四、眇神经网络的股票预测原理ＢＰ神经网络是神经网络模型里应用
基于ＢＰ网络的股票预测模型分析
口林秋芬
师佳英
昆明６５００９２）
（云南师范大学经济与管理学院，云南
最广泛的一种，三层ＢＰ神经网络可以无限逼近任意非线性函数。ＢＰ网络通过对纷繁复杂的历史数据的分析和学习，可以自主寻找出参数之间的规律，逼近股票价格变化的非线性特征。比如，本文将以一段连续的日期为输入，以实际股票价格为
缸摘要：股票市场是一个不稳定的非线性的动态变化系统。股票的价格受多种因素，
输出，通过研究这段时间内股票价格的变化规律，预测接下来一天或两天的股票价格的变化趋势。
五、神经网络的基本结构
神经网络的基本结构单元是神经细胞，也称神经元，它是神经网络的基本处理单元。激活函数是神经网络的核心，它
溺影响，呈现出非线性的变化规律．在股票价格的预测模型申，ＢＰ神经网络具有一定魄》比越性。它具有很强的学习能力、自适应能力，可以无限地逼近非线性函数。本文通过毙溯，证实了利用ＢＰ神经网络可以对股票进行短期的预测，具有较强的网络泛化能力．鲞
ｒ…｛一ｋ＾摊４～……ｏ山～嶂ｈ黼Ｋ鞲■■嫡∞■黼懒啦埔■蚓轴晶猷ｋ嘲搿—％翻“出曲∞日潮哺鼠自＿譬‰蒡键阐懋票烈。盟煎笔蹙篡■缈壁泷“盔。。蝴。。。麟。疵渤龇。幽鳓汹蝴。ｊ
■●ｋ■酩４．
一、股票预测的意义
改革开放以来，中国的经济正在迅速地发展。股票市场也越来越被人们普遍关注着。股市的诱惑力是不可言喻的，它具有高风险和高收益的双重特｛ｉｐＪ。随着股民队伍的不断壮大，对股市进行投资分析，探寻股市发展的内在规律已是当务之急。股票的预测研究可以在一定程度上帮助人们防患于未然，降低股市灾难性变化带来的巨大损失和打击。股市的暴涨暴跌不仅对投资者是一个重大的打击，对整个股市乃至经济的发展都可能造成大的震荡。因此，对股票进行预测和投资分析，对于股市的稳定和经济的健康发展是有一定意义的．
二、股票价格预测的难度
ｌ、股票价格受到许多因素的影响，具体来说，可以分为两大因素。第一，宏观环境因素，包括国家的财政政策和货币政镱、银行利率、政治因素、经济周期等。第二，微观环境因素，包括企业的发展状况、家庭因素、心理预期、风险性偏好、市场供知识促进理论内涵的理解，实现政治和。能力双过硬。
抓示范与抓全局的关系ｓ以示范带全局，以全局学示范。
向书本学与向实践学的关系：书本知识向实际能力转化，二者相互转化，相互结合，相互促进．
学习成效与学习过程的关系：从认真读书学习开始，扎扎实实推进实践，解决问题。质量与数量的关系：更注重质量．
“学进去”与。学出来”的关系：注重学习知识和理论．更注重运用知识合理论．
求等。受到种种因素的影响，股票价格具有很大的不确定性。
２、股价数据的高噪声问题对股票价格的预测模型研究带来了很大的难度。由于股票价格受多种因素的影响和冲击，它的数据可能存在很大一部分的奇异点，这些奇异点就会对系统的性能产生很大的干扰，甚至无法求解１２１。
三、股票预测的方法比较
股票预测的传统方法有证券投资分析法、模型预测分析法、时间序列分析法。传统的预测方法可以预测股票在未来一段时间内的大致走势，但是它需要预先知道各种参数以及对这些参数进行复杂的修正。而利用神经网络进行经济预测是一个新兴的应用领域。神经网络是一种模拟人脑神经网络结构从而实现一定的功能的数学模型，因此神经网络也就具有了人脑的一些功能优点。它具有很强的自适应能力、自学习能力、容错能力等Ｄ】，是一种比较适合股票预测的方法。
加强学习与搞好转化的关系。学以致用，用以促学．学用相长．
五、结束语
建设学习型党组织是一项宏大的系统工程．也是一项长期而艰巨的历史任务。基层党组织和广大党员干部作为是这项工程的基石，必须增强党的意识，坚决做到在党言党，在党为党．在党忧党。认真学习进一步提高思想理论素养．焕发创造激情，激发创造活力，增强党组织的创新能力．提高解决实际『ａＪ题的能力，始终保持党的先进性和纯洁性。真正成为科学发展观的坚定信仰者，坚强组织者和坚决践行者．◆
