（计算机应用技术专业论文）bp神经网络在股票预测中的应用研究.pdf

摘要 随着经济的发展和人们投资意识的转变，股票投资已成为现代人 生活中一个重要组成部分，而股票价格的预测也成为投资者关心和研 究的重点。由于股票投资的收益与风险往往是成正比的，如何建立一 个运算速度和精确度都比较高的股市预测模型，对于金融投资者具有 理论意义和实际应用价值。 本文在深入分析股票市场预测面临的关键问题和比较各种股票 预测方法的基础上，探讨利用b p ( b a c kp r o p a g a t i o n ) 神经网络对股 票走势进行分析和预测的可行性。b p 网络通过对以往历史数据的学 习，找出股市发展的内在规律，并将其存储在网络具体的权值、阀值 中，用以预测未来的走势。 针对b p 算法在股市预测中存在的学习速度慢、容易陷入局部极 小值、预测结果精度不高等问题，提出一种改进的b p 神经网络算法。 通过重新选取神经元的激活函数，对输出层和隐层中神经元转换函数 的权值、缩放系数和位移参数进行调整，减少隐层节点数，加快b p 网络的收敛速度。 根据b p 网络进行股市预测的原理，建立基于b p 网络的股市预 测模型，采用改进后的b p 算法进行股市预测，并通过m a t l a b 软 件对其预测过程进行仿真实验。在仿真过程中对b p 算法和改进后的 b p 算法在预测股票中的收敛性能进行比较，并以湖南三一重工的股 票价格为例，对所建的预测模型进行训练，并用训练好的b p 网络股 市预测模型来预测其股票数据，达到了预测效果。 关键词神经网络，股票预测，b p 算法，激活函数 a b s t r a c t w i t ht h ee c o n o m i c g r o w t h a n dt h ec o n v e r s i o no fp e o p l e s i n v e s t m e n tc o n s c i o u s n e s s ，s t o c kh a sb e c o m ea ni m p o r t a n tp a r to fp e o p l e s l i f ei nm o d e mt i m e s t o c kf o r e c a s th a sg r e a t l yb e e no n eo ff o c u s e so f p u b l i ct o p i c t h ep r o c e e d so fs t o c ki n v e s t m e n ta l w a y se q u a lt h er i s k s o e s t a b l i s h i n gas t o c kf o r e c a s t i n gm o d e l ，w h i c hh a sh i g h e ro p e r a t i o nr a t e a n dp r e c i s i o n ，h a st h e o r e t i c a ls i g n i f i c a n c ea n da p p l i c a b l ev a l u e t h i sd i s s e r t a t i o na n a l y s e st h em a i np r o b l e m sb e i n ge x i s t e n ti nt h e p r o c e s s o fs t o c km a r k e t p r e d i c t i o n a n d c o m p a r e s v a r i o u ss t o c k f o r e c a s t i n gm e t h o d s t h ef e a s i b i l i t yo ff o r e c a s t i n gs t o c kt r e n db yu s i n g b pn e u r a ln e t w o r ki sd i s c u s s e d b pn e u r a ln e t w o r kf i n d so u tt h e d i s c i p l i n a r i a no fs t o c km a r k e tt h r o u g hl e a r n i n gh i s t o r i c a ld a t u ma n ds t o r e t h e mi nt h e w e i g h t s a n dv a l v ev a l u e so ft h en e u r a ln e t w o r kf o r f o r e c a s t i