2022年神经网络在股票价格预测中的应用 .pdf

《2022年神经网络在股票价格预测中的应用 .pdf》由会员分享，可在线阅读，更多相关《2022年神经网络在股票价格预测中的应用 .pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、文 章 编 号:1008-1658(2002)03-0070-05神经网络在股票价格预测中的应用袁晓东(北京机械工业学院 工商管理分院,北京100085)摘 要:如何对股票价格进行预测是投资者所关注的话题。采用 BP 神经网络对股票价格进行预测,提出了将股票市场上所采用的技术指标作为神经网络输入变量,利用逐步回归方法筛选出影响股票价格涨跌的变量,从而建立起神经网络模型。研究结果表明,该方法具有一定的预测能力。关 键 词:BP 神经网络;股票价格预测;技术指标中图分类号:F 832.0 文献标识码:A对于股价变动趋势的看法,依观点的不同可分为2 种学派。其一是基本分析学派主张任何时点,每一股票皆

2、有其真值存在,其价值高低取决于公司整体的经营能力,而且股票价格会向此真值调整,同时受整体经济情况、产业动态、以及发行公司业绩、财务状况、股市政策与管理交互影响。其二为技术分析学派,分析的基本假设是历史会一再重演,投资人会一再重蹈覆辙,因此技术分析支持者认为股价变动有趋势可循,利用证券成交价、成交值、成交量的历史资料,归纳出一些操作技术来预测股价未来的走势,本文研究是基于第二种观点。近年来,科技不断的发展,信息科技运用在现实生活中已是越来越普遍。利用神经网络来作预测可说是相当的热门,许多研究结果都指出利用神经网络来预测股市可以获得超额的利润1。1神经网络原理应用于股票价格预测1.1 人工神经网络

3、原理人工神经网络是对生物神经网络系统的模拟。在设计之初,模仿生物的神经网络构架,以链接的方式来建构,因此其本身就是计算一些具有内在的、复杂相关的系统,而且这些内在的相关是我们无法得知,或是很难得知的。以股票预测系统来说,虽然我们可以经由理论分析以及统计实证而得知有哪些变量是与股价变动相关的,然而其内在的复杂的相关性却是无法让我们全盘了解,此时借助人工神经网络就可以在未知这些内在的实际相关情形之下,由系统经由学习而仿真这些复杂的内在相关性,进而得出我们所要的输出。1.2 BP神经网络算法本文研究所用的是BP 神经网络算法。BP 神经网络算法是一种监督式学习的神经网络,它会将错误的信号反馈回来,以

4、便实时修正权值,所以,“训练”的目的是为了调整权值,使得输入一群训练样本之后能够产生想要的输出,而为了得到想要的输出,我们必须告知此网络目标值。其典型的网络构架如图1。收稿日期:2002-03-29作者简介:袁晓东(1979-),男,湖南武冈人,北京机械工业学院工商管理分院硕士研究生,主要从事数据挖掘、电子商务方面的研究。第17卷 第3期2002年9月北京 机 械 工 业 学 院 学 报Journal of BeijingInstitute of MachineryVol.17No.3Sep.2002?1994-2012 China Academic Journal Electronic Pu

5、blishing House.All rights reserved.http:/名师资料总结-精品资料欢迎下载-名师精心整理-第 1 页，共 5 页 -图1BP神经网络构架图其网络结构基本上是由数层的神经节点所组成,其中第1 层为输入层,另外有一个以上的隐藏层和一个输出层。每一层的神经节点都由前一层输入或者是网络外的资料集输入。而网络节点的输出不是成为下一层的输入就是整个网络的输出,如图 1 为 1 组 3 层的倒传递网络,其网络构架为23 1,i层为输入层,它负责将网络的输入资料传入隐藏层j,输入层是没有作激发函数的转换。隐藏层及输出层除了有作激发函数的转换外,还有加一个位移的节点,如图

6、BIAS 节点。每层之间都有线相连,每条线以权值代表它相乘的系数2。BP 神经网络的数学表示式如下:(1)隐藏层的输出(将 BIAS 视为另一输入节点)h(j)=3i=1Wijii,s(j)=f(h(j);(2)输出层的计算h(k)=3i=1Wjks(j),O(k)=f(h(k);其中ii 网络的输入,O(k)网络的输出,Wij 代表第 1 层的节点i与第 2 层的节点j之间的连接权值,Wjk 代表第 2 层的节点j与第 3 层的节点k之间的连接权值,f(x)此节点的转换函数例如sigmoid:f(x)=1(1+e-x)。训练的过程为使用此网络的输入与输出的对映资料集,网络会利用权值的调整学习

