《人工神經(jīng)網(wǎng)絡(luò)》word版

1、摘要 隨著經(jīng)濟的發(fā)展和人們投資意識的轉(zhuǎn)變，股票投資已成為現(xiàn)代人生活中一個重要組成部分，而股票價格的預(yù)測也成為投資者關(guān)心和研究的重點。由于股票投資的收益與風(fēng)險往往是成正比的，如何建立一個運算速度和精確度都比較高的股市預(yù)測模型，對于金融投資者具有理論意義和實際應(yīng)用價值。 本文在深入分析股票市場預(yù)測面臨的關(guān)鍵問題和比較各種股票預(yù)測方法的基礎(chǔ)上，探討利用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)對股票走勢進行分析和預(yù)測的可行性。BP網(wǎng)絡(luò)通過對以往歷史數(shù)據(jù)的學(xué)習(xí)，找出股市發(fā)展的內(nèi)在規(guī)律，并將其存儲在網(wǎng)絡(luò)具體的權(quán)值、閥值中，用以預(yù)測未來的走勢。 針對BP算法在股市預(yù)測中存在的學(xué)習(xí)速度慢、容易陷入局部

2、極小值、預(yù)測結(jié)果精度不高等問題，提出一種改進的BP神經(jīng)網(wǎng)絡(luò)算法。通過重新選取神經(jīng)元的激活函數(shù)，對輸出層和隱層中神經(jīng)元轉(zhuǎn)換函數(shù)的權(quán)值、縮放系數(shù)和位移參數(shù)進行調(diào)整，減少隱層節(jié)點數(shù)，加快BP網(wǎng)絡(luò)的收斂速度。根據(jù)BP網(wǎng)絡(luò)進行股市預(yù)測的原理，建立基于BP網(wǎng)絡(luò)的股市預(yù)測模型，采用改進后的BP算法進行股市預(yù)測，并通過MATLAB軟件對其預(yù)測過程進行仿真實驗。關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)，股票預(yù)測，BP算法，激活函數(shù)ABSTRACT With the economic growth and the conversion of peopleSinvestment consciousness，stock has become

3、 an important part of peopleSlife in modem timeStock forecast has greatly been one of focuses ofpublic topicThe proceeds of stock investment always equal the riskSoestablishing a stock forecasting model，which has higher operation rateand precision，has theoretical significance and applicable valueThi

4、s dissertation analyses the main problems being existent in theprocess of stock market prediction and compares various stockforecasting methodsThe feasibility of forecasting stock trend by usingBP neural network iS discussedBP neural network finds out thedisciplinarian of stock market through learni

5、ng historical datum and storethem in the weights and valve values of the neural network forforecasting the trend in the future Based on studying these existing problems of BP algorithms in stackforecasting，including the slow leaming speed，local extremum and thelow prediction precision，an improved BP

6、 neural network algorithm iSpresentedThis algorithm reduces number of hidden nodes and enhancesthe convergence speed by re-selecting activation function and adjustingweight value of transformation function，scaling coefficient anddisplacement parameter in output layer and hidden layerAccording to the

7、 principle of stock prediction based on BP network，the prediction model of stock has been establishedThe stock iS predicted by adopting improved BP algorithm and the simulation experiments are conducted through MATLABKEY WORDS neural networks，stock prediction，BP algorithm，activation function 第一章 緒論1

8、1課題的研究背景 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)成為人們同常生活的一個重要組成部分。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(yù)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(dǎo)，這將為我國經(jīng)濟的持續(xù)發(fā)展提供孥實的后盾。 近年來，隨著計算機技術(shù)和人工智能技術(shù)的迅猛發(fā)展，為股票市場的建模與預(yù)測提供了新的方法，而神經(jīng)網(wǎng)絡(luò)作為一種有效的智能信息處理技術(shù)，能依據(jù)數(shù)據(jù)本身的內(nèi)在聯(lián)系建模，具有良好的非線性逼近能力和對雜亂信

