基于神經(jīng)網(wǎng)絡的股票價格走勢預測及其MATLAB實現(xiàn)——論文(共33頁)

1、 基于(jy)神經(jīng)網(wǎng)絡的股票價格走勢預測及其MATLAB實現(xiàn) 摘要(zhiyo) 伴隨著我國經(jīng)濟的高速發(fā)展和廣大投資者日益旺盛的需求，股票投資已經(jīng)成為一種常見的投資手段，而股票價格預測也逐漸成為廣大投資者關心和研究的重點問題。股票價格的波動是一個高度復雜化的非線性動態(tài)系統(tǒng)，其本身具有諸如大規(guī)模數(shù)據(jù)、噪聲、模糊非線性等特點。針對這些特點本文在深入分析股票市場實際預測中所面臨的關鍵問題和比較各種已有的股票預測方法的基礎上，探討運用神經(jīng)網(wǎng)絡這一人工智能工具，研究基于(jy)歷史數(shù)據(jù)分析的股票預測模型。神經(jīng)網(wǎng)絡是建立在對大規(guī)模的股票歷史數(shù)據(jù)的學習仿真的基礎上，運用黑盒預測方式找出股市波動的內(nèi)在規(guī)律，并

2、通過將其存儲在網(wǎng)絡的權(quán)值、閾值中，以此來預測未來短期或是中長期的價格走勢。關鍵字：神經(jīng)網(wǎng)絡，股票，預測，MATLAB工具箱ABSTRACTAlong with the economy growth and increasingly strong demand of many investors in our country, stock has become a common means of investment, and stock price forecast has greatly been one of the focuses of study topic. The change o

3、f stock price is a highly complicated nonlinear dynamic system, itself has many characteristics such as massive data, noise, fuzzy and nonlinear. This article analyses the key issues being existent in the real stock market prediction and compares various existing stock forecasting methods. We will t

4、ry to research on stock price prediction model based on a neural network with huge historical data.Neural network is based on studying massive historical data, uses the black box of forecasting ways to find the internal disciplinarian of stock market, and stores them in the weights and valves values

5、 of the neural network for predicting the short-term or long-term trend in the future.KEYWORD：Neural networks, Stock, prediction, MATLAB toolbox 目錄(ml)TOC o 1-2 u 摘要(zhiyo) PAGEREF _Toc2221 1一 緒論(xln) PAGEREF _Toc30653 31.1研究背景及意義 PAGEREF _Toc11977 31.2國內(nèi)外研究的現(xiàn)狀 PAGEREF _Toc13853 41.3 論文的研究方法及其框架結(jié)構(gòu) P

6、AGEREF _Toc12066 5二 股票預測的關鍵問題分析 PAGEREF _Toc6593 62.1 股票價格波動的因素以及預測的基本假設 PAGEREF _Toc4300 62.2 股票預測的常用術(shù)語和技術(shù)指標 PAGEREF _Toc7971 82.3股票數(shù)據(jù)的特點 PAGEREF _Toc4394 11三 神經(jīng)網(wǎng)絡的基本原理介紹 PAGEREF _Toc15781 113.1人工神經(jīng)網(wǎng)絡的定義和發(fā)展過程 PAGEREF _Toc25460 123.2 神經(jīng)網(wǎng)絡基本原理 PAGEREF _Toc6005 123.3 BP神經(jīng)網(wǎng)絡介紹 PAGEREF _Toc21906 153.4 神

7、經(jīng)網(wǎng)絡的特點 PAGEREF _Toc28043 193.5 神經(jīng)網(wǎng)絡的在實際預測模型中的問題 PAGEREF _Toc19619 19四 神經(jīng)網(wǎng)絡算法 PAGEREF _Toc8321 214.1 輸出輸入變量的選取 PAGEREF _Toc24296 214.2數(shù)據(jù)歸一化處理 PAGEREF _Toc3421 224.3數(shù)據(jù)樣本分類 PAGEREF _Toc15859 224.4網(wǎng)絡初始化 PAGEREF _Toc19845 224.5 訓練網(wǎng)絡 PAGEREF _Toc31549 234.6網(wǎng)絡仿真 PAGEREF _Toc23414 24五 仿真實驗 PAGEREF _Toc17052

8、 244.1 單日收盤價對單日收盤價預測 PAGEREF _Toc27114 244.2 單日收盤價，成交量對單日收盤價預測 PAGEREF _Toc16682 254.3 多日收盤價，成交量對單日收盤價預測 PAGEREF _Toc27038 264.4 多日收盤價，成交量對多日收盤價預測 PAGEREF _Toc25753 27六 結(jié)論和展望 PAGEREF _Toc22996 28附錄（股票數(shù)據(jù)和程序代碼） PAGEREF _Toc15889 28一 緒論(xln)1.1研究背景(bijng)及意義許多偉大的預言家認為，每一個世紀的開始十年發(fā)生的事情將奠定(dindng)這個世紀的發(fā)展方

9、向。進入新的21世紀以來，頭十年發(fā)生的最重要的一件事情莫過于2008年的金融危機。這場罕見的金融風暴不僅給中國帶來了巨大的沖擊，也給國際市場帶來了更多的挑戰(zhàn)。毋庸置疑，21世紀是金融家的世紀，雖然華爾街帶著貪婪與欲望的負面形象向我們走來，但我們堅信在未來將會出現(xiàn)更多的這種華爾街聚集地。21世紀的經(jīng)濟既是一種以知識為本的經(jīng)濟，又是一種金融化的經(jīng)濟?，F(xiàn)代科學技術(shù)的發(fā)展及其在產(chǎn)業(yè)中的擴散，是2l世紀經(jīng)濟增長的原動力，而現(xiàn)代金融則使這種原動力以乘數(shù)效應推動著經(jīng)濟的增長。證券投資是現(xiàn)代金融重要的組成部分，它是指投入貨幣或?qū)嵨铮纬勺C券形態(tài)的金融資產(chǎn)，并通過持有和運用這些資產(chǎn)獲取增值收益的行為。正是由于證

10、券投資具有實現(xiàn)價值增值、支撐社會融資、化解供求壓力、穩(wěn)定經(jīng)濟運行、傳遞經(jīng)濟信息等功能，證券投資成了政府、企業(yè)和眾多投資者關心并參與的經(jīng)濟活動。在經(jīng)濟全球化、市場一體化和資產(chǎn)證券化的大背景下，2l世紀全球經(jīng)濟體系之間將更加開放、更富有流動性，財富的物質(zhì)形態(tài)逐漸淡出，資產(chǎn)或財富的虛擬化傾向日益明顯，在資產(chǎn)或財富的快速流動中，財富或在流動中增值，或在流動中消失。財富聚合速度日益加快，市場競爭更加激烈，經(jīng)濟運行的軸心逐步轉(zhuǎn)向現(xiàn)代金融業(yè)，經(jīng)濟運行的風險在明顯增大。而股票，作為證券投資的重要組成部分，眾所周知，股票價格受到國內(nèi)外政治、宏觀經(jīng)濟與微觀經(jīng)濟等許多錯綜復雜因素的影響，現(xiàn)在已經(jīng)成為整個社會經(jīng)濟的“

