种思路，本文选取某年从１１月３日到１２月３０日共４２天的上证指数当日收盘价作为原始样本数据，其中，前３４天的数据用于对神经网络进行训练，后８天的数据用于对网络进行非训练样本数据的测试。

表１滚动预测示例

２问题的简单分析

２．１网络模型的选择

目前，可用于预测的神经网络模型有多种，本文选择ＢＰ神经网络模型进行股票预测，这主要基于如下理由：

首先，ＢＰ学习算法是目前神经网络应用最广泛的学习算法，８０％－９０％的神经网络模型采用了ＢＰ网络或者它的变化形式。ＢＰ网络是前向网络的核心部分，体现了神经网络中最精华、最完美的内容。其次，ＢＰ网络具有较好的性能。它具有很强的非线性映射作用，而且能够识别有噪声或变形的样本，经过学习能够把样本隐含的特征和规则分布于神经网络的连接极上，实现共享。ＢＰ网络

有噪音的、甚至是前所未具有“广义化”的性质，使得在非完整的、

见的输入时，也能得出合理的响应。同时，ＢＰ网络能容错。若某些连接损坏、失教或者改动，因为信息存储是分布在整个系统，网络的整体性能只是略有下降而已．并不导致整个系统的崩溃。ＢＰ网络能够同时匹配大量输人信息，然后产生分类的或普遍化的输出，擅长于模式识别的任务。

２．２预测的思路

目前，运用神经网络进行预测大致有如下三种思路：

（１）单步预测：即网络输入Ｘ１，Ｘ２，Ｘ３，…，Ｘｎ等ｎ个历史数据，输出Ｘｎ＋１的值。此类预测不宜用于股票预测。

（２）多步预测：即是在输入ｎ个历史数据后，输出多个值。这类预测用于股票预测会有较大误差。

（３）滚动预测：先进行单步预测，然后将输出反馈给输入端作为网络输入的一部分，即如表１所示（预测未来ｑ个时刻的取值）。

这种方法适用于股票预测，精度较高，因此是本文研究的重

收稿日期：２００７－０３－２６

作者简介：黄静（１９７９－），女，重庆人，助教，硕士。

３网络模型的构造

３．１ＢＰ网络模型的基本原理和结构

ＢＰ神经网络（Ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎＮｅｕｔｒａｌＮｅｔｗｏｒｋ）通常是指基于误差反向传播算法（ＢＰ算法）的多层前向神经网络，采用有导师

的训练方式。

由图可见，ＢＰ网络是一种具ＢＰ网络的网络结构如图１所示。

有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。

ＢＰ网络的学习训练过程由两部分组成，即网络输入信号正向

传播和误差信号反向传播，按有导师学习方式进行训练。在正向传播中，输入信息从输入层经隐层逐层计算传向输出层，在输出层的各神经元输出对应输入模式的网络响应；如果输出层得不到期望输出，则误差转入反向传播，按减小期望输出与实际输出的误差原则，从输出层经到中间各层，最后回到输入，层层修正各个连接权值。随着这种误差逆传播训练不断进行，网络对输入模式响应的正确率也不断提高，如此循环直到误差信号达到允许的范

２２５

人工智能及识别技术

围之内或训练次数达到预先设计的次数为止。

３．２用于股指预测的ＢＰ网络模型

ＢＰ网络模型的一个重要性质是，对于任何一个连续的非线性函数都可以用单隐层的ＢＰ网络逼近，因而本文采取如图２所示的三层ＢＰ神经网络作为股指预测模型。

（１）第一层为输入层，共ｎ个节点，分别输入经数据处理后的连续的前ｎ天股票指数收盘价。由于本文主要讨论的是股票的短期预测，近况影响较大，因此取ｎ为４，即用前４天的数据去预测第５天的股指。

本栏目责任编辑：李桂瑾

由于训练过程中使用的是经过归一化后的数据，因此神经网络的输出值也是在区间［０，１］内，无法直观地看出上证指数的预测结果，故再据归一化函数的反函数对神经网络的输出值进行处理，计算出预测的上证指数，以此与上证指数的实际值进行比较，验证预测结果的准确性。结果见表３。

