《人工神經(jīng)網(wǎng)絡(luò)》word版

1、摘要 隨著經(jīng)濟(jì)的發(fā)展和人們投資意識(shí)的轉(zhuǎn)變，股票投資已成為現(xiàn)代人生活中一個(gè)重要組成部分，而股票價(jià)格的預(yù)測(cè)也成為投資者關(guān)心和研究的重點(diǎn)。由于股票投資的收益與風(fēng)險(xiǎn)往往是成正比的，如何建立一個(gè)運(yùn)算速度和精確度都比較高的股市預(yù)測(cè)模型，對(duì)于金融投資者具有理論意義和實(shí)際應(yīng)用價(jià)值。 本文在深入分析股票市場(chǎng)預(yù)測(cè)面臨的關(guān)鍵問題和比較各種股票預(yù)測(cè)方法的基礎(chǔ)上，探討利用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)對(duì)股票走勢(shì)進(jìn)行分析和預(yù)測(cè)的可行性。BP網(wǎng)絡(luò)通過對(duì)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(chǔ)在網(wǎng)絡(luò)具體的權(quán)值、閥值中，用以預(yù)測(cè)未來的走勢(shì)。 針對(duì)BP算法在股市預(yù)測(cè)中存在的學(xué)習(xí)速度慢、容易陷入局部

2、極小值、預(yù)測(cè)結(jié)果精度不高等問題，提出一種改進(jìn)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(duì)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(jìn)行調(diào)整，減少隱層節(jié)點(diǎn)數(shù)，加快BP網(wǎng)絡(luò)的收斂速度。根據(jù)BP網(wǎng)絡(luò)進(jìn)行股市預(yù)測(cè)的原理，建立基于BP網(wǎng)絡(luò)的股市預(yù)測(cè)模型，采用改進(jìn)后的BP算法進(jìn)行股市預(yù)測(cè)，并通過MATLAB軟件對(duì)其預(yù)測(cè)過程進(jìn)行仿真實(shí)驗(yàn)。關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)，股票預(yù)測(cè)，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(chǎng)經(jīng)濟(jì)的產(chǎn)物，股票的發(fā)行與交易促進(jìn)了市場(chǎng)經(jīng)濟(jì)的發(fā)展。近年來，股票市場(chǎng)已經(jīng)逐步成為證券業(yè)乃至整個(gè)金融業(yè)必不可少的組成部分，顯示出強(qiáng)大的生命力，股票投資也已經(jīng)成為人們同常生活的一個(gè)重要組成部分。股市的暴漲暴跌對(duì)金融市場(chǎng)會(huì)產(chǎn)生很大的振蕩，直接影響到金融市場(chǎng)的穩(wěn)定和經(jīng)濟(jì)的健康發(fā)展。如果能夠預(yù)測(cè)股票的漲跌，及時(shí)對(duì)股票市場(chǎng)進(jìn)行合理的調(diào)控和健康的引導(dǎo)，這將為我國(guó)經(jīng)濟(jì)的持續(xù)發(fā)展提供孥實(shí)的后盾。 近年來，隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的迅猛發(fā)展，為股票市場(chǎng)的建模與預(yù)測(cè)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(duì)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(hào)處理、模式識(shí)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(qiáng)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(cè)方法的許多局限以及面臨的困難，同時(shí)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(cè)，在股市預(yù)測(cè)模型建造的合理性以及適用性方面都具有其獨(dú)特的優(yōu)勢(shì)，將為股票這種非線性系統(tǒng)的預(yù)測(cè)提供廣闊的發(fā)展空間。另一方面，一般計(jì)量統(tǒng)計(jì)的時(shí)間序列模型很難處理高度非線性的問題。然而，股票市場(chǎng)是一個(gè)極其復(fù)雜的動(dòng)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(cè)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(cè)結(jié)果往往不盡人意。 總之，股票市場(chǎng)作為社會(huì)主義市場(chǎng)經(jīng)濟(jì)的重要組成部分，在我國(guó)的經(jīng)濟(jì)發(fā)展中發(fā)揮著重要的作用。研究股票的預(yù)測(cè)能夠指導(dǎo)投資者進(jìn)行有益的投資，不僅可以為個(gè)人提供利潤(rùn)，更可以為國(guó)家經(jīng)濟(jì)的發(fā)展做出貢獻(xiàn)。12研究目的及意義 股票交易是現(xiàn)代經(jīng)濟(jì)活動(dòng)中常見的風(fēng)險(xiǎn)投資活動(dòng)，與相對(duì)安全但收入穩(wěn)定的其他金融投資活動(dòng)相比，這是為了獲得高收益而主動(dòng)承擔(dān)高風(fēng)險(xiǎn)的投資活動(dòng)。然而，股票市場(chǎng)具有收益和風(fēng)險(xiǎn)的雙重特性，股票投資的收益與風(fēng)險(xiǎn)往往是成正比的，即投資收益越高，可能冒的風(fēng)險(xiǎn)越大。隨著越來越多的人進(jìn)入股市進(jìn)行投資活動(dòng)，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(xiǎn)。因此，股市預(yù)測(cè)方法的研究具有極其重要的理論意義和應(yīng)用價(jià)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(dá)和處理方式，對(duì)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(cuò)能力，是在自動(dòng)控制中最有用的學(xué)習(xí)算法之一，也是股票預(yù)測(cè)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(xiǎn)分析和評(píng)估，了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而正確預(yù)測(cè)股價(jià)走勢(shì)，幫助預(yù)測(cè)災(zāi)難性的股價(jià)振蕩。14主要研究?jī)?nèi)容及構(gòu)成論文后續(xù)章節(jié)安排如下： 第二章主要對(duì)股票預(yù)測(cè)的關(guān)鍵問題進(jìn)行討論，分析股市預(yù)測(cè)面臨的問