11、晴雨表”和“報警器”，其對于經(jīng)濟發(fā)展的影響不可估量。股票是市場經(jīng)濟的產(chǎn)物，股票的發(fā)行與交易促進了市場經(jīng)濟的發(fā)展。近年來，股票市場已經(jīng)逐步成為證券業(yè)乃至整個金融業(yè)必不可少的組成部分，顯示出強大的生命力，股票投資也已經(jīng)成為人們?nèi)粘Ｉ畹囊粋€重要組成部分。股市的暴漲暴跌對金融市場會產(chǎn)生很大的振蕩，直接影響到金融市場的穩(wěn)定和經(jīng)濟的健康發(fā)展。如果能夠預測股票的漲跌，及時對股票市場進行合理的調(diào)控和健康的引導，這將為我國經(jīng)濟的持續(xù)發(fā)展提供堅實的后盾。股票預測，是經(jīng)濟預測的一個分支，是指以準確的調(diào)查統(tǒng)計資料和股市信息為依據(jù)，從股票市場的歷史、現(xiàn)狀和規(guī)律性出發(fā)，運用科學的方法，對股票市場的未來發(fā)展前景做出預測。

12、在金融系統(tǒng)的預測研究中，股票預測是一個非常熱門的課題。這是因為股票市場具有高收益與高風險并存的特性，隨著股市的發(fā)展，人們不斷在探索其內(nèi)在規(guī)律，對于股市規(guī)律認識逐步加深，產(chǎn)生各種各樣的股市預測方法。但是，股票市場作為一種影響因素眾多、各種不確定性共同作用的復雜的巨系統(tǒng)(xtng)，其價格波動往往表現(xiàn)出較強的非線性的特征。另外，股市的建模與預測所處理的信息量往往十分龐大，對算法有很高的要求。正是由于這些復雜的因素，使得關于股市的預測往往難如人意。中國的股票市場雖然起步較晚，但隨著有關政策、法律法規(guī)的出臺和完善，股票市場逐步走向成熟、規(guī)范。股民在交易行動之前對股票市場的未來加以預測也會成為一種自覺(

13、zju)的思維活動。然而股票指數(shù)受國際市場、金融政策、利率政策、公司狀況及投資者心理承受能力等因素的影響，其走勢的預測非常困難。從中國股票市場的特征來看，大多數(shù)學者的結(jié)論支持中國股票市場的股票指數(shù)的時間序列是序列相關的，即歷史數(shù)據(jù)對股票的指數(shù)形成起作用，股票指數(shù)充分反映了所有相關的信息。因此，可以通過對歷史數(shù)據(jù)的分析來預測股票指數(shù)。在股票交易事務處理中，每天有開盤、最高價、最低價、收盤、流通量等交易信息為主的大量數(shù)據(jù)(shj)匯入數(shù)據(jù)庫。在股票交易過程中，每天有以交易信息為主的大量數(shù)據(jù)匯入數(shù)據(jù)庫，這些數(shù)據(jù)無疑對股民了解股市的走勢，做出正確的投資決策。本文利用神經(jīng)網(wǎng)絡具有很強的非線性逼近能力和自

14、學習、自適應等特性，將其應用于股票預測中，通過對股票歷史的交易數(shù)據(jù)挖掘去預測未來的股票的交易價格的變化與趨勢。1.2國內(nèi)外研究的現(xiàn)狀 股票交易作為一種現(xiàn)代經(jīng)濟活動中的常見風險投資交易，其高收益和高風險相伴相生的特點，使得股票交易具有很強的投機性。這種投機性是基于市場供求關系變化以及股票價格的實時波動，投資者追求在低價買入高價拋售中賺取相應差價，從而實現(xiàn)資本增值或是盈利。因此不論是投資者，更包括市場的監(jiān)管部門等都對分析股市、試圖預測股市的發(fā)展趨勢等股市核心問題積極關注和廣泛研究。在這樣的背景下，國內(nèi)外許多學者都對股市的預測分析方法進行了研究并都出了很多理論和實踐的結(jié)論。 在股票市場上，一般采用兩

15、類股票投資分析方法：基本分析法和技術(shù)分析法。其中基本分析法是通過對影響股票市場供求關系的基本因素進行分析，以此來確定股票的真正價值，判斷股票市場的未來走勢，提供投資者選擇股票交易的依據(jù)。而技術(shù)分析法則是一種完全根據(jù)股票市場行情變化而加以分析的方法，它通過對歷史資料(如股票的成交量和成交價格)進行分析，判斷整個股票市場或是個別單只股票價格未來的變化趨勢，給投資者提供交易股票的信號。這其中建立在統(tǒng)計學基礎之上常見的技術(shù)分析方法，有移動平均線法、點數(shù)圖法、K線圖法等。對于受政治、經(jīng)濟、心理、國際市場等多種因素影響的復雜股票市場，使用傳統(tǒng)的技術(shù)分析工具進行股票買賣決策難度較大，大多數(shù)投資者應用的結(jié)果并

16、不理想。 以下是幾種常見的股市預測方法介紹。1.時間序列分析法通過建立股價與綜合指數(shù)的時間序列辨識模型，如傳統(tǒng)的隨機游走模型(RW)，自回歸移動平均模型(ARIMA)，齊次非平穩(wěn)模型(ARMA)等來預測未來股價變化。它包括兩種類型：單變量與多變量。單變量模型對于短期預測具有良好的效果，但需要大量數(shù)據(jù)，并且模型結(jié)構(gòu)與參數(shù)的選取是非常復雜的過程；多變量模型例如Regression Analysis?？傊朔N分析方法只適用于短期預測，當預測周期變長，其準確性急劇下降。2.基于(jy)統(tǒng)計學理論的預測方法統(tǒng)計學理論的預測方法，主要是基于模型擬合和最小二乘原理建立各種回歸、自回歸、混合回歸模型進行預測。

17、此類方法，具有嚴格的數(shù)學基礎，應用較廣泛，近年也有相當?shù)陌l(fā)展。如廣義線性模型，它放松了經(jīng)典線性模型的假設(jish)，極大地豐富了回歸分析的理論，對假設進一步放松，提出了一般的回歸模型，該領域研究具有十分驚人的前景，但由于其僅能辨識參數(shù)的方向，應用起來十分不便，僅能對建模提供指導。3.灰色預測(yc)方法所謂灰色預測法，是指自變量和因變量之間滿足某種數(shù)學關系和滿足某種特定條件，但是由于歷史數(shù)據(jù)的不全面和不充分或某些變量尚不清楚和不確定，使預測處于一種半明半暗的狀態(tài)。 4.組合預測法對某一問題的預測可采用不同的預測方法，而每種預測方法的適用條件不盡相同，所產(chǎn)生的預測結(jié)果不同，其預測精度往往也不同

