神经网络在股票价格预测中的应用.pdf

《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《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、第 1 7卷第 3期 2 0 0 2年 9月 北京 机械 工业学院学 报 J o u rna l o f Be ij i n g I n s t i t u t e o f Ma c h i n e r y Vo1 1 7 NO 3 S e p 2 002 文 章 编 号：1 0 0 81 6 5 8(2 0 0 2)0 30 0 7 00 5 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 1 0 0 0 8 5)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 B P神 经 网 络对股 票价 格进 行 预测，提 出

2、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：B P神经 网络；股 票价格预 测；技术指标 中图分类号：F 8 3 2 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

3、 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 I I。1 神经网络原理应 用于股票价格预测 1 1 人工 神经网络

4、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。i 2 B P神经 网络 算法

5、 本文研 究所用的是 B P神经 网络算 法。B P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：2 0 0 20 32 9 作者简介：裒晓东(1 9 7 9 一)，男，湖南武冈人，北京机械工业学院工商管理分院硬士研究生，主要从事效据挖掘、电子商务方 面的 研究。维普资讯 http:/ 第 3期 袁晓东：神经网络在股票价格预测中的应用 7

6、1 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 i t 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 2 31，层为输入 层，它 负责将 网络 的输入 资料传 入隐藏 层，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 B

7、 I AS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。B P神经网络的数学表示式如下：B I A S 图1 B P神经网络构架图 (1)隐藏 层的输 出(将 B I A S视为另一输入节 点)3 h(J)=置W i ，s(J)=f(h(J)；(2)输 出层的计算 3 h(k)=置w (J)，O(k)=f(h(k)；其 中 i i 网络的输入，0(k)网络 的输 出，w 代表第 1层 的节 点 i与第 2层的节点 J之间的连接权 值，w珐 代表第 2层 的节 点 与第 3层 的节点 k之 间的连接权值，(z)此节点的转换函数例如s i g m。i d：(z)石。训练

8、 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：_ l_(S S E)=(t(P，k)一O(P，k)其 中 0(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，(R MS)：pm娃 1 3 B P神经 网络算 法的演算过程 B P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

9、 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 维普资讯 http:/ 7 2 北 京机械 工业 学 院 学报 第 l 7卷 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输人变量的处理 目前股 市上技术分析 经常被用来预测股市，而

10、 且 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

11、 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 3 2项技 术指标 引。即 DI F，DE A，DI FDE A，+DI，一DI，DX，A DX，K，D，K D，BI AS 0，BI AS3 0，BI AS 2，PSY5，PSYm，PSY，RSI 5，RSI m，RSI 5一 RSI O，RSI m RSI ，AR。ARm，RS V，平 均 成 交 量，平 均 成交 量 m，平

12、均 量 一平 均 量m，WMS Rm，Op e n，Hi g h，Cl os e。Low，Vo l。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 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X=(O，L ，C )，其 中 O 为开盘价，为最 高价，L

13、 为最 低价，C 为收盘价，则 k 日的股价平均水准为：P =MEDI AN(Of。Hi，L ，Cf)(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：一Pk+5一 5一P。2 3输人变量的选择 技 术指标 选择具体步骤如下：(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)

14、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。维普资讯 http:/ 第 3期 袁 晓东：神经 网络在股 票价 格 预测 中的 应用 7 3 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)1 2 。网络输入单元有 1 0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 1 061的 B P神 经 网络构 架，1 O个输 入指 标 是 BI AS 1 0，RS I 1 0，WMS R1 0，P S Y 5，L OW，RS I 1 0一RS

15、I 1 5，CL OS E，AMOUNT1 0，DI P 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 2 0 0 1 0 11 3 2 0 0 20 32 0的交 易资料 作为 研 究对 象，训 练 的资料期 间为 2 0 0 10 1 1 3 2 0 0 1 1 21 2，测 试 的资料期 间 为 2 0 0 1 1 2 1 3 2 0 0 20 32 0(数据来源 WWW s t o c k s t a r C O r

16、n)。根据 上面 的分析可 以得 出神经 网络 的i J l l 练参 数如下：输入层：1 0个节 点；隐藏层：6个节点；输 出层：1个节点；学 习率：0 2 5；运 动量：0 5；训练 方式：循序训练；训练次数：2 0 01 0 0 0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 S AS En t e r p r i s e 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；此 法 的缺点 在 于忽略 了涨跌

17、的幅度，即若某一笔资料的 目标输 出值为+3，而 输出为 十0 0 1，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 4 5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

18、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 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 维普资讯 http:/ 7 4 北 京 机 械工 业学 院学报 第 1 7卷 网络的 B P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 B P网络算 法对股 票价格进行预测。通 过对个股的分析可以得 出，该预测

19、模 型具 有一 定的预 测 能力。研究结果显示，使用 B P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)B P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

20、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 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 Ki mo t

21、 o T，A s a k a wa K S t o c k ma r k e t p r e d i c a t i o n s y s t e m wi t h mo d u l u r n e u r a l n e t wo r k s J I J C NN，1 9 9 0，(3)：1 2 1 9 2 沈世镒 神经 网络 系统理论及 其应 用 M 北京：科 学出版社，2 0 0 0 3 陈 共，周 升业 证券投 资分析 M 北京：中国财政 经济 出版社，2 0 0 0 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，1 9 9 8 5 Ta k a h i r

22、 a Ya ma g u c h i A t e c h n i c a l a n a l y s i s e x p e r t s y s t e m i n t h e s t o c k ma r k e t J F u t u r e G e n e r a t i o n C o mp u t e r S y s t e ms，1 9 8 9，(5)：2 1 2 7 Appl i c a t i o n of ne u r a l ne t wo r ks i n f o r e c a s t i ng s t o c k pr i c e YUAN Xi a o-d o ng

23、 (S c h o o l o f B u s i n e s s。B e ij i n g I n s t i t u t e o f Ma c h i n e r y B e l l i n g 1 0 0 0 8 5 C h i n a)Ab s t r a c t：On e o f t h e h o t t o p i c s t h a t i n v e s t o r s c o n c e r n i s h o w t o f o r e c a s t s t o c k p r i c e Th e a p p l i c a-t i o n o f B P n e u

24、 r a l n e t wo r k i n f o r e c a s t i n g s t o c k p r i c e i s p u t f o r wa r d An d a me t h o d t o mo d e l a n e u r al n e t wo r k i s i n t r o d u c e d b y u s i n g t h e t r a d i t i o n a l t e c h n i c a l i n d i c a t o r a s t h e i n p u t v a fia b l o f n e u-r al n e t

25、 wo r k a n d s e l e c t i n g v a r i a b l e s i n f l u e n c i n g t h e i n fl e c t i n g o f s t o c k p r i c e t h r o u g h s t e p wi s e p r o c e-d u r e Th e r e s e a r c h s h o ws t h a t t h e me t h o d i s e f f e c t i v e wi t h r e s p e c t t o mo d e l i n g a n d f o r e c a s t i n g o r r e l a t i v e d e c i s i o n o f s t o c k p r i c e Ke y wo r ds：BP n e ur a l ne t wo r k；f o r e c a s t i ng s t o c k p r i c e；t e c hni c a l i nd i c a t o r 维普资讯 http:/