表２训练结果

图２用于股指预测的三层ＢＰ神经网络

表３

预测结果

（２）第二层为隐层，根据具体的测试（测试过程见下文），选取３０个节点。

（３）第三层为输出层，只有一个节点，输出被预测的股指。网络的隐含层神经元的传递函数为ｔａｎｓｉｇ，输出层神经元的传递函数为ｌｏｇｓｉｇ。

４实验及分析

４．１数据的归一化处理

在ＢＰ神经网络中，每个神经元的输出值由传递函数Ｓｉｇｍｏｉｄ函数来计算，其输出值的范围是（０，１）。Ｓ（Ｓｉｇｍｏｉｄ）型函数是一个非线性函数，而且具有自动增益功能，当输入信号很小时，Ｓ型函数

处于高增益区，当输入信号幅值变大后，增益减小。若输入值过大，有可能使神经元处于饱和状态，从而失去学习能力。所以对于输入值我们需要进行归一化处理，将信号值处理到［０，１］区间内，这样可更好发挥Ｓ（Ｓｉｇｍｏｉｄ）型函数的作用。在参考了相关资料后，本文选择了如下公式来进行归一化处理：

由表３可知，用ＢＰ神经网络来预测股指取得了非常好的效５果，准确率全部达到９５％以上，这说明本文所建立的模型较好的模拟了股市的短期走势。

Ｘ＝（Ｘ－Ｘｍｉｎ）／（Ｘｍａｘ－Ｘｍｉｎ）４．２隐层结点的确定

神经网络的结构包含网络的层次和各个层次神经元的数目等。网络的结构虽然和所采用的算法有关，但根据实际的应用情况是可以调整和改进的。由于变量及其重要程度的不同，因此改进网络的结构对运行效率有很大的影响，一个良好的网络结构能提高运算的精度，缩短学习时间。输入和输出层的神经元个数一般由输入和输出变量的个数决定，而隐层的神经元个数虽然跟输入层和输出层的神经元个数有关，但具体的定量关系目前仍无定论。考虑到本例的实际情况，解决该问题的网络的隐层神经元个数应该在２５－３５之间，因此，本文设计了一个隐含层神经元可变的ＢＰ网络，通过误差对比，确定最佳的隐含层神经元个数。

根据所得误差，在经过２０００次训练后，隐层神经元数为３０时，ＢＰ网络的误差最小，因此将隐层神经元数设定为３０。

４．３ＢＰ网络的学习训练

根据前述，采用滚动预测法，利用前４天的股指数据去预测第５天的股指，因此，可得训练结果如表２所示。

由上表可知，ＢＰ神经网络的学习效果较好，误差率较小，相应的准确率都在９５％以上，最为准确的达到９９．８７％，说明该网络已经训练成功。

４．４ＢＰ网络的测试

接下来，需要用后８天的数据对已经训练好的网络进行测试。

５结束语

通过上述分析，可知本文建立的三层ＢＰ神经网络具有预测精度高、收敛速度快的特点，在选取适宜的数据和采用滚动预测法的前提下，对股票短期预测取得了令人满意的结果。从而进一步说明神经网络不仅能够学习训练集的例子，且能从训练集中提炼出某种一般性原理、规律，具有很强的非线性函数拟合特性。较之传统的统计学方法，有一定的优越性。

由于时间关系，本文仅仅讨论了ＢＰ网络对股票的短期预测，没有涉及到长期预测问题；同时参照、分析的原始数据样本也比较少，可能影响预测精度；另外，本文中建立的ＢＰ模型仅为单隐层，没有考虑更多隐层的情况。以上几个方面都有待以后进一步的研究和改进。

参考文献：

［１］姜静清，梁艳春，宋初一．神经网络及其在股市预测中的应用［Ｊ］．内蒙古民族大学学报，２００２．

［２］刘永福，李建功．利用ＢＰ神经网络预测上证指数［Ｊ］．市场周报，２００３，１０．

［３］焦李成．神经网络系统理论［Ｍ］．西安电子科技大学出版社，１９９２．

［４］飞思科技产品研发中心．ＭＡＴＬＡＢ６．５辅助神经网络分析与设计［Ｍ］．电子工业出版社，２００３．１．

［５］闻新．ＭＡＴＬＡＢ神经网络应用设计［Ｍ］．科学出版社，２０Ｏ１．［６］高飞．股票灰色预测［Ｍ］．山东人民出版社，１９９３．

２２６

电脑知识与技术