18、。但是這些單項預測法在數(shù)據(jù)處理及不同準則方面均有其獨到之處，能從不同的角度來推導和演繹，其預測結(jié)果都有一定的價值。一種更為科學的做法是，將不同的預測方法以某種方式進行適當?shù)慕M合，綜合利用各種預測所提供的信息，盡可能地提高預測精度，于是就形成了組合預測方法。組合預測法就是先利用兩種或兩種以上不同的單項預測法對同一預測對象進行預測。 5其他的預測方法 主要有：專家評估法，市場調(diào)查法等傳統(tǒng)的定性方法，馬爾可夫鏈預測法，趨勢外推預測法干預分析模型預測法，景氣預測法等定量分析法。 6.人工神經(jīng)網(wǎng)絡方法 自上世紀初至今，人工智能多次成為研究的熱點問題，并取得很大的發(fā)展。特別是人工神經(jīng)網(wǎng)絡作為對人腦的一種簡

19、單的抽象和模擬，是探索人類智能奧秘的有力工具，經(jīng)過長期的發(fā)展對神經(jīng)網(wǎng)絡的研究已經(jīng)取得了劃時代的進步，將其應用于各個領域。在金融領域，許多學者都開展了對神經(jīng)網(wǎng)絡的研究和應用。這其中最早的研究是1988年White利用用神經(jīng)網(wǎng)絡來預測IBM普通股每日報酬率，但是經(jīng)過訓練樣本的學習后，其預測結(jié)果不甚理想。他認為原因可能是神經(jīng)網(wǎng)絡陷入局部極小值而無法跳出，造成預測能力不強。后來在KimooAsakawa,Yoda and Takeoka等人的努力下，于1990年利用神經(jīng)網(wǎng)絡開發(fā)了一款Tokyo stock exchange Price index(TPOIX)預測系統(tǒng)，這款預測系統(tǒng)主要是對日本東京證券

20、交易所股價加權(quán)平均指數(shù)進行的預測，以此來為投資者決定買進賣出股票的最佳時機，最后得到的結(jié)果：人工神經(jīng)網(wǎng)絡模型所預測得到的報酬率優(yōu)于TOPIX加權(quán)平均指數(shù)的同等預測。1992年，Baba和Kozaki使用15個輸入變量、2個隱層及1個輸出變量的神經(jīng)網(wǎng)絡模型來預測日本股價的趨勢，訓練樣本分成上漲及下跌兩種趨勢的學習，在趨勢決定后，預測股價漲跌方向的正確率相當高，但是，若趨勢決定錯誤時，神經(jīng)網(wǎng)絡的預測能力減弱，無法正確預測股價。其實他們的研究為后來學者提供了一種新的預測方向即是不預測具體股價的參數(shù)，而運用神經(jīng)網(wǎng)絡的分類效果直接預測股價的漲跌趨勢，這也是很有實際意義的。1996年，Jovina Rom

21、an等人介紹了神經(jīng)網(wǎng)絡在投資，組合決策以及股票預測等金融相關領域中的應用，Shaun-inn Wu等人綜合應用了傳統(tǒng)的預測與人工智能預測方法，提高了相應的預測性能。1999年，Pesaran和Timmermann對過去25年的英國倫敦證券指數(shù)進行了預測，他們采用神經(jīng)網(wǎng)絡技術(shù)預測證券指數(shù)的月變化率達到了60左右的正確率。2001年，Chung Kim Kwong利用澳大利亞股票市場中的7家具體上市公司股票交易的數(shù)據(jù)進行神經(jīng)網(wǎng)絡預測研究，得到的平均預測精度為48.2%。 而與此同時國內(nèi)也有很多學者進行了相關的研究。但不管預測結(jié)果如何，由于股票市場的多噪聲，不穩(wěn)定，非線性等特性，使得這些預測依然很難

22、得到普遍的理想效果。可從另外一個方面來看，神經(jīng)網(wǎng)絡具有分布處理、自組織、自適應(shyng)、自學習和容錯性好等優(yōu)良特性，在處理股票預測這樣一個極其復雜的非線性動力學系統(tǒng)是可行的、有效的。所以這其中的研究重點在于樣本選取與預處理、神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)選擇（包括：神經(jīng)元個數(shù)、隱層數(shù)、輸入輸出函數(shù)等）、網(wǎng)絡的自適應能力等方面亟需改進。1.3 論文(lnwn)的研究方法及其框架結(jié)構(gòu) 其實在實際股票市場的交易中有很多相關的指標諸如股票的開盤價、最高價、最低價、中間價以及收盤價等，這些數(shù)據(jù)都從不同的角度(jiod)反映了當前的股票市場的波動情況。而一般的股票預測都是基于以下三點假設前提的：1.有效市場假設：

23、當股票價格的波動能夠充分地反映投資者所獲得的信息時，股票市場就是有效市場，也可以認為是此時股票價格是真正的透明博弈的供求關系的結(jié)果。股票價格變化始終是受到一國國內(nèi)宏觀、微觀經(jīng)濟以及國際其他市場的影響，而各種價格的變動反映出股票市場是有效市場；2.供求決定假設：指一切信息都會對股票市場的供求雙方相互博弈對比產(chǎn)生影響，供求關系決定了股票的交易量和交易價格；3.歷史相似原則：指由歷史資料所概括出來的規(guī)律（這些規(guī)律一般都認為是隱藏在交易的價格和交易量等反映股票市場波動的相關指標中的）已經(jīng)包含了未來股票市場的一切變動趨勢，忽略其他諸如一國國內(nèi)政局動亂沖突或是發(fā)生重大未曾預料的自然災害。本文其實所選用的神

24、經(jīng)網(wǎng)絡工具最重要的假設前提就是上面的第三條，即我們所得到的預測是基于黑箱的預測，股票的數(shù)據(jù)指標已經(jīng)完全隱藏了未來市場波動的一切因素，忽略其他外在不可控的因素的干擾。 二 股票預測的關鍵問題分析2.1 股票價格波動的因素以及預測的基本假設2.1.1 股票價格波動的因素 股票價格是指股票在發(fā)行和交易(jioy)時的價格，包括發(fā)行價格和市場價格。股票的發(fā)行價格是指股份公司在發(fā)行新股票時的價格。股票的發(fā)行價格一般是根據(jù)股票時價，股票行市的變化趨勢，股票籌集資本的難易程度和發(fā)行新股票時原有股東利益的影響等因素來決定的。影響股票價格的主要因素主要有以下幾個(j )方面：1.股票市場內(nèi)部(nib)因素：（1