9、息的綜合處理能力，成為探索人類智能奧秘的有力工具，在信號處理、模式識別和控制等許多領(lǐng)域已經(jīng)取得了令人矚目的發(fā)展，并得到了廣泛應(yīng)用。由于神經(jīng)網(wǎng)絡(luò)具有很強的非線性逼近能力和自學(xué)習(xí)、自適應(yīng)等特性，它不需要建立復(fù)雜的非線性系統(tǒng)的顯式關(guān)系和數(shù)學(xué)模型，可以克服傳統(tǒng)定量預(yù)測方法的許多局限以及面臨的困難，同時也能避免許多人為因素的影響。因而將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于股票預(yù)測，在股市預(yù)測模型建造的合理性以及適用性方面都具有其獨特的優(yōu)勢，將為股票這種非線性系統(tǒng)的預(yù)測提供廣闊的發(fā)展空間。另一方面，一般計量統(tǒng)計的時間序列模型很難處理高度非線性的問題。然而，股票市場是一個極其復(fù)雜的動力學(xué)系統(tǒng)，高噪聲、嚴(yán)重非線性和投資者的

10、盲目任意性等因素決定了股票預(yù)測的復(fù)雜與困難度，應(yīng)用現(xiàn)有的技術(shù)分析方法，預(yù)測結(jié)果往往不盡人意。 總之，股票市場作為社會主義市場經(jīng)濟的重要組成部分，在我國的經(jīng)濟發(fā)展中發(fā)揮著重要的作用。研究股票的預(yù)測能夠指導(dǎo)投資者進行有益的投資，不僅可以為個人提供利潤，更可以為國家經(jīng)濟的發(fā)展做出貢獻。12研究目的及意義 股票交易是現(xiàn)代經(jīng)濟活動中常見的風(fēng)險投資活動，與相對安全但收入穩(wěn)定的其他金融投資活動相比，這是為了獲得高收益而主動承擔(dān)高風(fēng)險的投資活動。然而，股票市場具有收益和風(fēng)險的雙重特性，股票投資的收益與風(fēng)險往往是成正比的，即投資收益越高，可能冒的風(fēng)險越大。隨著越來越多的人進入股市進行投資活動，人們迫切需要一種有

11、效的分析方法，能夠最大限度的增加收益，降低風(fēng)險。因此，股市預(yù)測方法的研究具有極其重要的理論意義和應(yīng)用價值。 神經(jīng)網(wǎng)絡(luò)是近年來的熱門研究領(lǐng)域，它以全新的與傳統(tǒng)不同的信息表達和處理方式，對人工智能研究產(chǎn)生了巨大的吸引力。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)，它具有非線性映射能力、泛化能力和容錯能力，是在自動控制中最有用的學(xué)習(xí)算法之一，也是股票預(yù)測分析的首選神經(jīng)網(wǎng)絡(luò)。將BP神經(jīng)網(wǎng)絡(luò)技術(shù)引入股票投資風(fēng)險分析和評估，了解股價運行的規(guī)律和內(nèi)在機制，從而正確預(yù)測股價走勢，幫助預(yù)測災(zāi)難性的股價振蕩。14主要研究內(nèi)容及構(gòu)成論文后續(xù)章節(jié)安排如下： 第二章主要對股票預(yù)測的關(guān)鍵問題進行討論，分析股市預(yù)測面臨的問

12、題，著重對幾種典型的股市預(yù)測方法進行比較分析，給出本文研究中所采用的方法。 第三章針對BP神經(jīng)網(wǎng)絡(luò)及其算法在股票預(yù)測中存在的不足，對BP算法進行改進，通過調(diào)整神經(jīng)元的激活函數(shù)來加快BP網(wǎng)絡(luò)的訓(xùn)練速度，避免網(wǎng)絡(luò)陷入局部極小值。 第四章利用改進的BP算法建立基于BP網(wǎng)絡(luò)的股票預(yù)測模型，并選取有代表性的個股進行應(yīng)用預(yù)測，通過MATLAB仿真檢驗其可行性和有效性。第五章對論文工作進行總結(jié)，指出今后的研究方向。股票預(yù)測的關(guān)鍵問題分析21股票預(yù)測的評價指標(biāo)股票的市場價格由股票的價值決定，但是同時受到許多因素的影響。股票預(yù)測的相關(guān)變量及常用技術(shù)指標(biāo)如下所示。(1)股票預(yù)測的常用變量1)綜合指數(shù) 代表整個股市