n gt h et r e n di nt h ef u t u r e b a s e do ns t u d y i n gt h e s ee x i s t i n gp r o b l e m so fb pa l g o r i t h m si ns t a c k f o r e c a s t i n g ，i n c l u d i n gt h es l o wl e a m i n gs p e e d ，l o c a le x t r e m u ma n dt h e l o wp r e d i c t i o np r e c i s i o n ，a ni m p r o v e db pn e u r a ln e t w o r ka l g o r i t h mi s p r e s e n t e d t h i sa l g o r i t h mr e d u c e sn u m b e ro fh i d d e nn o d e sa n de n h a n c e s t h ec o n v e r g e n c es p e e db yr e - s e l e c t i n ga c t i v a t i o nf u n c t i o na n da d j u s t i n g w e i g h t v a l u eo ft r a n s f o r m a t i o n f u n c t i o n ，s c a l i n g c o e f f i c i e n ta n d d i s p l a c e m e n tp a r a m e t e ri no u t p u tl a y e ra n d h i d d e nl a y e r a c c o r d i n gt ot h ep r i n c i p l eo fs t o c kp r e d i c t i o nb a s e d o nb pn e t w o r k ， t h ep r e d i c t i o nm o d e lo fs t o c kh a sb e e ne s t a b l i s h e d t h es t o c ki sp r e d i c t e d b ya d o p t i n gi m p r o v e db pa l g o r i t h ma n dt h es i m u l a t i o ne x p e r i m e n t sa r e c o n d u c t e dt h r o u g hm a t l a b i na c t u a ls i m u l a t i o n ，t h ec o n v e r g e n c e p e r f o r m a n c eo fb pa l g o r i t h ma n di m p r o v e d b pa l g o r i t h mh a sb e e n c o m p a r e d a tl a s tt a k i n g t h es t o c kp r i c eo fh u n a ns a n y ih e a v y m a c h i n e r yf o re x a m p l e t h ee s t a b l i s h e dp r e d i c t i o nm o d e l i st r a i n e da n d t h e ni t ss t o c kd a t u ma r ep r e d i c t e du s i n gt h et r a i n e dn e t w o r ka n dg o o d e f f e c th a sb e e n g a i n e d k e yw o r d sn e u r a ln e t w o r k s ，s t o c kp r e d i c t i o n ，b pa l g o r i t h m ， a c t i v a t i o nf u n c t i o n 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名：至萋一 日期：型芝年月巫日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到中国学位论文全文数据库， 并通过网络向社会公众提供信息服务。 作者签名：笔蒸一导师签名兰! ! 