25、）股票的供求關系。市場供求關系是影響股票價格的直接因素。當市場供給大于需求時，股票價格上漲，當市場供給小于需求時，股票下跌。（2）大戶的操縱。這主要是由于股票市場上,一些大戶利用各種不正當?shù)氖侄蝸聿倏v市場上股票的價格,使股票價格變化劇烈。在完全競爭有效的市場中是不存在這種壟斷力量的，但在實際的各個股票市場中都存在一定這種現(xiàn)象，特別是在我國的股市中，由于各個大型央企處于該行業(yè)的主導位置，很容易誘發(fā)高層腐敗所導致的操縱股市的行為。2.公司內(nèi)部因素：（1）公司的經(jīng)營狀況和盈利能力。這是影響股票價格最重要的基本因素。經(jīng)營狀況即指發(fā)行公司在經(jīng)營方面的概況包括經(jīng)營特征，如公司屬于商業(yè)企業(yè)還是工業(yè)企業(yè)，公司

26、在行業(yè)中的地位，產(chǎn)品性質(zhì)，內(nèi)銷還是外銷，技術(shù)密集型還是勞動密集型，批量生產(chǎn)還是個別生產(chǎn)，產(chǎn)品的生命周期，在市場上有無替代產(chǎn)品，產(chǎn)品的競爭力、銷售力和銷售網(wǎng)等。此外，公司的經(jīng)濟狀況還包括員工的構(gòu)成以及管理結(jié)構(gòu)、管理水平等。上述因素既可直接影響公司的財務狀況，亦可間接影響投資者的投資意向，進而影響股價變化。當公司的經(jīng)營狀況好，盈利能力強,股票價格的基礎扎實，大家認為此時的股票很穩(wěn)定，上漲的機會多，反之,公司的經(jīng)營狀況差，盈利能力弱，股票價格難以提高，下跌的機會大。（2）上市公司的財務狀況。發(fā)行公司的財務狀況亦是影響股價的重要原因之一。依照各國法規(guī)，凡能反映公司的財務狀況的重要指標都必須公開，上市公

27、司的財務狀況還需定期向社會公開。3.宏觀經(jīng)濟因素：（1）經(jīng)濟周期。宏觀經(jīng)濟周期的循環(huán)、波動與股價之間存在著緊密的聯(lián)系。一般情況下，股價總是伴隨著經(jīng)濟周期的變化而升降。在經(jīng)濟復蘇階段，投資逐步回升，資本周轉(zhuǎn)開始加速，利潤逐漸增加，股價呈上升趨勢。在繁榮階段，生產(chǎn)繼續(xù)增加，設備的擴充、更新加速，技術(shù)引入或是創(chuàng)新加快，就業(yè)機會不斷增多，工資持續(xù)上升并引起消費上漲；同時企業(yè)盈利不斷上升，投資活動趨于活躍，股價進入大幅度上升。在危機階段，由于有支付能力的需求減少，造成整個社會的生產(chǎn)過剩，企業(yè)經(jīng)營規(guī)模逐步縮小，產(chǎn)量下降，失業(yè)人數(shù)迅速增加，企業(yè)盈利能力急劇下降，股價隨之下跌；同時，由于危機到來，企業(yè)倒閉增加

28、，投資者紛紛拋售股票，股價亦急劇下跌。在蕭條階段，生產(chǎn)嚴重過剩并處于停滯狀態(tài)，商品價格低落且銷售困難，而在危機階段中殘存的資本流入股票市場，股價不再繼續(xù)下跌并漸趨于穩(wěn)定狀態(tài)。從這不難看出，股價不僅是伴隨著經(jīng)濟周期的循環(huán)波動而起伏的，而且，其變動往往在經(jīng)濟循環(huán)變化之前出現(xiàn)。兩者間相互依存的關系一般表現(xiàn)為：復蘇階段-股價回升；繁榮階段-股價上升；危機階段-股價下跌；蕭條階段-股價穩(wěn)定。（2）物價的變動。商品的價格是貨幣購買力的表現(xiàn)(bioxin)，所以物價水平被視為通貨膨脹或通貨緊縮的重要指標。一般而言，商品價格上升時，公司的產(chǎn)品能夠以較高的價格水平售出，盈利相應增加，股價亦會上升。如物價上升時，

29、那些擁有較大庫存產(chǎn)品的企業(yè)的生產(chǎn)成本是按原來的物價計算的，因而，可導致直接的盈利上升；對于需大量依賴新購原材料的企業(yè)而言，則可能產(chǎn)生不利影響。此外，由于物價上漲，股票也有一定的保值作用，也由于物價上漲，貨幣供應量增加，也會使社會游資進入股票市場，增大需求，導致股價上升。需要說明的是，物價與股價的關系并非完全是正相關，即物價上漲股價亦上升。當物價上漲到一定程度，由于經(jīng)濟過熱又會推動利率上升，則股價亦可能下降；此外，如物價上漲所導致的上升成本無法通過銷售轉(zhuǎn)嫁出去；物價上漲的程度引起投資者對股票價值所用折現(xiàn)率的估計提高而造成股票價值降低；物價上漲的程度使股票的保值作用降低，投資者把資金從股市抽出，投

30、到其他保值物品方面時等等，股價亦會相應下降。4.政策(zhngc)因素：（1）政治因素。政治因素指能對經(jīng)濟因素發(fā)生直接或間接影響的政治方面的原因，政治因素包括(boku)社會經(jīng)濟發(fā)展規(guī)劃,經(jīng)濟政策,政權(quán)的更替,政府的國民信賴,戰(zhàn)爭,動亂等,這些都會影響股票價格。（2）國家的經(jīng)濟政策。各國政府在財政政策、稅收政策、產(chǎn)業(yè)政策、貨幣政策、外貿(mào)政策等方面的變化，會影響股價變動。就財政收支政策看，當國家對某類企業(yè)實行稅收優(yōu)惠，那就意味著這些企業(yè)的盈利將相應增加，而這些企業(yè)公司發(fā)行的股票亦會受到重視，其價格容易上升。從財政支出政策看，當國家對某些行業(yè)或某類企業(yè)增加投入，就意味著這些行業(yè)、企業(yè)的生產(chǎn)將發(fā)展，

31、亦會同樣引起投資者的重視。此外，如產(chǎn)業(yè)政策的執(zhí)行，政府對產(chǎn)品和勞務的限價會導致相應股票價格下跌；稅收制度的改變，如調(diào)高個人所得稅，則會影響社會消費水平下降，引起商品滯銷，乃至于影響公司盈利及股價下跌，等等。(3)利率。一般來說,利率與股票價格成反比，但也有相關學者運用不同國家的股票市場數(shù)據(jù)得到了相反的結(jié)論。當利率上升時，會引起幾方面的變化，從而導致股價下降；一是公司借款成本增加，相應使利潤減少；二是資金從股市流入銀行，需求減少；三是投資者評估價值所用的折現(xiàn)率上升，股票價值因此會下降。反之則股價會上升。（4）財政開支；一般來說股票價格與財政開支同方向變化。(5)稅收制度.一般來說,當稅率和課稅種