12、題，著重對(duì)幾種典型的股市預(yù)測(cè)方法進(jìn)行比較分析，給出本文研究中所采用的方法。 第三章針對(duì)BP神經(jīng)網(wǎng)絡(luò)及其算法在股票預(yù)測(cè)中存在的不足，對(duì)BP算法進(jìn)行改進(jìn)，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(jìn)的BP算法建立基于BP網(wǎng)絡(luò)的股票預(yù)測(cè)模型，并選取有代表性的個(gè)股進(jìn)行應(yīng)用預(yù)測(cè)，通過MATLAB仿真檢驗(yàn)其可行性和有效性。第五章對(duì)論文工作進(jìn)行總結(jié)，指出今后的研究方向。股票預(yù)測(cè)的關(guān)鍵問題分析21股票預(yù)測(cè)的評(píng)價(jià)指標(biāo)股票的市場(chǎng)價(jià)格由股票的價(jià)值決定，但是同時(shí)受到許多因素的影響。股票預(yù)測(cè)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(cè)的常用變量1)綜合指數(shù) 代表整個(gè)股市

13、的氣勢(shì)，是大盤分析的代表變量，在國(guó)內(nèi)分為上證綜合指數(shù)和深證綜合指數(shù)。2)開盤價(jià) 指當(dāng)日開盤后該股票的第一筆交易成交的價(jià)格。如果開市后30分鐘內(nèi)無成交價(jià)，則以前日的收盤價(jià)作為開盤價(jià)。3)收盤價(jià) 指每天成交中最后一筆股票的價(jià)格。4)最高價(jià) 指當(dāng)同所成交的價(jià)格中的最高價(jià)位。5)最低價(jià) 指當(dāng)日所成交的價(jià)格中的最低價(jià)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(jià)格乘以成交量。22神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(dòng)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(jī)制、高速運(yùn)算的能力、高度靈活可變的

14、拓?fù)浣Y(jié)構(gòu)、高度的非線性運(yùn)算，具有自學(xué)習(xí)、自組織的能力，得到了預(yù)測(cè)科學(xué)研究的重視。實(shí)踐中通常采用前饋式神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測(cè)。這是因?yàn)楫?dāng)我們?cè)噲D預(yù)測(cè)系統(tǒng)的下一個(gè)輸出時(shí)，假定在兩個(gè)不同時(shí)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(cè)的過程實(shí)際上是一個(gè)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(duì)時(shí)間序列進(jìn)行預(yù)測(cè)?；贐P神經(jīng)網(wǎng)絡(luò)的證券預(yù)測(cè)技術(shù)研究就是選擇股票價(jià)格作為訓(xùn)練樣本，將某