日期：生年月生日 硕士学位论文 第一章绪论 1 1 课题的研究背景 第一章绪论 股票是市场经济的产物，股票的发行与交易促进了市场经济的发展。近年来， 股票市场已经逐步成为证券业乃至整个金融业必不可少的组成部分，显示出强大 的生命力，股票投资也已经成为人们同常生活的一个重要组成部分。股市的暴涨 暴跌对金融市场会产生很大的振荡，直接影响到金融市场的稳定和经济的健康发 展。如果能够预测股票的涨跌，及时对股票市场进行合理的调控和健康的引导， 这将为我国经济的持续发展提供孥实的后盾【lj 。 股票预测，是经济预测的一个分支，是指以准确的调查统计资料和股市信息 为依据，从股票市场的历史、现状和规律性出发，运用科学的方法，对股票市场 的未来发展前景做出测赳2 1 。在金融系统的预测研究中，股票预测是一个非常热 门的课题。这是因为股票市场具有高收益与高风险并存的特性，随着股市的发展， 人们不断在探索其内在规律，对于股市规律认识逐步加深，产生各种各样的股市 预测方法。但是，股票市场作为一种影响因素众多、各种不确定性共同作用的复 杂的巨系统【3 】，其价格波动往往表现出较强的非线性的特征。另外，股市的建模 与预测所处理的信息量往往十分庞大，对算法有很高的要求。正是由于这些复杂 的因素，使得关于股市的预测往往难如人意。 传统的股票技术分析方法有移动平均线法、点数图法、k 线图澍4 5 】等，它 们可以预测一段时间内股指变化的大致走势，但短期股票价格的变化往往是投资 者更感兴趣的信息。此外，传统的股票技术分析方法还要事先知道各种参数，以 及这些参数在什么情况下应作怎样的修正，对被预测对象的要求过于具体且严 格。传统的时间序列分析法如指数平滑预测法、a r m a ( a u t or e g r e s s i v em o v i n g a v e r a g em o d e l ，自回归移动平均模型) 以及a r c h ( a u t or e g r e s s i v ec o n d i t i o n a l h e t e r o s k e d a s t i c i t ym o d e l ，自回归条件异方差模型) 等【6 。8 】，只有在确认某类预测 模型的前提条件得到满足的情况下，才可以使用该模型进行预测，否则预测结果 是不可靠的。另一方面，一般计量统计的时间序列模型很难处理高度非线性的问 题。然而，股票市场是一个极其复杂的动力学系统，高噪声、严重非线性和投资 者的盲目任意性等因素决定了股票预测的复杂与困难度，应用现有的技术分析方 法，预测结果往往不尽人意。 近年来，随着计算机技术和人工智能技术的迅猛发展，为股票市场的建模与 预测提供了新的方法，而神经网络作为一种有效的智能信息处理技术，能依据数 硕十学位论文 第一章绪论 据本身的内在联系建模，具有良好的非线性逼近能力和对杂乱信息的综合处理能 力，成为探索人类智能奥秘的有力工具，在信号处理、模式识别和控制等许多领 域已经取得了令人瞩目的发展，并得到了广泛应用。由于神经网络具有很强的非 线性逼近能力和自学习、自适应等特性，它不需要建立复杂的非线性系统的显式 关系和数学模型，可以克服传统定量预测方法的许多局限以及面临的困难，同时 也能避免许多人为因素的影响们。因而将人工神经网络技术应用于股票预测， 在股市预测模型建造的合理性以及适用性方面都具有其独特的优势，将为股票这 种非线性系统的预测提供广阔的发展空间。 总之，股票市场作为社会主义市场经济的重要组成部分，在我国的经济发展 中发挥着重要的作用。研究股票的预测能够指导投资者进行有益的投资，不仅可 以为个人提供利润，更可以为国家经济的发展做出贡献。 1 2 国内外研究现状 自股市出现以来，股市预测便受到学术界的广泛关注与积极研究，国内外许 多学者对其进行了研究，提出了许多预测分析方法。 ( 1 ) 证券投资分析方法。 分析预测股价变化的趋势和方向，主要分为基本分析法、技术分析法。基本 分析法目的在于分析股市的内在投资价值，从影响股市的外部因素入手分析其与 股市市场的相互关系，它属于长期性质，既关心股市的收益又关心股市的升值； 技术分析法直接从股市市场入手，以股市价格的动态和规律性为研究对象，结合 投资者心理和交易数量等市场因素的分析，以选择最佳的投资方式和时机，获取 短期效益。 ( 2 ) 时间序列分析法 通过建立股价与综合指数的时问序列辨识模型，如传统的随机游走模型 ( r w ) ，自回归移动平均模型( a r i m a ) ，齐次非平稳模型( a r m a ) 等来预测 未来股价变化。它包括两种类型：单变量与多变量。单变量模型对于短期预测具 有良好的效果，但需要大量数据，并且模型结构与参数的选取是非常复杂的过程； 多变量模型例如r e g r e s s i o na n a l y s i s 。