32、類變更對公司和投資者有利時,股價將上升,反之則下降.(6)信用政策.一般來說當信用政策比較寬松時,股票價格上升可能性較大,反之則較小。5.其他因素：（1）國際經(jīng)濟技術(shù)因素。主要是國際經(jīng)濟變化趨勢,國際經(jīng)濟景氣度等因素,這些因素會影響股票的價格。 （2）心理預期因素。這主要是股票投資者在面對市場波動時心理預期的變化對股票價格的影響。市場上的大部分投資者都主觀認為只要上市公司盈利每年趨升，其相應股價必然會一起上漲，但事實往往是并非如此的，不同的投資者對上市公司未來的盈利狀況估計的結(jié)果不一致，例如一家公司的盈利較往年有超過百分之三十的升幅，公司股價亦都有可能因為市場預期有百分之五十的盈利增長而下挫，

33、反之，倘若市場認為公司虧損將會增加百分之十，但當最終的結(jié)果是該公司虧損只拓闊百分之五（即每股盈利出現(xiàn)負數(shù)），公司股價亦可能會因為業(yè)績較市場預期好而上升。另外，只要市場憧憬公司前景形勢可觀，能夠于將來為股東賺取大額回報，就算目前公司每股盈利出現(xiàn)嚴重虧損，股價亦有可能因為這一次又一次的美好憧憬等待而大幅走高?？傊绊懝竟蓛r的因素并不單單停留于每股盈利的多少，反而較市場預期的多或少，方才是決定公司股價升跌的重要元素。除此之外，新股上市、股票分割、匯率變動、國際收支以及個股的漲跌情況等因素對股價的波動也是有不同程度的影響的，因此(ync)，分析影響股價變動的因素有很多，市場的變化總是紛繁復雜的。2

34、.1.2 股市預測(yc)的基本假設1.市場行為涵蓋(hn i)一切信息在前面分析影響股票價格波動的因素時，我們已經(jīng)知道股價未來變化的趨勢直接取決于供求關系雙方的相互博弈，不論是股票市場內(nèi)部，公司財務狀況，宏觀經(jīng)濟的周期波動，還是政策影響或是心理預期變化等等導致的供大于求，股價下跌，而下跌的幅度大小則與供求的雙方差額相互關聯(lián)，但這些種種的復雜博弈都最終將集中反映在股票價格、成交量和時間序列之中。這些所有信息并不是每個投資者都可以直接得到，但所有的有需要的投資者都可以從股市的分析中得到有用的信息。2.股價變化有趨勢可遵循。股票價格的波動是有一定規(guī)律的，即保持原來運動方向的慣性，而股票價格的漲跌方

35、向是由供求關系決定的。股票價格的漲跌反映了一定時期內(nèi)供求關系的博弈，供求關系一旦確定，股票價格的變化趨勢就會一直持續(xù)下去。只要市場上的供求關系不發(fā)生根本改變，股票價格的波動趨勢就不會發(fā)生反轉(zhuǎn)。3.歷史會重演這條假設主要是基于心理學的命題。市場中進行具體買賣的是人，是由人決定最終的操作行為。因此，這一行為必然要受到人類心理學中某些規(guī)律的制約。在真實的市場交易上，人們在面對相似的情境時，會根據(jù)以往的經(jīng)驗和規(guī)律做出相類似的反映。而這些反映又會在新的應用中失敗或是成功對比得到加強。因此，根據(jù)市場上的歷史資料概括出來的經(jīng)驗和規(guī)律已經(jīng)包含了未來股票市場的一切變動趨勢，所以可以根據(jù)歷史資料的數(shù)據(jù)來預測未來股

36、票的波動趨勢。根據(jù)以上這三條假設，可以對股票市場的價格走勢做出合理的預測。2.2 股票預測的常用術(shù)語和技術(shù)指標2.2.1常用的股票術(shù)語1收盤價：前一交易日或前一天收盤前最后一筆交易的成交價格，反映該段交易多空雙方交戰(zhàn)的結(jié)果。2開盤價：是一天交易開始時第一筆成交價，目前深滬實行集合競價。如果開市后30分鐘內(nèi)無成交價，則以前日的收盤價作為開盤價。3最高價：是一天交易中最高價格的成交。4最低價：是一天交易中最低價格(jig)的成交。5買進價：委托(witu)買入的價格。6賣出價：委托(witu)賣出的價格。7成交價：成交價有低于、等于買入價，高于、等于賣出價，在買入賣出之間五種。8成交量：全日成交的

37、總量（股數(shù)、金額）。9漲跌：以每天的收盤價和前一天或前一交易日收盤價相比較，來決定股票價格實際漲跌狀況。10委買手數(shù)：現(xiàn)在所有委托買入下三檔之手數(shù)相加之總和。11委賣手數(shù)：現(xiàn)在所有委托賣出上三檔之手數(shù)相加之總和。12委比：委托買入的手數(shù)與委托賣出的手數(shù)之比，委比正值大，買方比賣方強，反之，賣方比買方強。13外盤：成交價在賣出價為外盤。14內(nèi)盤：成交價在買入價為內(nèi)盤。內(nèi)盤+外盤=總手數(shù) 15莊家：指參與股市操作的證券、保險、金融等資金雄厚的機構(gòu)，它們構(gòu)成股市的主力，莊家的操作意圖對股市的趨勢起著決定性的作用，是散戶跟蹤的目標。16市盈率：指某種股票每股市價與每股盈利的比率。市盈率=普通股每股市場

38、價格普通股每年每股盈利17市凈率：指股票市場價格與賬面價格的比值。市凈率=股票價格每股凈值18資產(chǎn)收益率：指企業(yè)凈利潤與平均資產(chǎn)總額的百分比。資產(chǎn)收益率=(凈利潤平均資產(chǎn)總額)*100%。19綜合指數(shù)：是大盤分析的代表變量，在我國國內(nèi)分為上證綜合指數(shù)和深證綜合指數(shù)。2.2.2常用的技術(shù)指標1.指數(shù)平滑異同移動平均線（MACD）指數(shù)平滑異同移動平均線（MACD）是以快速移動平均線（短期線）與慢速移動平均線（長期線）相對距離的變化提示買賣時機的指標。它首先以指數(shù)平滑計算法計算出快速移動平均線和慢速移動平均線，再以快速線數(shù)值減慢速線數(shù)值即得到快慢線相對距離的差離值，為使趨勢信號更明顯并且不受股價過分

39、波動的影響，對差離值也進行平滑計算，得到差離值的平均值，把差離值和差離平均值畫在以時間為橫軸，以 MACD 為縱軸的坐標上，通過觀察差離值和差離平均值的方向、絕對位置和相對位置關系，把它們的同向、異向和交叉現(xiàn)象作為買賣信號的提示，為使買賣信號更直觀，還可以從差離值減差離平均值之差向時間軸引垂直線，得到 MACD 柱狀線。指數(shù)平滑異同移動平均線是利用了快速移動平均線和慢速移動平均線，在一段上漲或下跌行情中兩線之間的差距拉大，而在漲勢或跌勢趨緩時兩線又相互接近或交叉的特征，通過雙重平滑運算后，用以研究和判別買賣時機的方法。2.威廉指標(zhbio)（WMS）威廉指標(zhbio)最早起源于期貨市場

