基于Bp神經(jīng)網(wǎng)絡(luò)的股票預(yù)測資料

1、深 圳 大 學(xué)神經(jīng)網(wǎng)絡(luò)原理課程實(shí)驗(yàn)題目: 基于BP神經(jīng)網(wǎng)絡(luò)的股票預(yù)測 姓名: 專業(yè): 學(xué)院: 信息工程學(xué)院 指導(dǎo)教師: 職稱： 2014年 5月 17日基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測【摘要】: 股票分析和預(yù)測是一個(gè)復(fù)雜的研究領(lǐng)域，本論文將股票技術(shù)分析理論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，針對股票市場這一非線性系統(tǒng)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)，研究基于歷史數(shù)據(jù)分析的股票預(yù)測模型，同時(shí)，對單只股票短期收盤價(jià)格的預(yù)測進(jìn)行深入的理論分析和實(shí)證研究。本文探討了BP神經(jīng)網(wǎng)絡(luò)的模型與結(jié)構(gòu)、BP算法的學(xué)習(xí)規(guī)則、權(quán)值和閾值等，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的股票短期預(yù)測模型，研究了神經(jīng)網(wǎng)絡(luò)的模式、泛化能力等問題。并且，利用搭建起的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模

2、型，采用多輸入單輸出、單隱含層的系統(tǒng)，用前五天的價(jià)格來預(yù)測第六天的價(jià)格。對于網(wǎng)絡(luò)的訓(xùn)練，選用學(xué)習(xí)率可變的動量BP算法，同時(shí)，對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了隱含層節(jié)點(diǎn)的優(yōu)化，多次嘗試，確定最為合理、可行的隱含層節(jié)點(diǎn)數(shù)，從而有效地解決了神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的選取問題。【abstract Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP

3、neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and

4、 so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forec

5、asting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it.【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò) 股票預(yù)測分析1引言股票市場是一個(gè)不穩(wěn)定的非線性動態(tài)變化的復(fù)雜系統(tǒng)，股價(jià)的變動受眾多因素的影響。影響股價(jià)的因素可簡單地分為兩類，一類是公司基本

6、面的因素，另一類是股票技術(shù)面的因素，雖然股票的價(jià)值是公司未來現(xiàn)金流的折現(xiàn)，由公司的基本面所決定，但是由于公司基本面的數(shù)據(jù)更新時(shí)間慢，且很多時(shí)候并不能客觀反映公司的實(shí)際狀況，采用適當(dāng)數(shù)學(xué)模型就能在一定程度上實(shí)現(xiàn)對股價(jià)的預(yù)測。BP神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從而具有一定的預(yù)測功能的數(shù)學(xué)模型，由于其具有很強(qiáng)的自學(xué)習(xí)能力自適應(yīng)能力以及容錯(cuò)能力等優(yōu)點(diǎn)，使它成為一種比較適合股票預(yù)測的方法。本文就采用此方法對股價(jià)趨勢進(jìn)行了分析。MATLAB所搭配的NeuralcNetwork Toolbox,將神經(jīng)網(wǎng)絡(luò)領(lǐng)域研究的成果完整地覆蓋，它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB語言構(gòu)造出典型神經(jīng)網(wǎng)絡(luò)的激活函數(shù)

7、。另外，根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)則，加上網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者則可以根據(jù)需要去調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己能夠從繁瑣的編程中解脫出來，集中精力去思考問題和解決問題，從而提高解題效率。2. BP神經(jīng)網(wǎng)絡(luò)算法、特點(diǎn)2.1 BP神經(jīng)網(wǎng)絡(luò)算法 BP網(wǎng)絡(luò)的產(chǎn)生歸功于BP算法的獲得。BP算法屬于算法，是一種有監(jiān)督式的學(xué)習(xí)算法。其主要思想為：對于q個(gè)輸入學(xué)習(xí)樣本P1，P2Pq，已知與其對應(yīng)的輸出樣本為：T1，T2Tq。學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出A1，A2Aq與目標(biāo)矢量T1，T2Tq之間的誤差來修改其權(quán)值，使Ai (i=1，2q )與