7、输入与输出的非线性关系,训练的目的是使误差达到最小,定义如下:(SSE)=pmaxp=1kmaxk=1(t(p,k)-O(p,k)2其中 O(p,k)输入样本p的第k个输出,t(p,k)输入样本p的第k个目标输出,(RMS)=(SSE)pmax1.3 BP神经网络算法的演算过程BP 神经网络系统在学习阶段里会反复地执行2 个步骤:第 1 个步骤是网络对于每1 个供学习用的外界资料,执行前馈的动作而依次地计算出所有隐藏节点和输出节点的对应激发状态值,然后,对于每个输出节点,其实际输入值会与期望输出值作比较,而产生一误差。第 2个步骤则牵涉到网络系统的误差信号后向传递,在输出层所产生的误差信号回向

8、传递到每个隐藏节点,并且适当地调整在输出节点和隐藏节点之间的连接权值以及输出节点之间的偏倚值;然后,这个误差信号更进一步地传递到每个输入节点,同样,在隐藏节点和输入节点之间的连17第3期 袁晓东:神经网络在股票价格预测中的应用?1994-2012 China Academic Journal Electronic Publishing House.All rights reserved.http:/名师资料总结-精品资料欢迎下载-名师精心整理-第 2 页，共 5 页 -接权值以及隐藏节点之间的误差值也会被调整。2股价数据处理及分析2.1 输入变量的处理目前股市上技术分析经常被用来预测股市,而且

9、取得一定的效果。技术分析的精髓是总结经验找规律,然后才是使用这些规律。为了从大量的市场行为中找到有规律的东西,显然没有必要考虑市场行为的所有信息,只需部分地、重点地记录下市场行为的某些方面就可以了。技术指标是技术分析重要的分支。因此,可以将技术指标作为输入变量。输入变量的处理分两阶段进行:第一阶段先收集目前市场上常被使用的技术指标,当作“候选”的输入变量;第二阶段则采用逐步回归方法来筛选这些候选变量,以决定哪些为影响股价变动的关键因素。收集候选变量时,必须注意的是,由于网络的输出是未来股价相对于今日股价的涨跌幅度,其数值变动会在一定的范围内(以 0 为中心),因此输入变量应具有类似的特性,以某

10、一点为中心,在一定的范围内变动,以反映输出入变量之间的关系。结合我国股市的情况,特选取候选输入变量,共 32 项技术指标3。即 DIF,DEA,DIF-DEA,+DI,-DI,DX,ADX5,K,D,K-D,BIAS10,BIAS30,BIAS72,PSY5,PSY10,PSY15,RSI5,RSI10,RSI5-RSI10,RSI10-RSI15,AR5,AR10,RSV,平均成交量5,平均成交量10,平均量5-平均量10,WMS%R10,Open,High,Close,Low,Vol。2.2输出变量的处理本研究是预测股价未来的涨跌,预测的变量为未来某日的股价与今日股价的涨跌幅度。要计算涨跌

11、幅度,首先要确认每日股价的水准。由于股价每日变动剧烈,往往前一日跌了数百点,隔日马上涨回数百点,这种变动极端的经常出现,对分析是相当不利的。为了消除此种股价震动的噪声,本研究以中位数的方式,来取得当日股价的平均价格,其公式如下:假设k日股价形态为Xk=(Ok,Hk,Lk,Ck),其中Ok为开盘价,Hk为最高价,Lk为最低价,Ck为收盘价,则k日的股价平均水准为:Pk=M EDIAN(Oik+2i=k-2,Hi,Li,Ci)(取k日前后 2 日股价的中位数),股票交易日是1 周 5 个交易日,故将输出变量设为5 个交易日后股价涨跌幅:T5=Pk+5-PkPk。2.3 输入变量的选择技术指标选择具

12、体步骤如下:(1)随机选取上市公司交易日的数据计算出技术指标(自变量),及 5 个交易日后股价涨跌幅度(因变量)合并成单一的数据文件。(2)将这家上市公司的数据以逐步回归执行分析,分析这些技术指标与未来5 个交易日涨跌幅度的统计相关性。(3)以统计分析(逐步回归)为主,各技术指标本身特性为辅,选出具代表性的技术指标作为固定输入指标。27北京机械工业学院学报第17卷?1994-2012 China Academic Journal Electronic Publishing House.All rights reserved.http:/名师资料总结-精品资料欢迎下载-名师精心整理-第 3 页，

13、共 5 页 -3实证分析3.1模型的建立一般而言,隐藏层结点数目选取的原则为:隐藏层节点数目=(输入层节点数+输出层节点数)/24。网络输入单元有10 个节点,输出单元有 1 个节点,则隐藏层节点数为6 个。故采用 10 6 1 的 BP 神经网络构架,10 个输入指标是BIAS10,RSI10,WMS%R10,PSY5,LOW,RSI10-RSI15,CLOSE,AMOUNT10,DIP,D。输出值为5 个交易日后的价格涨跌情形。3.2 个股分析要将此预测方法应用于个股的预测上,需要将此网络进行训练,使网络达到收敛,再将训练好的网络用于股市预测上。选择东风汽车2001-01-132002-0