13、的氣勢，是大盤分析的代表變量，在國內(nèi)分為上證綜合指數(shù)和深證綜合指數(shù)。2)開盤價 指當(dāng)日開盤后該股票的第一筆交易成交的價格。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)收盤價 指每天成交中最后一筆股票的價格。4)最高價 指當(dāng)同所成交的價格中的最高價位。5)最低價 指當(dāng)日所成交的價格中的最低價位。6)成交量 股票成交的數(shù)量。手是股票成交的最小單位，一手為100股。7)成交金額指用貨幣表示的股票成交總量，等于成交價格乘以成交量。22神經(jīng)網(wǎng)絡(luò)預(yù)測方法神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模并行的復(fù)雜的非線性動力系統(tǒng)，它可表示極其復(fù)雜的非線性模型系統(tǒng)，具有高度并行的處理機制、高速運算的能力、高度靈活可變的

14、拓撲結(jié)構(gòu)、高度的非線性運算，具有自學(xué)習(xí)、自組織的能力，得到了預(yù)測科學(xué)研究的重視。實踐中通常采用前饋式神經(jīng)網(wǎng)絡(luò)來進行預(yù)測。這是因為當(dāng)我們試圖預(yù)測系統(tǒng)的下一個輸出時，假定在兩個不同時刻，若系統(tǒng)有同樣的輸入，兩次的輸出應(yīng)是相同的，即系統(tǒng)具有一定的確定性。只要能提供適當(dāng)?shù)妮斎?，確定性系統(tǒng)是能夠被模擬的。因此，預(yù)測的過程實際上是一個模擬確定性系統(tǒng)的過程。而前饋式神經(jīng)網(wǎng)絡(luò)是很好的模擬確定性系統(tǒng)的工具。由于三層前饋式神經(jīng)網(wǎng)絡(luò)具有可逼近任意復(fù)雜連續(xù)函數(shù)關(guān)系的能力，而這些能力是其它方法所不具有的，因此三層前饋神經(jīng)網(wǎng)絡(luò)非常適合對時間序列進行預(yù)測?；贐P神經(jīng)網(wǎng)絡(luò)的證券預(yù)測技術(shù)研究就是選擇股票價格作為訓(xùn)練樣本，將某

15、些交易同的股票價格及影響價格的因素作為輸入向量，按照前向傳播方向，得到輸出層的實際輸出值；然后按照反方向傳播方向，根據(jù)輸出層的實際輸出和期望輸出之問的誤差，修節(jié)點間的連接權(quán)值，直到誤差達到允許的最小值。經(jīng)過調(diào)整的最后的權(quán)值，就是BP網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確的內(nèi)部表示。使用經(jīng)訓(xùn)練后的BP網(wǎng)絡(luò)模型進行股票價格走勢的預(yù)測，從而達到增加投資收益、降低投資風(fēng)險的目的。23神經(jīng)網(wǎng)絡(luò)預(yù)測的優(yōu)勢神經(jīng)網(wǎng)絡(luò)用于股市預(yù)測取得了很好的效果，數(shù)學(xué)上已經(jīng)證明了，人工神經(jīng)網(wǎng)絡(luò)可以逼近那些最佳刻畫樣本數(shù)據(jù)規(guī)律的函數(shù)，而不論這些函數(shù)具有怎樣的形式。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力以及通過學(xué)習(xí)掌握數(shù)據(jù)問的依存關(guān)系，在股市預(yù)測中顯示出一定