8、期望的T盡可能地接近，即使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小。它是通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上，計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層的。BP算法由兩部分組成，分別為信息的正向傳遞與誤差的反向傳播。在正向傳播過程中，輸入信息從輸入經(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，如果在輸出層沒有得到期望的輸出，則計(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播；通過網(wǎng)絡(luò)將誤差信號沿原來的連接通路反傳回來，修改各層神經(jīng)元的權(quán)值，直至達(dá)到期望目標(biāo)，誤差信號趨向最小。其具體的實(shí)現(xiàn)步驟如圖所示

9、。2.2 BP神經(jīng)網(wǎng)絡(luò)在預(yù)測中的適用性基于神經(jīng)網(wǎng)絡(luò)本身的特點(diǎn)與優(yōu)越性，本文選擇BP神經(jīng)網(wǎng)絡(luò)用于股票預(yù)測應(yīng)用研究。第一，具有自學(xué)習(xí)功能。自學(xué)習(xí)功能對于模型預(yù)測有特別重要的意義。未來的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將提供經(jīng)濟(jì)預(yù)測、市場預(yù)測、信用預(yù)測，其應(yīng)用前途是很遠(yuǎn)大的。第二，容錯(cuò)能力強(qiáng)。網(wǎng)絡(luò)中少量單元的局部缺損不會造成網(wǎng)絡(luò)的癱瘓，也不會影響全局，它反映了神經(jīng)網(wǎng)絡(luò)的魯棒性。神經(jīng)網(wǎng)絡(luò)帶有高度并行處理信息的機(jī)制且具有高速的自學(xué)習(xí)、自適應(yīng)能力，內(nèi)部所包含的大量可調(diào)參數(shù)使得系統(tǒng)的靈活性更強(qiáng)。因此，神經(jīng)網(wǎng)絡(luò)很好的魯棒性可以提高股票預(yù)測模型的適應(yīng)性與通用性。第三，具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問題的優(yōu)化解，往往需

10、要很大的計(jì)算量，一個(gè)針對某問題而設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)，可以發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，能很快找到優(yōu)化解。這對提高模型的運(yùn)算效率很有幫助。第四，可以充分逼近任意復(fù)雜的非線性關(guān)系。股票分析中的各個(gè)指標(biāo)之間的關(guān)系并不十分明確，大多為非線性的。而神經(jīng)網(wǎng)絡(luò)能夠逼近任意復(fù)雜的非線性關(guān)系，這就決定了神經(jīng)網(wǎng)絡(luò)的預(yù)測精度比其他的預(yù)測方法要高。而對股票預(yù)測來講，預(yù)測精度無疑是非常重要的問題。第五，具有在新環(huán)境下的泛化能力，能不斷接受新樣本、新經(jīng)驗(yàn)并不斷調(diào)整模型，自適應(yīng)能力強(qiáng)，具有動態(tài)特性。由于股票分析具有分行業(yè)、分階段的特點(diǎn)，其評估結(jié)果的不確定性非常大。這就意味著需要針對不同的股票設(shè)立相應(yīng)的預(yù)測模型，神經(jīng)網(wǎng)絡(luò)的這一特性正

11、好滿足這樣的需求。然而BP神經(jīng)網(wǎng)絡(luò)也不是沒有缺點(diǎn)。一是其工作的隨機(jī)性較強(qiáng)，即使是同樣的訓(xùn)練樣本，相同的網(wǎng)絡(luò)參數(shù)，多次運(yùn)行生成的神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果也有差別。因此要得到一個(gè)較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，需要人為地去調(diào)試，非常耗費(fèi)人力與時(shí)間，因此應(yīng)用受到了限制。二是BP算法本身存在一定的缺陷。2.3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的方法建立BP神經(jīng)網(wǎng)絡(luò)模型的具體步驟：首先要分析問題的性質(zhì)及核心，然后有針對性地建立網(wǎng)絡(luò)模型，最后通過網(wǎng)絡(luò)預(yù)測分析，調(diào)整參數(shù)，優(yōu)化網(wǎng)絡(luò)模型。具體過程如圖所示：3. 股票預(yù)測BP網(wǎng)絡(luò)模型的建立3.1 數(shù)據(jù)的采集和預(yù)處理本文選擇了中國銀行（601988）2013/11/1-2014/5/15的收