40、，由 Larry Williams 于 1973 年首創(chuàng)。該指標通過分析一段時間內(nèi)股價高低價位和收盤價之間的關系，來量度股市的超買超賣狀態(tài)，依此作為短期投資信號的一種技術(shù)指標。目前它已經(jīng)成為中國股市中被廣泛使用的指標之一。WMS 的操作法則從兩方面考慮(kol)：一是 WMS 的數(shù)值，二是 WMS 曲線的形狀。第一，從 WMS 的取值方面考慮：當 WMS 高于 80 時，處于超賣狀態(tài)，行情即將見底，應當考慮買進；當 WMS 低于 20 時，處于超買狀態(tài)，行情即將見頂，應當考慮賣出。這里 80 和 20 只是一個經(jīng)驗數(shù)字，并不是絕對的。同時，WMS 在使用過程中應該注意與其他技術(shù)指標相配合。在盤

41、整過程中，WMS 的準確性較高；而在上升或下降趨勢當中，卻不能只以 WMS 超買超賣信號作為行情判斷的依據(jù)。第二，從 WMS 的曲線形狀考慮。在 WMS 進入低數(shù)值區(qū)位后(此時為超買)，一般要回頭。如果這時股價還繼續(xù)上升，就會產(chǎn)生背離，是賣出的信號。在 WMS進人高數(shù)值區(qū)位后(此時為超賣)，一般要反彈。如果這時股價還繼續(xù)下降，就會產(chǎn)生背離，是買進的信號。WMS 連續(xù)幾次撞頂(底)，局部形成雙重或多重頂(底)，則是賣出(買進)的信號。這里需要說明的是，WMS 的頂部數(shù)值為 0，底部數(shù)值為 100。3.隨機指數(shù)（KD）隨機指標 KD 是分析師喬治蘭德首先提出的技術(shù)分析理論。在股票、期貨等證券市場中

42、有很好的實戰(zhàn)效果。從實踐看，KD 指標的核心原理是平衡的觀點，即股價的任何動蕩都將向平衡位置回歸。KD 指標把一定周期內(nèi)最高股價和最低股價的中心點作為平衡位置，高于此位置過遠將向下回歸，低于此位置過遠將向上回歸。在分析中設置快速線 K 和慢速線 D 共同研判，另外還有考察 K、D 位置關系的 J 線。4.相對強弱指數(shù)（RSI）RSI 指標(Relative Strength lndex)是與 KD 指標齊名的常用技術(shù)指標。RSI 以一特定時期內(nèi)股價的變動情況推測價格未來的變動方向，并根據(jù)股價漲跌幅度顯示市場的強弱。相對強弱指標 RSI 是分析師(Wells. Wilder, Jr )于七十年代

43、首先提出的技術(shù)分析理論。RSI 是Relative Strength Index 的縮寫。盡管其歷史不長，但由于該指標客觀實用的特點，目前已為廣大投資者接受，從而成為廣泛使用的普及性指標之一。技術(shù)分析原理之一是市場變化包含一切。相對強弱指標正是從這一點出發(fā)，從市場價格變化觀察買賣雙方的力量變化，其中以價格上漲幅度代表買方力量，以價格下跌幅度代表賣方力量，以漲跌幅度的對比代表買賣雙方力量的對比，通過對比預測未來股價的運行方向，這種對比的比值就是 RSI 數(shù)值。5.乖離(ui l)率（BIAS）乖離率是表示當前股價偏離移動平均線程度的指標。當日收盤價減移動平均線之差與移動平均線的比值(bzh)，即

44、乖離率。在股市上，主要用乖離率來決定投資者的買賣行為。6. 心理線指標(zhbio)（PSY）PSY(Psychological Line)是從投資者的買賣趨向心理方面，將一定時期內(nèi)投資者看多或看空的心理事實轉(zhuǎn)化為數(shù)值，來研究和判斷股價未來走勢的技術(shù)指標。7.交易量指標（OBV）OBV 的英文全稱是 On Balance Volume，即“平衡交易量”，人們更多地稱其為能量潮，它是 Granville 在 20 世紀 60 年代提出來的。該指標的理論基礎是市場價格的有效變動必須有成交量配合，量是價的先行指標。利用 OBV 可以驗證當前股價走勢的可靠性，并可以得到趨勢可能反轉(zhuǎn)的信號。比起單獨使用

45、成交量來，OBV 看得更清楚。8.騰落指數(shù)（ADL）ADL(AdvanceDecline Line，騰落指數(shù))，中文名稱為騰落指數(shù)，即上升下降曲線的意思。ADL 是以股票每天上漲或下跌的家數(shù)作為觀察的對象，通過簡單算術(shù)加減來比較每日上漲股票和下跌股票家數(shù)的累積情況，形成升跌曲線，并與綜合指數(shù)相互對比，對大勢的未來進行預測。9.漲跌比率（ADR）ADR(AdvanceDecline Ratio)，中文名稱為漲跌比指標，即上升下降比。ADR 是根據(jù)股票的上漲家數(shù)和下跌家數(shù)的比值，推斷證券市場多空雙方力量的對比，進而判斷出證券市場的實際情況。10.超買超賣指標（OBOS）OBOS(Over Boug

46、ht OverSold，)中文名稱是超買超賣指標，也是運用上漲和下跌的股票家數(shù)的差距對大勢進行分析的技術(shù)指標。與 ADR 相比，其涵義更直觀，計算更簡便。OBOS 是用一段時間內(nèi)上漲和下跌股票家數(shù)的差距來反映當前股市多空雙方力量的對比和強弱。11.人氣買賣指標(AR)股市中買賣雙方的氣勢主要反映在每日股指最高點、最低點及開市點三者之間的關系上。人氣買賣指標(AR)指標是利用一定周期內(nèi)三者的差異及比值反映出股市強弱、買賣氣勢的指標。12.買賣意愿指標(BR)BR指標反映的是昨日股指收盤價與今日最高股指和最低股指之間的強弱走勢，從而反映股指意愿。2.3股票數(shù)據(jù)(shj)的特點在前面我們已經(jīng)分析過，