的作用是控制输入对输出的激活作用，对输入和输出进行函数转换，将町能无限域的输入变换成指定的有效范围内的输出。神经元模型具有ｒ个输入分量，输入分量与其对应的权值相乘求和作为激活函数的一个输入。ｂ是激活函数的另一个输入，称为偏差或阈值。用矢量来表示权值和输入，则有行矢量Ｗ＝［Ｗｌ。Ｗ２……Ｗｒｌ，列矢量Ｐ＝【Ｐｌ，Ｐ２……Ｐｒ】，则神经元的输出矢量可表示为：Ａ－－－－ｆ（Ｗ＊—七）。
六、基于呻网络的股票预测模型分析ＢＰ神经网络的典型结构主要是三层ＢＰ神经网络，即一个输入层、一个隐含层、一个输出层．理论上已经证明，三层ＢＰ神经网络可以逼近任意非线性函数。ＢＰ网络的产生源于ＢＰ算法。ＢＰ算法是一种监督式的学习算法。其主要原理是：对于ｒ个输入学习样本ＰＩ。Ｐ２，．．－，Ｐｒ，已知与其对应的输出样本为Ｔｌ，Ｔ２，…。Ｔｒ使网络输出层的误差平方和达到最小。用网络
的实际输出ＡＩ，Ａ２，．－－加与目标矢量Ｔｌ，
Ｔ２，…。Ｔｒ之问的误差修改其权值。使Ａｍ与期望的Ｔｍ尽可能接近。训练ＢＰ网络，需要计算网络加权输入矢量以及网络输出和误差矢量，然后求误差平方和。当所训练矢量的误差平方和小于误差目标。训练停止：否则在输出层计算误差变化，且采用反向传播学习规则来调整权值．然后重复此过程１４１。网络完成训练后。对网络输入一个不是训练集合中的矢量。网络将以泛化方式给出输出结果。
神经网络的程序设计看似十分复杂．然而应用ＭＡＴＬＡＢ工具嘲将使得程序的编写变得简单许多。比如，ＢＰ网络的所有的学习规则与训练的全过程，可以用豳数
万方数据
ｔｒａｉｎ来完成，它的使用只需要定义一些相．关的参数。下面将以一个实际的例子来说明如何应用ＢＰ神经网络来解决实际问题。比如，已知最近３５天的某只股票的收盘价如下：６．０６，６．０６。６．１５，６．７７，６．６７。
６．８３，７．０３，７．０３，７．０５，６．９４，６．８４，７．３５，７．２
２，７．１９，７．２６，７．０２，６．９７，７．１４，７．０６，７．２３，６．８４，６．９２，６．９２，６。７０，６。８３，７．０３，７．１２，７．１ｌ，７．５４，７．６７，７．６７，７．５８，７．１６，
６．８２，６．９１，
预测该股票在未来２天的收盘价。这就是一个ＢＰ神经网络在经济预测中的应用问题，是一个非线性逼近的问题。该股票第３６、３７天的收盘价分别为７．１７，７．４４，这两个数据将作为实际数据与预测数据进行验证比较。ＢＰ网络将通过对前３５天的历史数据的学习来预测未来两天（１ｌｐ第３６、３７天）的股票价格趋势，并与这两天的实际数据进行对比。具体的网络设计过程为：
（１）样本数据的采集：选择的数据的数目要适当，数据太多，系统不容易收敛，数据太少则不足以反映数据的变化周期
（２）数据的归一化处理
（３）ＢＰ神经网络的参数确定：包括设置隐含层的神经元数目，初始权值的选取，期望误差值的选取等
“）训练网络
（５）预测数据、数据反归一化输出其中，网络训练部分的程序段如下：ｎｅｔ＝ｎｅｗｃｆ（ｍｉｎｍａｘ（Ｐ），［ＳＩ，１】，｛＇ｔａｎｓｉｇ＇，肇ｕｒｅ］ｉｎ’｝，“ｎ＇ａｉｎｔｍｇ；％ｎｅｗｃｆ仓１］建ＢＰ网络ｎｅｔ－畸ｎｉｔｎｗ（ｎ吡１）；％ｉｎｉｍｗ为Ｎｇｕｙｃｎ—Ｗｉｎｄｏｗ层的初始化函数
ｎｅｔ．ｗａｉｎＰａｒａｍ．ｅｌｘ粥ｈｓ＝－１０００００；％设置最大训练次数
ｎｅｔ．１ｚａｉｎＰａｒａｍ．ｇｏａｌ－－５ｅ－００４；％设置均方误差
【ｎｅｔ，ｔｒ］－－ｔｒａｉｎ（ｎｅｔ，ｐ，．Ｄ；％髓ｉｎ为训练
神经网络的函数
需要注意的是，为了提高神经网络的训练效率以及消除量纲的影响，在网络训练之前，需要对原始数据进行归一化处理，使得输入和输出数据都落在区间【－ｌ，１１。ＭＡＴＬＡＢ中的Ｐｒｅｎｍｍｘ函数用于对数据进行归一化处理，而Ｐｏｓｍｍｍｘ则用于恢复被归一化后的数据即反归一化数据。程序编写设计好之后，利用ＭＡｌｒＩ。ＡＢ软件运行程序，可得到股票前３５天的仿真结果曲线（蓝色曲线）以及第３６、３７天的预测结果曲线（粉红曲线）如下图实线
所示，同时利用ｑ”绘制了实际的股票价