12、盤價(jià)和中國汽研（601965）2013/4/1-2014/5/12的收盤價(jià)作數(shù)據(jù)采集。根據(jù)模型建立的需要，BP神經(jīng)網(wǎng)絡(luò)要求樣本集合理區(qū)間為0，1或-1，1，所以要對樣本集進(jìn)行歸一化處理。歸一化公式為： Matlab中歸一化處理數(shù)據(jù)可以采用premnmx ， postmnmx ， tramnmx 這3個(gè)函數(shù)。本文用了premnmx歸一化函數(shù)和postmnmx反歸一化函數(shù)。premnmx語法：pn,minp,maxp,tn,mint,maxt = premnmx(p,t)參數(shù)：pn： p矩陣按行歸一化后的矩陣minp，maxp：p矩陣每一行的最小值，最大值tn：t矩陣按行歸一化后的矩陣mint，m

13、axt：t矩陣每一行的最小值，最大值作用：將矩陣p，t歸一化到-1,1 ，主要用于歸一化處理訓(xùn)練數(shù)據(jù)集。postmnmx語法： p,t = postmnmx(pn,minp,maxp,tn,mint,maxt)參數(shù)：minp，maxp：premnmx函數(shù)計(jì)算的p矩陣每行的最小、最大值mint，maxt：premnmx函數(shù)計(jì)算的t矩陣每行的最小值，最大值作用：將矩陣pn，tn映射回歸一化處理前的范圍。postmnmx函數(shù)主要用于將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果映射回歸一化前的數(shù)據(jù)范圍。3.2 訓(xùn)練網(wǎng)絡(luò)的設(shè)計(jì)在有合理的結(jié)構(gòu)和恰當(dāng)?shù)臋?quán)值條件下，三層前饋網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)，這樣，就提供了一個(gè)設(shè)計(jì)BP神經(jīng)網(wǎng)

14、絡(luò)的基本原則。較少的隱含層，可以實(shí)現(xiàn)樣本空間的超平面劃分，選擇兩層BP網(wǎng)絡(luò)就可以實(shí)現(xiàn)有效的預(yù)測了。本文將采用單隱含層的網(wǎng)絡(luò)設(shè)計(jì)，分為單隱含層和輸出層兩個(gè)網(wǎng)絡(luò)層次，如圖所示。本文將連續(xù)五天的價(jià)格作為一組輸入，將第六天的價(jià)格作為輸出目標(biāo)。既用前五天的價(jià)格來預(yù)測第六天的價(jià)格。所以輸入層神經(jīng)元數(shù)目是5。輸出層的節(jié)點(diǎn)數(shù)取決于兩個(gè)方面：輸出數(shù)據(jù)類型和表示該類型所需的數(shù)據(jù)大?。煌瑫r(shí)，根據(jù)經(jīng)典的道氏理論，股票價(jià)量分析中最重要的指標(biāo)就是收盤價(jià)。本文所建的股票預(yù)測模型，就是針對單只股票的走勢進(jìn)行預(yù)測，所以，將股票的收盤價(jià)作為該預(yù)測模型的唯一輸出向量，這樣，網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)目即為1。 BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的多少

15、和BP網(wǎng)絡(luò)預(yù)測精度之間有很大相關(guān)性，節(jié)點(diǎn)數(shù)太少，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練能力就會變?nèi)酰瑹o法完成精確預(yù)測。節(jié)點(diǎn)數(shù)太多，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間變長且網(wǎng)絡(luò)可能出現(xiàn)過度擬合現(xiàn)象。所以選擇合適的節(jié)點(diǎn)數(shù)才能使BP網(wǎng)絡(luò)的性能得到最大發(fā)揮，但目前還沒有統(tǒng)一的標(biāo)準(zhǔn)來確定隱含層的節(jié)點(diǎn)數(shù)，所以本文經(jīng)過多次試驗(yàn)多次比較最終確定了隱含層節(jié)點(diǎn)數(shù)為12。 傳遞函數(shù)是BP網(wǎng)絡(luò)的重要組成部分，必須是連續(xù)可微的；BP網(wǎng)絡(luò)通常采用S型的對數(shù)或正切函數(shù)。本預(yù)測模型采集到的原始數(shù)據(jù)，經(jīng)過歸一化處理后輸入、輸出向量均在區(qū)間-1,1范圍內(nèi)，符合S型的對數(shù)或正切函數(shù)的取值區(qū)間。因此，隱含層傳遞函數(shù)選擇tansig，輸出層傳遞函數(shù)選擇purelin，訓(xùn)練函數(shù)