16、的優(yōu)越性，比以往依靠推導(dǎo)數(shù)學(xué)模型、參數(shù)尋優(yōu)的非常精確而又因此帶來局限性的傳統(tǒng)方法具有極大的優(yōu)越性。股價走勢呈高度非線性，并且成交價、成交量中包含有大量決定股價變動的內(nèi)在規(guī)律和特點，通過對歷史交易數(shù)據(jù)的學(xué)習(xí)，人工神經(jīng)網(wǎng)絡(luò)就能從紛繁復(fù)雜的數(shù)據(jù)中自主的尋找出參數(shù)之問的規(guī)律和特點，并且刻畫這些規(guī)律和特點，因此用它對股票價格走勢預(yù)測具有很好的效果。一種改進的BP神經(jīng)網(wǎng)絡(luò)算法31改進的BP算法人們在標(biāo)準(zhǔn)BP算法的基礎(chǔ)上進行了許多有益的改進，主要目標(biāo)是為了加快訓(xùn)練速度，避免陷入局部極小值和改善其能力。改進后的BP網(wǎng)絡(luò)的訓(xùn)練收斂速度比標(biāo)準(zhǔn)梯度下降法快數(shù)十倍乃至數(shù)百倍。331現(xiàn)有BP算法的改進方法 BP算法的改

17、進分為兩類，一類是基于標(biāo)準(zhǔn)梯度下降法的算法改進，如動量法、自適應(yīng)學(xué)習(xí)速率法、彈性BP法等：另一類是基于數(shù)值優(yōu)化方法的改進，如共軛梯度法、擬牛頓法、LM法等。這里僅對本文提出的BP改進算法中將涉及到的兩種方法進行介紹：(1)附加動量的BP算法 標(biāo)準(zhǔn)BP算法在調(diào)整權(quán)值時，只按時刻誤差的梯度下降方向調(diào)整，而沒有考慮時刻以前的梯度方向，從而常使訓(xùn)練過程發(fā)生振蕩，收斂緩慢。為了提高網(wǎng)絡(luò)的訓(xùn)練速度，可以在權(quán)值調(diào)整公式中增加一動量項。附加動量的引入可使網(wǎng)絡(luò)在修正其權(quán)值時，不僅考慮局部的梯度信息，而且考慮誤差曲面最近的變化趨勢，其作用如同一個低通濾波器，它允許網(wǎng)絡(luò)忽略網(wǎng)絡(luò)上的微小變化特性。在沒有附加動量的作用

18、下，網(wǎng)絡(luò)可能陷入淺的局部極小值，利用附加動量的作用則有可能滑過這些極小。(2)自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率 在標(biāo)準(zhǔn)BP算法中定為常數(shù)，然而在實際應(yīng)用中，很難確定一個自始至終都合適的最佳學(xué)習(xí)速率。學(xué)習(xí)過程中學(xué)習(xí)速率大收斂快，但過大可能引起不穩(wěn)定(動蕩)；學(xué)習(xí)速率小可避免不穩(wěn)定，但收斂速度就慢了，一個較好的思路是自適應(yīng)改變學(xué)習(xí)率，使其該大時增大，該小時減小。自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率的調(diào)整公式為：與采用附加動量時的判斷條件相仿，當(dāng)新誤差超過舊誤差一定的倍數(shù)時，學(xué)習(xí)速率將減少，否則其學(xué)習(xí)速率保持不變；當(dāng)新誤差小于舊誤差時，學(xué)習(xí)速率將被增加。此方法可以保證網(wǎng)絡(luò)總是以最大的可接受的學(xué)習(xí)速率進行訓(xùn)練。當(dāng)一個較大的學(xué)習(xí)速率仍