47、股票市場預測(yc)的常用變量和指標，而這些數(shù)據(jù)信息的本質(zhì)反映的是股票市場上多方復雜博弈的體現(xiàn)，這就直接導致了股票市場上的數(shù)據(jù)本身具有一些特殊的性質(zhì)。這些特殊的性質(zhì)才導致股票價格預測的難度，可這也正是學者們研究的動力。1.股票市場上的數(shù)據(jù)(shj)含有較多噪聲。 雖然在前面我們對股市預測的基本假設中已經(jīng)表明，股票市場上歷史總是會重演，因此我們可以用過去已有的數(shù)據(jù)黑箱預測未來股價波動，但實際上股票市場上經(jīng)常會有一些突發(fā)事件，它們并不會使股票價格的結(jié)構(gòu)(趨勢、周期等)發(fā)生質(zhì)的改變，僅僅會使股市數(shù)據(jù)發(fā)生暫時的偏離，但很快又會恢復到原來的趨勢及周期上去。例如：一國突發(fā)性的產(chǎn)生大規(guī)模的食品安全問題、發(fā)生

48、強烈地震等自然災害、機構(gòu)大戶的黑幕操作、局部武裝沖突等等。為了消除這些突然出現(xiàn)的噪聲奇異點，在線性的條件下，一般可以通過設計各種濾波器將噪音濾除，但在非線性條件下卻不能輕易處理，因為它們可能預示著股市基本結(jié)構(gòu)將要發(fā)生變化的趨勢，故而股票數(shù)據(jù)的這種特性要求處理股市數(shù)據(jù)的預測系統(tǒng)具有良好的魯棒性。2.股市上的數(shù)據(jù)具有非線性特性。股票價格自身以及影響其波動的因素多種多樣，這些變量之間往往呈現(xiàn)出非線性特性，并且這些非線性之間的數(shù)據(jù)關系一般都很復雜多元化，因此要求股市預測模型應具有強大的處理非線性問題的能力。雖然已經(jīng)發(fā)展起來的非線性數(shù)學、耗散結(jié)構(gòu)理論等為描述非線性動力學系統(tǒng)提供了一些可用的工具，但實際應

49、用于股票市場上實證分析仍有不少亟需解決的問題。3.股市數(shù)據(jù)往往反映了投資者的主觀性。股票市場無論怎么復雜多方博弈，其實際操作者都是投資者這些人的因素，而這些不同的投資者投資行為各有不同。不同的投資者所思考的投資方式不同，達到的目的不同，所獲得的股市已有的信息也不同，所關心的具體個股或是大盤走勢側(cè)重點不同，這都導致了股票交易具有極大的主觀性。投資者的主觀性，使得股票預測誤差相當大，并且隨著時間的累加誤差逐漸放大。與其他物理動力學系統(tǒng)不同，在股市預測系統(tǒng)中，對過去的樣本數(shù)據(jù)的最好匹配并不能保證是最好的未來預測，即建模數(shù)據(jù)的最小誤差準則并不是提高預測精度的最好準則，一種預測方法過去和現(xiàn)在的表現(xiàn)不能說

50、明其未來的預測結(jié)果。4.我國的股市波動具有很強的政策性導向。由于我國股市建立時間短，投資者的投資心態(tài)還不十分成熟，市場經(jīng)濟體制還不完備，股市上還存在很多國有巨頭操盤，并帶有很多計劃經(jīng)濟體制的特征，因此我國股市對于國家的政策性導向非常敏感。故而我國上證和深證中經(jīng)常出現(xiàn)所謂的暴漲暴跌，因此很難用一個穩(wěn)定的模型來對這種股市的變動做出準確的預測。三 神經(jīng)網(wǎng)絡的基本原理介紹3.1人工神經(jīng)網(wǎng)絡的定義和發(fā)展(fzhn)過程人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)，是人工智能的一種核心方法，是人類(rnli)中樞（大腦）神經(jīng)系統(tǒng)的簡化模型，是由大量簡單的并行分布的計算單元（

51、神經(jīng)元，neurons）互相連接而成的自適應非線性系統(tǒng)。 神經(jīng)網(wǎng)絡作為一種對人腦的最簡單的抽象和模擬，是探索人類智能奧秘的有力工具(gngj)，近年來它已經(jīng)發(fā)展成為一門設計生物、電子、計算機、數(shù)學、物理等多學科相互交叉的前沿性課題，其具有廣泛的應用前景。 神經(jīng)網(wǎng)絡的研究始于20世紀40年代。半個多世紀以來，它經(jīng)歷了一條由興起到衰退、又由衰退到興盛的曲折的發(fā)展過程，這一過程大致可分為以下的四個階段。1.初始發(fā)展階段：1940s初，導致了人工智能的研究。早在1943年，心理學家W.S.McCulloch和數(shù)學家W.Pitts在研究生物神經(jīng)元的基礎上合作提出的“興奮”與“抑制”兩種狀態(tài)的神經(jīng)元模型和

52、Hebb提出的神經(jīng)元連接強度的學習規(guī)則，開始了神經(jīng)科學理論的研究。1957年，F(xiàn).Rosenblatt提出了著名的感知器（Perceptron）模型，這是第一個真正的人工神經(jīng)網(wǎng)絡。1962年，B.Widrow和M.E.Hoff提出了的自適應線性單元（Adaline）網(wǎng)絡，其具有自適應學習功能，在信號處理、模式識別等方面受到普遍重視和應用。2.低潮時期：1960s末，這個時期對神經(jīng)網(wǎng)絡的研究進展不大。20世紀60年代到70年代，神經(jīng)網(wǎng)絡系統(tǒng)理論的發(fā)展處于一個低潮時期，造成這種情況的原因是發(fā)展過程中遇到了本質(zhì)的困難，即電子線路交叉極限的困難。在當時計算機技術(shù)還不夠發(fā)達的狀況之下，神經(jīng)網(wǎng)絡的應用沒有

53、展開，而人工智能和專家系統(tǒng)還處于發(fā)展的高潮期，因此很多學者放棄了對神經(jīng)網(wǎng)絡的研究。3.重新興起時期：1980s 中，這個階段導致的對神經(jīng)網(wǎng)絡的研究熱潮，致使幾乎將其應用于所有工程領域。 1982年和1984年，John.J.Hopfield博士先后在美國國家科學院的刊物上發(fā)表了其著名的Hopfield模型理論，這是一個非線性動力系統(tǒng)的理論模型，它引起了各國學者的關注，并力圖將這一數(shù)學模型進行電子學或光學的硬件實現(xiàn)。這就形成了人工神經(jīng)網(wǎng)絡的隊伍。1986年D.E.Rumelhart等提出了PDP(Parallel Distributed Processing)網(wǎng)絡思想。其中的誤差反饋傳播算法，即

54、BP算法，已成為至今影響最大、最為廣泛的一種網(wǎng)絡學習算法。4.發(fā)展高潮期：2000以后。 20世紀90年代以來神經(jīng)網(wǎng)絡理論變得更加外向，注視著自身與科學技術(shù)之間的相互作用，不斷產(chǎn)生了具有重要意義的概念和方法，并形成了良好的工具。21世紀初，在這十幾年學者們的努力下，神經(jīng)網(wǎng)絡理論的主要前沿領域包括：對智能和機器關系問題的認識進一步增長；神經(jīng)計算和進化計算取得重大進展；神經(jīng)網(wǎng)絡結(jié)構(gòu)和神經(jīng)元芯片作用不斷擴大。3.2 神經(jīng)網(wǎng)絡基本原理3.2.1神經(jīng)元模型(mxng)生物神經(jīng)元是一個小細胞，具有如下(rxi)功能：1.接收來自(li z)感官或其它細胞的輸入（輸入功能）；2.產(chǎn)生電輸出響應，并傳給其它神