16、采用traingdm。訓(xùn)練參數(shù)設(shè)為：net_1.trainParam.show = 50; 限時(shí)訓(xùn)練迭代過程net_1.trainParam.lr = 0.05; 學(xué)習(xí)率net_1.trainParam.mc = 0.9; 附加動量因子net_1.trainParam.epochs = 20000; 最大訓(xùn)練次數(shù)net_1.trainParam.goal = 1e-3; 訓(xùn)練要求精度訓(xùn)練過程如圖：關(guān)于性能函數(shù)的設(shè)計(jì)，本文采用典型的前項(xiàng)反饋網(wǎng)絡(luò)誤差性能函數(shù)為均方誤差函數(shù)mse：4. 股票預(yù)測分析4.1中國銀行預(yù)測分析在MATLABr2014a 中用函數(shù)xlsread 導(dǎo)入已經(jīng)下載好的中國銀行（6

17、01988）2013/11/1-2014/5/15的收盤價(jià)作為輸入樣本，進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果：圖中紅色線為預(yù)測曲線，藍(lán)色線為實(shí)際曲線，可以看出模擬出的曲線大致上與實(shí)際曲線相同，但有些地方明顯誤差偏大，很可能是由于訓(xùn)練樣本的數(shù)目過少和訓(xùn)練次數(shù)不夠而導(dǎo)致。此圖為實(shí)際值與預(yù)測值的誤差曲線，可以明顯看出誤差確實(shí)比較大，所以此圖預(yù)測結(jié)果不盡人意。誤差訓(xùn)練情況：梯度：回歸曲線：股票分析：方法一：移動平均線與BP曲線相結(jié)合 從上圖可以看出，五日平均線從上而下穿過下降趨勢的十日線，二十日線和六十日線，表明標(biāo)號1這個(gè)點(diǎn)在這個(gè)時(shí)候支撐線被向下突破，此時(shí)為死亡交叉點(diǎn)，表示股價(jià)短期將繼續(xù)

18、下落，十日線向下突破二十日線，說明中期內(nèi)也將繼續(xù)下跌，二十日線也向下突破六十日線，長期內(nèi)也將下降，行情看跌，死亡交叉預(yù)示著空頭市場來臨，而實(shí)際曲線也驗(yàn)證了預(yù)測結(jié)果。 標(biāo)號二為上升中的五日線由下而上穿過上升的十日線，形成黃金交叉，這個(gè)時(shí)候壓力線被向上突破，表示股價(jià)短期內(nèi)將繼續(xù)上漲，行情看好，而實(shí)際曲線也驗(yàn)證了預(yù)測，同時(shí)十日線向上突破上升趨勢的二十日線，說明中期內(nèi)該股將會呈上升趨勢。 標(biāo)號三為下降趨勢的五日線向下跌破十日線，說明短期內(nèi)該股會下降，而旁邊下降趨勢十日線也向下跌破了二十日線，說明中期內(nèi)該股呈下降趨勢。 標(biāo)號四為上升趨勢的五日線向上突破十日線，表明短期內(nèi)該股會上升，上升趨勢的十日線也向上