19、能夠使用網(wǎng)絡(luò)穩(wěn)定學(xué)習(xí)，使其誤差繼續(xù)下降，則增加學(xué)習(xí)速率，使其以更大的學(xué)習(xí)速率進行學(xué)習(xí)。一旦學(xué)習(xí)速率調(diào)得過大，而不能保證誤差繼續(xù)減少，則減少學(xué)習(xí)速率直到使其學(xué)習(xí)過程穩(wěn)定為止。332 BP算法中激活函數(shù)的調(diào)整本文調(diào)整了BP算法的轉(zhuǎn)換函數(shù)，采用tan-sigmoid轉(zhuǎn)換函數(shù),tan-sigmoid轉(zhuǎn)換函數(shù)的一般形式為：333對應(yīng)的權(quán)值的調(diào)整32改進的BP算法的優(yōu)點 改進后的BP神經(jīng)網(wǎng)絡(luò)的收斂速度相對標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)有很大的提高，這主要得益于將網(wǎng)絡(luò)的W和tan-sigmoid轉(zhuǎn)換函數(shù)的T和0同時進行了調(diào)整，改進算法能有效地減少隱層節(jié)點數(shù)、加快收斂速度和提高收斂精度，完善了轉(zhuǎn)換函數(shù)系數(shù)調(diào)整算法體系。改進

20、的BP算法在股市預(yù)測的應(yīng)用41 BP神經(jīng)網(wǎng)絡(luò)用于股票預(yù)測的基本步驟 用BP神經(jīng)網(wǎng)絡(luò)對股票市場價格進行預(yù)測可以分為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練(或擬合)和預(yù)測兩個部分，具體步驟如下：(1)選取訓(xùn)練樣本數(shù)據(jù)，構(gòu)造訓(xùn)練樣本 股票市場是一個很不穩(wěn)定的動態(tài)變化的非線性系統(tǒng)，不僅受國內(nèi)外經(jīng)濟因素的影響，而且人為的作用、政府的調(diào)控等都影響股票市場的未來走勢。因此必須選取正常運作情況下的股票樣本數(shù)據(jù)，否則抽取到的特殊數(shù)據(jù)將降低網(wǎng)絡(luò)的預(yù)測能力。另外，鑒于訓(xùn)練樣本的個數(shù)如果選取太多有可能造成計算量巨大，訓(xùn)練過程難以擬合，可能導(dǎo)致最終預(yù)測失??；而選取樣本過少又可能造成擬合誤差過大。(2)對股票樣本數(shù)據(jù)進行預(yù)處理 在進行神經(jīng)網(wǎng)絡(luò)預(yù)

21、測之前，為避免原始數(shù)據(jù)過大造成網(wǎng)絡(luò)麻痹，要對原始數(shù)據(jù)進行歸一化處理，對于預(yù)測值，由于變化幅度較大，也不宜直接作為神經(jīng)網(wǎng)絡(luò)的輸出，因此仍需進行必要的歸一化。將數(shù)據(jù)規(guī)范在-1，l之間，這樣可以盡可能地平滑數(shù)據(jù)，從而消除預(yù)測結(jié)果的噪聲。(3)構(gòu)造訓(xùn)練樣本 對股票價格進行預(yù)測的基礎(chǔ)是股市大量的歷史數(shù)據(jù)，這些數(shù)據(jù)主要包括每同的開開盤價、收盤價、最高價、最低價和成交量等。盡管從表面上看這些數(shù)據(jù)并不能直接反映股市的內(nèi)在規(guī)律，但是通過對他們進行簡單的計算便可以得到相關(guān)的狀態(tài)指標(biāo)?，F(xiàn)在市場上的大多數(shù)炒股軟件正是通過對這些狀態(tài)指標(biāo)的分析來進行人為的投資判斷。在技術(shù)分析中，分析周期的選擇是否恰當(dāng)，對預(yù)測結(jié)果有直接關(guān)系。(4)選用三層結(jié)構(gòu)BP網(wǎng)絡(luò)建立預(yù)測模型(5)訓(xùn)練網(wǎng)絡(luò) BP網(wǎng)絡(luò)的訓(xùn)練是網(wǎng)絡(luò)成功與否的非常重要的一個環(huán)節(jié)，網(wǎng)絡(luò)訓(xùn)練的好壞，直接關(guān)系到BP網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性。如果效果很好，利用訓(xùn)練好的網(wǎng)絡(luò)對未來進行預(yù)測。否則，調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)，重復(fù)上一個步驟，直到得到較好的檢驗結(jié)果。42基于BP網(wǎng)絡(luò)