＠■理职 ２０１０年１２月上旬刊
万方数据
格，以便和仿真曲线、预测曲线进行对比。
性。而如果对于超过样本最大值以外的输入值，误差会增大。这是由于ＢＰ州络自主地将通过样本数据的学习得出的非线性函数的规律推广到该样本数据最值以外的范围。而超过样本数据最值的范围很有可能不再适应原来系统推出的非线性函数的特征，因此对于股票价格的未来走势的预测具有一定的偶然性和不确定性。
其次，就股票价格本身的因素来讲，样本数据的采集以及其它许多影响股票
价格的因素都会造成预测结果的不确定“ ”表示实际值。“一”表示预测值
性。因此，通过ＢＰ网络的简单模拟只能得通过仿真结果与实助ｉ数据的比较，可出一个可能的趋势，ＢＰ网络还需要进行完以看出，ＢＰ神经网络的仿真可以得到较善和改进。比如，ＢＰ神经网络的输入量的好的预测结果。此外，为了验证实验的可确定，应该综合考虑多种影响股票价格的行性，本次实验重复了五次。第３６天和第因素作为输入量以提高预测股票价格的准３７天的５次实验结果分别如下：确性；ＢＰ神经网络参数的确定以及算法的７．３４７６，７．３９６６，７．１５１７，７．２４８８，７．２９１８和选择，应该选择适当，以提高系统的预测精７．３０２２，７．３６６８，７．１８４９，７．２７６１，７．３４１８。通度和收敛速度。总之．ＢＰ神经网络作为股过这些预测数据与实际数据的比较票投资分析工具仅仅是一个协助分析的工（Ｔ３６＝７．１７；Ｔ３７＝７．４４），并根据均方误差的
具，并不能准确预测未来趋势。股票市场是具有各种风险的，投资者在进行股票投计算公式：叮
。其中ｅ；为测量的
资时，要具体衡量各种因素，谨慎投资。◆
误差，ｎ＝５。由此可以算出第３６天和第３７参考文献：
天的预测值均方误差分别为【１】赵燕．基于神经网络的股票预测分析和研
０．１４４３，０．１５８７。可见，利用ＢＰ神经网络预究：【硕士学位论文】．西安：长安大学，２００６．
测股票收盘价均方误差还是比较小的，网【２】王莎．ＢＰ神经网络在股票预测中的应用研络泛化能力较好。
究：【硬士学位论文】．湖南：中南大学，２００８．七、叩神经网络的局限性
【３】王亿楷，赖国明．ＢＰ神经网络的改进及其在首先，就ＢＰ神经网络本身来说，它可股票预测中的应用【Ｊ】．韩山师范学院学报，
能存在训练时间太长或者陷入局部极小２００８（６）：３９－４３
值等问题，并且，ＢＰ网络的网络泛化能力【４】袁曾任．人工神经元网络及其应用．北京：
具有内插性。ＢＰ网络是通过学习一段时清华大学出版社，１９９９．
间内的历史数据，并逼近该非线性函数的，ｆ５】丛爽．面向ＭＡＴＬＡＢ工具籍的神经网络理论与应用．合肥：中国科学技术大学出版社，
它对于样本数据最大值范围内的数据的测２００９．
试，具有较强的网络泛化能力，即具有内插
基于BP网络的股票预测模型分析
作者：作者单位：刊名：英文刊名：年，卷(期)：
林秋芬， 师佳英
云南师范大学经济与管理学院,云南,昆明,650092管理观察
MANAGEMENT OBSERVER2010(34)
参考文献(5条)
1.赵燕 基于神经网络的股票预测分析和研究[学位论文] 20062.王莎 BP神经网络在股票预测中的应用研究[学位论文] 2008
3.王亿楷;赖国明 BP神经网络的改进及其在股票预测中的应用[期刊论文]-韩山师范学院学报 2008(06)4.袁曾任 人工神经元网络及其应用 1999
5.丛爽 面向MATLAB工具箱的神经网络理论与应用 2009
本文读者也读过(4条)
1. 赵燕 基于神经网络的股票预测分析和研究[学位论文]2006
2. 杨晓 基于BP神经网络的股票预测[期刊论文]-科技信息（学术版）2008(28)
3. 郝勇 基于MATLAB神经网络工具箱的上海证券商业指数的预测分析[期刊论文]-经济师2005(12)4. 谭秀辉.白艳萍 基于MATLAB的BP网络在金融危机下的股市预测中的应用[期刊论文]-经济师2009(12)
本文链接：http:///Periodical_glkxwz201034176.aspx