55、經(jīng)元（輸出功能）。而人腦包含：個神經(jīng)元，這其中：生物神經(jīng)元主要有三個組成部分：細胞體、軸突、樹突。（如下圖所示）突觸(連接強度)樹突：Input(接收信息)細胞體軸突：Output(傳輸信息) 圖1生物神經(jīng)元簡圖說明：樹突（接收信息）：接收來自其它神經(jīng)元的電信號，并傳給細胞體。細胞體（信息處理器）對輸入信號： （數(shù)學描述）軸突（傳輸信息）：把細胞體的輸出信號傳給其它神經(jīng)元。突觸（儲存信息）：軸突和樹突的結(jié)合點（兩神經(jīng)元之間）。例如，新記憶的形成是通過改變突觸的強度（液狀體）來實現(xiàn)。人工神經(jīng)元人工神經(jīng)元是生物神經(jīng)元的簡單的模仿、簡化和抽象，是一個極其簡單的計算單元（函數(shù)）。 1943年，在神經(jīng)網(wǎng)

56、絡研究的早期，由McCulloch(神經(jīng)解剖學家)和Pitts(數(shù)學家)提出的MP模型是一種簡單的人工神經(jīng)元模型。在該模型中，神經(jīng)元的活動表現(xiàn)為“興奮”和“抑制”兩種狀態(tài)，其基本工作原理與如下的閾值單元模型基本相同。 圖2 人工(rngng)神經(jīng)元模型上述(shngsh)人工神經(jīng)元實現(xiàn)了的極其簡單的非線性函數(shù)映射(yngsh)處理，即：，其中：輸入（來自其它神經(jīng)元的信號）；輸出(軸突上的電信號)；權(quán)值(突觸的強度)；閾值、門限；激活函數(shù)、傳輸函數(shù)。3.2.2神經(jīng)網(wǎng)絡三要素：激活函數(shù)、網(wǎng)絡結(jié)構(gòu)、學習規(guī)則。1. 激活函數(shù)：它用于對求和單元的計算結(jié)果進行函數(shù)運算得到神經(jīng)元的輸出。下面是幾種典型的神經(jīng)

57、元的激活函數(shù)。(1) 線性激活函數(shù)： （用于線性自適應網(wǎng)絡）(2) 硬限幅激活函數(shù)： （用于感知器網(wǎng)絡）(3) 對數(shù)(S形)激活函數(shù)：， 性質(zhì)：2. 網(wǎng)絡結(jié)構(gòu)：在此只介紹最重要的單隱層的前向網(wǎng)絡結(jié)構(gòu)。(a) 網(wǎng)絡結(jié)構(gòu) 圖3 單隱層的前向網(wǎng)絡(wnglu)其中(qzhng)第一層的輸出表示為：，最終(zu zhn)輸出為：（的非線性映射）=, （其中：第k層第i個神經(jīng)元、第j個輸入的權(quán)值;第k層第i個神經(jīng)元的閾值。）(b) 逼近能力介紹現(xiàn)已證明：如上的單隱層(兩層)前向網(wǎng)絡（但選取第一層為對數(shù)S形激活函數(shù)，蘇楚成取線性激活函數(shù)）可任意精度的逼近中的任意函數(shù)。（此證明較難，在此略去）3. 學習規(guī)則

58、（訓練規(guī)則）：為了使網(wǎng)絡完成給定的任務，利用訓練樣本修正網(wǎng)絡權(quán)值和閾值的方法和過程。對于不同的網(wǎng)絡拓撲結(jié)構(gòu)和算法實現(xiàn)所選擇的學習規(guī)則都各有不同。3.2.3學習的兩種基本類型：有監(jiān)督學習和無監(jiān)督學習。1.有監(jiān)督學習，其訓練樣本具有如下形式：，, , .其中 網(wǎng)絡的輸入； 網(wǎng)絡的目標輸出。利用訓練樣本，調(diào)節(jié)網(wǎng)絡的參數(shù)，使網(wǎng)絡對應的輸出逼近2.無監(jiān)督學習，其訓練樣本為：；利用訓練樣本，調(diào)節(jié)網(wǎng)絡的參數(shù)，以表示輸入的某種固有特征(如聚類、某種統(tǒng)計上的分布特征)。3.3 BP神經(jīng)網(wǎng)絡介紹由于BP神經(jīng)網(wǎng)絡已廣泛應用于函數(shù)逼近、模式識別分類、數(shù)據(jù)壓縮等領域,它也是前饋網(wǎng)絡的核心內(nèi)容,是人工神經(jīng)網(wǎng)絡最精的部分。

59、因此，在此我們只詳細的探討B(tài)P網(wǎng)絡的結(jié)構(gòu)和相關算法。3.3.1 BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu) 單隱層前向網(wǎng)絡 一般層 (第層結(jié)構(gòu) ()其中(qzhng)，激活函數(shù)：Sigmoid激活(j hu)函數(shù):；對稱(duchn)的Sigmoid激活函數(shù):；線性激活函數(shù): (輸出層，函數(shù)逼近)如果多層前向網(wǎng)絡的輸出層采用Sigmoid激活函數(shù),其輸出值將會限制在范圍 (0,l) 內(nèi)（通常用于分類問題）；如果多層前向網(wǎng)絡的輸出層采用對稱的Sigmoid激活函數(shù),其輸出值將會限制在范圍 (-1,l) 內(nèi)（通常用于分類問題）；如果多層前向網(wǎng)絡的輸出層采用線性激活函數(shù)則可以取任意值（通常用于函數(shù)逼近問題）。 下面給出

60、網(wǎng)絡第層更精確的結(jié)構(gòu)。第層輸出為，稱為第層第個神經(jīng)元的凈輸入(shr)。3.3.2 反向(fn xin)傳播算法 (Backpropagation Algorithm)即 BP算法在確定了網(wǎng)絡的結(jié)構(gòu)后,要通過(tnggu)訓練樣本集對網(wǎng)絡進行訓練,即對網(wǎng)絡的閾值和權(quán)值進行學習和修正,以使網(wǎng)絡實現(xiàn)給定的輸入/輸出映射關系。下面給出學習網(wǎng)絡的閾值和權(quán)值的BP算法。1. 隨機梯度法 (極小化均方誤差)設，. 記，其中，目標: 求解梯度法： 由于無法計算，因此采樣下面的隨機梯度法。隨機梯度法 , 2. BP算法推導目標(mbio): 給出計算(j sun)，的快速(kui s)算法。為了給出計算，的遞