总之此种分析方法只适用于短期预测，当 预测周期变长，其准确性急剧下降。 ( 3 ) 其他预测方法 主要有：专家评估法、市场调查法等定性方法，马尔可夫法、判别分析法等 定量分析法。 ( 4 ) 人工智能方法 近年来的研究热点，自世纪年代初至今，人工智能得到了很大的发展，特别 2 硕士学位论文第一章绪论 是神经网络的研究取得了划时代的发展，并且应用于各个领域。在金融领域，以 欧美为中心，很多学者开展了神经网络的研究与应用。在利用神经网络技术进行 股票预测的研究中，最早的研究是1 9 8 8 年w h i t e 利用神经网络来预测i b m 普通 股每同报酬掣，但是经过训练样本的学习后，其预测结果不甚理想。他认为原 因可能是神经网络陷入局部极小值而无法跳出，造成预测能力不强。1 9 9 0 年由 k i m o t o 等用神经网络开发了t o k y os t o c ke x c h a n g ep r i c ei n d e x ( t p o i x ) 预测系 统【l2 1 ，主要对东京证交所股价加权平均指数进行预测，以决定买进卖出的最佳时 机，最后得到的结果：神经网络模型的报酬率优于t o p i x 加权平均指数。1 9 9 2 年，b a b a 和k o z a k i 使用1 5 个输入变量、2 个隐含层及1 个输出变量的神经网 络来预测同本股价趋势【i3 1 ，训练样本分成上涨及下跌趋势的学习，在趋势决定后， 预测股价涨跌方向的正确率相当高，但是，若趋势决定错误时，神经网络的预测 能力减弱，无法正确预测股价。1 9 9 6 年，g e n c a y 运用移动平均线法作为神经网 络判断股票买进卖出的指标，并在长期移动平均线与短期移动平均线接近时，设 定一个买卖区间，避免因股价波动造成买进卖出讯号误判【1 4 】。以线性模式与神经 网络非线性模式进行预测，其研究结果显示，利用神经网络比线性模式具有较佳 的预测能力。1 9 9 9 年，p e s a r a n 和t i m m e r m a n n 对过去2 5 年的伦敦证券指数进行 预测，采用神经网络技术预测指数的月变化率可以达到6 0 的j 下确性。2 0 0 1 年， c h u n gk i mk w o n g 利用澳大利亚股票市场中的7 家公司的数据进行研究，得到 的平均预测精度为4 8 2 。 国内也进行了许多有益的研究：1 9 9 7 年，张健等运用b p 网络对沪市中的4 支股票一一陆家嘴、复华实业、长春华联、上海石化进行了多方面的分析，提出 了利用涨跌差价以及近期放大、远期模糊的方法对网络的输入数据进行处理【l 5 1 ， 其实效性在试验中得到了验证。1 9 9 9 年，梁夏在改进的快速b p 算法基础上，提 出一种增加网络自纠错功能的预测方法【i 刚。分别以上海金陵与申达实业的收盘 价、成交量、成交金额为原始数据作对比实验，发现使用新方法后，网络的预测 性能较标准b p 有较大的提高。王上飞等从非线性时间序列预测的角度出发，使 用滑动窗技术与径向基函数神经网络对i b m 公司的股票进行了预测【l7 1 ，曲线拟 合的效果较好。2 0 0 1 年，吴微等用b p 神经网络预测股票市场涨跌，通过大量的 数值实验和分析对网络的性能进行了特定的优化后，得到了较好的预测精度【l8 1 。 但在样本处理，预测方法及网络的自适应能力等方面还有待改进。 上面的例子充分说明，神经网络用于股市预测是可行的、有效的。研究表明， 股票市场是一个极其复杂的非线性动力学系统，而神经网络具有分布处理、自组 织、自适应、自学习和容错性的优良特性，在处理股价预测这种多因素、不确定、 非线性的时间序列预测问题方面有其特有的优势。 硕十学位论文第一章绪论 1 3 研究目的及意义 自从改革丌发以来，随着我国经济的高速发展，股票市场作为金融市场的一 部分，也有了充足的发展，逐步成为证券业乃至整个金融业一个重要组成部分， 对我国经济的稳定发展起着举足轻重的作用，受到投资者的普遍关注。股票交易 是现代经济活动中常见的风险投资活动，与相对安全但收入稳定的其他金融投资 活动相比，这是为了获得高收益而主动承担高风险的投资活动。 然而，股票市场具有收益和风险的双重特性，股票投资的收益与风险往往是 成正比的，即投资收益越高，可能冒的风险越大。随着越来越多的人进入股市进 行投资活动，人们迫切需要一种有效的分析方法，能够最大限度的增加收益，降 低风险。因此，股市预测方法的研究具有极其重要的理论意义和应用价值。 神经网络是近年来的热门研究领域，它以全新的与传统不同的信息表达和处 理方式，对人工智能研究产生了巨大的吸引力。