14、3-20 的交易资料作为研究对象,训练的资料期间为2001-01-132001-12-12,测试的资料期间为2001-12-132002-03-20(数据来源)。根据上面的分析可以得出神经网络的训练参数如下:输入层:10 个节点;隐藏层:6 个节点;输出层:1 个节点;学习率:0.25;运动量:0.5;训练方式:循序训练;训练次数:2001 000 次。在确定神经网络的隐层数、节点数、激励函数类型等特性的基础上,利用SAS/Enterprise软件建立股票预测模型。现在面临一个问题:如何界定模型的预测是否正确?最简单的方法是考虑涨跌方向,只要模型输出与目标输出值的涨跌方向相同,即为正确的预测;

15、此法的缺点在于忽略了涨跌的幅度,即若某一笔资料的目标输出值为+3%,而输出为+0.01%,此数据仍会被视为预测正确。将预测结果与实际值比较得出误差分析图如2。另一个方法是同时考虑涨跌方向与涨跌幅度,若方向正确,但幅度差距太大,则不能算是正确的预测。预测结果与实际值比较得出误差分析图如3。图2模型误差分析(只考虑涨跌方向)图3模型误差分析(考虑涨跌方向和幅度)从两图中可以看出仅考虑涨跌方向的预测正确率比较高,各个散点基本上在趋势线周围,趋势线大体成45 度,穿过原点,模型误差存在规律性的信息。然而在考虑涨跌幅度之后,可以明显地发现,预测正确率大大降低,各个散点离趋势线较远,模型存在较大的误差。4

16、结论及改进方法本文所采取的神经网络对股票价格的预测与传统的预测方法不同在于,所采用的是神经37第3期 袁晓东:神经网络在股票价格预测中的应用?1994-2012 China Academic Journal Electronic Publishing House.All rights reserved.http:/名师资料总结-精品资料欢迎下载-名师精心整理-第 4 页，共 5 页 -网络的 BP 网络算法。输入的变量是股票市场上所采用的传统技术指标,技术指标通过统计方法(逐步回归方法)来进行筛选,选出与输出变量即5 个交易日后的涨跌相关的变量,通过BP网络算法对股票价格进行预测。通过对个股的

17、分析可以得出,该预测模型具有一定的预测能力。研究结果显示,使用 BP 神经网络,并以逐步回归方法来选取指标,以提高股市涨跌预测的正确率,不失为可行的方式之一。当然该预测方法也存在局限,需要经过改进。本论文的方法虽获得初步结论,但仍有几点限制需提出说明:(1)研究所涵盖的范围属于股价波动较为平稳的市场,因此,所获得的结论不一定适用于股价狂飙或崩盘时的市场状况。(2)BP 神经网络隐结点数量这一问题尚无理论指导,只能凭经验和建模的具体情况。针对本文的研究结果不甚明确,提出对未来研究的改进方向:影响股票价格变动的因素极为复杂,除了技术指标外,还包括总体经济指标,如国民总值、总就业量、失业率、一般物价

18、水准、外汇收支与经济成长率,以及上市公司的公司财务指标,如流动比率、速动比率、应收账款周转率、资产负债率、周转率、获利性比率等等5。本研究所采用的输入变量仅局限于技术指标,没有包括影响股票价格的各个因素。因此,对于采用其他指标的方法与所应注意的重点,是未来可以进行改进的方向。另外,需将研究对象扩大到其他个股,检验不同的股票并判断影响其价格波动的关键因素是否相同。参考文献:1 Kimoto T,Asakawa K.Stock market predication system with modulur neural networksJ.I2JCNN,1990,(3):12-19.2 沈世镒.神经

19、网络系统理论及其应用M.北京:科学出版社,2000.3 陈 共,周升业.证券投资分析M.北京:中国财政经济出版社,2000.4 沈 清,胡德文,时 春.神经网络应用技术 M.北京:国防科技大学,1998.5 Takahira Yamaguchi.A technical analysis expert system in the stock market J.FutureGeneration Computer Systems,1989,(5):21-27.Applicationof neural net works in forecastingstock priceYUANXiao2dong(S

20、chool of Business,Beijing Institute of Machinery,Beijing 100085,China)Abstract:One of the hot topics that investors concern is how to forecast stock price.The applica2tion of BP neural network in forecasting stock price is put forward.And a method to model a neu 2ral network is introduced by using t

21、he traditional technical indicator as the input variablesof neu 2ral network and selectingvariablesinfluencing the inflecting of stock price through stepwiseproce2dure.The researchshows that the method is effective with respectto modeling and forecasting orrelative decisionof stock price.Key words:BP neural network;forecasting stock price;technical indicator47北京机械工业学院学报第17卷?1994-2012 China Academic Journal Electronic Publishing House.All rights reserved.http:/名师资料总结-精品资料欢迎下载-名师精心整理-第 5 页，共 5 页 -