19、突破二十日線，說明該股中期內(nèi)也將呈上升趨勢，向上趨勢的二十日線也向上突破六十日線，形成黃金交叉，表明長期內(nèi)該股呈上升趨勢，結(jié)合BP曲線對下一日的預(yù)測，可以提高投資決策的準(zhǔn)確性。 標(biāo)號五為下降趨勢的五日線突破了十日線，表明短期內(nèi)該股會有下降趨勢。 標(biāo)號六為上升趨勢的五日線向上突破十日線，說明短期內(nèi)該股將呈上升趨勢。方法二：指數(shù)平滑異同平均線（MACD）分析法：MACD稱為指數(shù)平滑異同平均線，是從雙移動平均線發(fā)展而來的，由快的移動平均線減去慢的移動平均線，MACD的意義和雙移動平均線基本相同，但閱讀起來更方便。當(dāng)MACD從負(fù)數(shù)轉(zhuǎn)向正數(shù)，是買的信號。當(dāng)MACD從正數(shù)轉(zhuǎn)向負(fù)數(shù)，是賣的信號。當(dāng)MACD以

20、大角度變化，表示快的移動平均線和慢的移動平均線的差距非常迅速的拉開，代表了一個(gè)市場大趨勢的轉(zhuǎn)變。MACD線從正數(shù)轉(zhuǎn)向負(fù)數(shù)時(shí)，股票即將有下降趨勢，是賣出的信號，從負(fù)數(shù)轉(zhuǎn)向正數(shù)的時(shí)候，股票有即將有上升的趨勢，是買入的信號。綜合所述，本次股票預(yù)測還算是成功，預(yù)測結(jié)果往往令人滿意。MATLAB程序：clc;clear;close all;P=xlsread('中國銀行2');T=xlsread('中國銀行T2');Hn=xlsread('中國銀行H2n');K=xlsread('中國銀行五日線');L=xlsread('中國銀行十

21、日線');M=xlsread('中國銀行二十日線');N=xlsread('中國銀行六十日線');Pn,minp,maxp,Tn,mint,maxt=premnmx(P,T) net_1=newff(minmax(Pn),12,1,'tansig','purelin','traingdm') % 當(dāng)前輸入層權(quán)值和閾值inputWeights=net_1.IW1,1inputbias=net_1.b1% 當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值layerWeights=net_1.LW2,1layerbias=net_1.b2

22、% 設(shè)置訓(xùn)練參數(shù)net_1.trainParam.show = 50;net_1.trainParam.lr = 0.05;net_1.trainParam.mc = 0.9;net_1.trainParam.epochs = 100000;net_1.trainParam.goal = 1e-3; % 調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)net_1,tr=train(net_1,Pn,Tn); % 對 BP 網(wǎng)絡(luò)進(jìn)行仿真A = sim(net_1,Hn);% 計(jì)算仿真誤差 E = Tn - A;MSE=mse(E); A1,T1 = postmnmx(A,min(min(P),max

23、(max(P),Tn,mint,maxt) x=1:129;x1=1:131plot(x,A1,'r');hold on plot(x,T1,'b');hold on plot(x1,K,'w');hold on plot(x1,L,'y');hold on plot(x1,M,'m');hold on plot(x1,N,'c');title('中國銀行2013/11/1-2014/5/15');legend('預(yù)測','實(shí)際','五日線&#

24、39;,'十日線','二十日線','六十日線',1);figure(2)plot(x,E,'r')4.2中國汽研預(yù)測分析;在MATLABr2014a 中用函數(shù)xlsread 導(dǎo)入已經(jīng)下載好的中國汽研（601965）2013/4/1-2014/5/12的收盤價(jià)作為輸入樣本，進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果：圖中紅色曲線為預(yù)測曲線，藍(lán)色曲線為實(shí)際曲線，從圖可以看出，BP曲線近似的模擬出真實(shí)曲線，較之前中國銀行的預(yù)測效果要好，主要原因是中國汽研的訓(xùn)練樣本數(shù)目提升到256組，并且訓(xùn)練了十萬次，誤差到了0.006。誤差訓(xùn)練