15、些交易同的股票價(jià)格及影響價(jià)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(shí)際輸出值；然后按照反方向傳播方向，根據(jù)輸出層的實(shí)際輸出和期望輸出之問的誤差，修節(jié)點(diǎn)間的連接權(quán)值，直到誤差達(dá)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(jìn)行股票價(jià)格走勢(shì)的預(yù)測(cè)，從而達(dá)到增加投資收益、降低投資風(fēng)險(xiǎn)的目的。23神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的優(yōu)勢(shì)神經(jīng)網(wǎng)絡(luò)用于股市預(yù)測(cè)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(cè)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(jià)走勢(shì)呈高度非線性，并且成交價(jià)、成交量中包含有大量決定股價(jià)變動(dòng)的內(nèi)在規(guī)律和特點(diǎn)，通過對(duì)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(diǎn)，并且刻畫這些規(guī)律和特點(diǎn)，因此用它對(duì)股票價(jià)格走勢(shì)預(yù)測(cè)具有很好的效果。一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法31改進(jìn)的BP算法人們?cè)跇?biāo)準(zhǔn)BP算法的基礎(chǔ)上進(jìn)行了許多有益的改進(jìn)，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(jìn)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(jìn)方法 BP算法的改

17、進(jìn)分為兩類，一類是基于標(biāo)準(zhǔn)梯度下降法的算法改進(jìn)，如動(dòng)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(jìn)，如共軛梯度法、擬牛頓法、LM法等。這里僅對(duì)本文提出的BP改進(jìn)算法中將涉及到的兩種方法進(jìn)行介紹：(1)附加動(dòng)量的BP算法 標(biāo)準(zhǔn)BP算法在調(diào)整權(quán)值時(shí)，只按時(shí)刻誤差的梯度下降方向調(diào)整，而沒有考慮時(shí)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(dòng)量項(xiàng)。附加動(dòng)量的引入可使網(wǎng)絡(luò)在修正其權(quán)值時(shí)，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(shì)，其作用如同一個(gè)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(dòng)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(dòng)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(shí)際應(yīng)用中，很難確定一個(gè)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(dòng)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(gè)較好的思路是自適應(yīng)改變學(xué)習(xí)率，使其該大時(shí)增大，該小時(shí)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(dòng)量時(shí)的判斷條件相仿，當(dāng)新誤差超過舊誤差一定的倍數(shù)時(shí)，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(shí)，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(jìn)行訓(xùn)練。當(dāng)一個(gè)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(jìn)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(duì)應(yīng)的權(quán)值的調(diào)整32改進(jìn)的BP算法的優(yōu)點(diǎn) 改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)的收斂速度相對(duì)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(shí)進(jìn)行了調(diào)整，改進(jìn)算法能有效地減少隱層節(jié)點(diǎn)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(jìn)

20、的BP算法在股市預(yù)測(cè)的應(yīng)用41 BP神經(jīng)網(wǎng)絡(luò)用于股票預(yù)測(cè)的基本步驟 用BP神經(jīng)網(wǎng)絡(luò)對(duì)股票市場(chǎng)價(jià)格進(jìn)行預(yù)測(cè)可以分為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練(或擬合)和預(yù)測(cè)兩個(gè)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(chǎng)是一個(gè)很不穩(wěn)定的動(dòng)態(tài)變化的非線性系統(tǒng)，不僅受國(guó)內(nèi)外經(jīng)濟(jì)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(chǎng)的未來走勢(shì)。因此必須選取正常運(yùn)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(cè)能力。另外，鑒于訓(xùn)練樣本的個(gè)數(shù)如果選取太多有可能造成計(jì)算量巨大，訓(xùn)練過程難以擬合，可能導(dǎo)致最終預(yù)測(cè)失??；而選取樣本過少又可能造成擬合誤差過大。(2)對(duì)股票樣本數(shù)據(jù)進(jìn)行預(yù)處理 在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)

21、測(cè)之前，為避免原始數(shù)據(jù)過大造成網(wǎng)絡(luò)麻痹，要對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，對(duì)于預(yù)測(cè)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(jìn)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(cè)結(jié)果的噪聲。(3)構(gòu)造訓(xùn)練樣本 對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)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(jià)、收盤價(jià)、最高價(jià)、最低價(jià)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(duì)他們進(jìn)行簡(jiǎn)單的計(jì)算便可以得到相關(guān)的狀態(tài)指標(biāo)?，F(xiàn)在市場(chǎng)上的大多數(shù)炒股軟件正是通過對(duì)這些狀態(tài)指標(biāo)的分析來進(jìn)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(duì)預(yù)測(cè)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(cè)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(gè)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(cè)的準(zhǔn)確性。如果效果很好，利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)未來進(jìn)行預(yù)測(cè)。否則，調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)，重復(fù)上一個(gè)步驟，直到得到較好的檢驗(yàn)結(jié)果。42基于BP網(wǎng)絡(luò)