25、情況：梯度：回歸曲線：股票分析：方法一：移動平均線與BP曲線相結(jié)合 從標(biāo)號一可以看出，下降趨勢的五日線突破了下降趨勢的十日線，說明短期內(nèi)該股票將下跌，下降趨勢的十日線也同樣突破下降趨勢的二十日線，表明該股中期內(nèi)也將下降，投資者此時(shí)應(yīng)謹(jǐn)慎。標(biāo)號一和標(biāo)號二之間連續(xù)出現(xiàn)幾個(gè)死亡交叉點(diǎn)，并且BP曲線出現(xiàn)波動，此時(shí)投資者應(yīng)該慎重考慮，切勿急功近利。 標(biāo)號二表明上升趨勢的五日線向上突破十日線，表明短期內(nèi)該股將上漲，同時(shí)上升趨勢的十日線也向上突破上升趨勢的二十日線，表明中期內(nèi)該股也呈上升趨勢。 標(biāo)號三可以看出，上升趨勢的五日線向上穿過上升趨勢的十日線，所以該股短期內(nèi)將會上升，同樣的上升趨勢的十日線向上穿過上

26、升趨勢的二十日線，說明該股在中期內(nèi)也將會上升。 標(biāo)號四可以看出，下降趨勢的五日線向下穿過下降趨勢的十日線，表明短期內(nèi)該股將會上升，但是標(biāo)號四與標(biāo)號五之間連續(xù)出現(xiàn)幾個(gè)死亡交叉點(diǎn)，并且BP曲線出現(xiàn)波動，此時(shí)投資者應(yīng)該慎重考慮，切勿急功近利。 標(biāo)號五為下降趨勢的五日線，二十日線，分別向下穿過下降趨勢的十日線，六十日線，表明該股短期內(nèi)，長期內(nèi)將會下降，實(shí)際與預(yù)測的結(jié)果大致相同。方法二：指數(shù)平滑異同平均線（MACD）分析法：MACD稱為指數(shù)平滑異同平均線，是從雙移動平均線發(fā)展而來的，由快的移動平均線減去慢的移動平均線，MACD的意義和雙移動平均線基本相同，但閱讀起來更方便。當(dāng)MACD從負(fù)數(shù)轉(zhuǎn)向正數(shù)，是買

27、的信號。當(dāng)MACD從正數(shù)轉(zhuǎn)向負(fù)數(shù)，是賣的信號。當(dāng)MACD以大角度變化，表示快的移動平均線和慢的移動平均線的差距非常迅速的拉開，代表了一個(gè)市場大趨勢的轉(zhuǎn)變。MACD線從正數(shù)轉(zhuǎn)向負(fù)數(shù)時(shí)，股票即將有下降趨勢，是賣出的信號，從負(fù)數(shù)轉(zhuǎn)向正數(shù)的時(shí)候，股票有即將有上升的趨勢，是買入的信號。綜合所述，本次股票預(yù)測還算是成功，預(yù)測結(jié)果往往令人滿意。MATLAB 程序：clc;clear;close all;P=xlsread('6');T=xlsread('7');H=xlsread('8');H1=xlsread('H1');K=xlsread(

28、'中國汽研五日線');L=xlsread('中國汽研十日線');M=xlsread('中國汽研二十日線');N=xlsread('中國汽研六十日線');Pn,minp,maxp,Tn,mint,maxt=premnmx(P,T) net_1=newff(minmax(Pn),12,1,'tansig','purelin','traingdm') % 當(dāng)前輸入層權(quán)值和閾值inputWeights=net_1.IW1,1inputbias=net_1.b1% 當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值laye

29、rWeights=net_1.LW2,1layerbias=net_1.b2 % 設(shè)置訓(xùn)練參數(shù)net_1.trainParam.show = 50;net_1.trainParam.lr = 0.05;net_1.trainParam.mc = 0.9;net_1.trainParam.epochs = 100000;net_1.trainParam.goal = 1e-3; % 調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)net_1,tr=train(net_1,Pn,Tn); % 對 BP 網(wǎng)絡(luò)進(jìn)行仿真A = sim(net_1,H);E = Tn - A;MSE=mse(E); A1,T1 = postmnmx(A,min(minp),max(maxp),Tn,mint,maxt) x=1:256;plot(x,A1,'r');hold on plot(x,T1,'b')hold on plot(x,K,'w');hold on plot(x,L,'y'