b p 神经网络是目前应用最广泛 的一种神经网络，它具有非线性映射能力、泛化能力和容错能力，是在自动控制 中最有用的学习算法之一，也是股票预测分析的首选神经网络。将b p 神经网络 技术引入股票投资风险分析和评估，了解股价运行的规律和内在机制，从而j 下确 预测股价走势，帮助预测灾难性的股价振荡，从而采取适当措施来维护股票市场 的稳定，促进我国经济的健康发展。 1 4 主要研究内容及构成 论文的主要研究内容包括： ( 1 ) 在对股票及其预测方法的关键问题进行研究的基础上，分析三种常用 的股市预测方法，并对其特点进行比较，给出本文进行股市价格走势预测的基本 思想。 ( 2 ) 针对b p 算法本身存在收敛速度慢、精度不高等问题，在对b p 算法的 特点及现有的改进算法进行分析的基础上，对b p 算法进行改进，重新选取激活 函数，使网络在调整权值w 的基础上，通过对单个神经元的更一般形式 t a n s i g r n o i d 转换函数的缩放系数几位移参数目的动态调整，以缩小饱和区间， 加快网络收敛，克服了网络陷入局部极小值的问题。 ( 3 ) 研究如何利用b p 神经网络建立股票预测的模型，使用经训练后的b p 网络模型进行股票价格的预测，对网络的输入输出变量进行归一化处理，通过 m a t l a b 仿真对个股价格走势进行预测，检验该模型的可行性和有效性。 论文后续章节安排如下： 第二章主要对股票预测的关键问题进行讨论，分析股市预测面临的问题，着 4 硕士学位论文 第一章绪论 重对几种典型的股市预测方法进行比较分析，给出本文研究中所采用的方法。 第三章针对b p 神经网络及其算法在股票预测中存在的不足，对b p 算法进 行改进，通过调整神经元的激活函数来加快b p 网络的训练速度，避免网络陷入 局部极小值。 第四章利用改进的b p 算法建立基于b p 网络的股票预测模型，并选取有代 表性的个股进行应用预测，通过m a t l a b 仿真检验其可行性和有效性。 第五章对论文工作进行总结，指出今后的研究方向。 第二章股票预测的关键问题分析 2 1 股票预测的评价指标 股票的市场价格由股票的价值决定，但是同时受到许多因素的影响。股票 预测的相关变量及常用技术指标【1 9 2 1 1 如下所示。 ( 1 ) 股票预测的常用变量 1 ) 综合指数 代表整个股市的气势，是大盘分析的代表变量，在国内分为上证综合指数和 深证综合指数。 2 ) 开盘价 指当日开盘后该股票的第一笔交易成交的价格。如果开市后3 0 分钟内无成 交价，则以前日的收盘价作为丌盘价。 3 ) 收盘价 指每天成交中最后一笔股票的价格。 4 ) 最高价 指当同所成交的价格中的最高价位。 5 ) 最低价 指当日所成交的价格中的最低价位。 6 ) 成交量 股票成交的数量。手是股票成交的最小单位，一手为1 0 0 股。 7 ) 成交金额 指用货币表示的股票成交总量，等于成交价格乘以成交量。 8 ) 涨跌 以每天的收盘价与前一天的收盘价相比较，来决定股票价格是涨还是跌。 9 ) 市盈率 指某种股票每股市价与每股盈利的比率。 市盈率= 普通股每股市场价格普通股每年每股盈利 1 0 ) 市净率 指股票市场价格与帐面价格的比值。 市净率= 股票价格每股净值 1 1 ) 资产收益率 指企业净利润与平均资产总额的百分比。 6 资产收益率= ( 净利润平均资产总额) x1 0 0 ( 2 ) 股票预测的常用技术指标 1 ) 移动平均线( m a ) 移动平均线是用统计处理的方式，将若干天的股票价格加以平均用以观察股 价趋势。平均线可反映股价之或上升或下降趋势，且平均同数愈少，趋势反映愈 灵敏，但也容易受到股价单日暴涨暴跌而扭曲长期趋势。 2 ) 随机指数( k d 线) 随机指数也简称k d 指数，用k k 和d 三个常用符号来表示。随机指数 在计算中考虑了计算周期内的最高价、最低价，兼顾了股价波动中的随机振幅。 3 ) 平滑异同移动平均线( m a c d ) 平滑异同移动平均线( m a c d ) 的原理是利用快速移动平均线和慢速移动平 均线聚合和分离的征兆功能，加以双重平滑运算，用以研究和判别买进与卖出的 时机、信号。 4 ) 相对强弱指数( r s i ) 相对强弱指数( r s i ) 是通过比较一段时间内的平均收盘涨数和平均收盘跌 数来分析市场的意向和实力，从而做出未来市场的走势。 5 ) 交易量指标( o b v ) 交易量指标有好几种，最常用的一种称为o b v 交易量指标。o b v 交易量指 标的理论基础是市场价格的变动必须有成交量配合，价格升降而成交量不相应升 降，则市场价格的变动难以继续。计算方法是：逐日累计每同上市股票总成交量， 当收市价高于前一同时，总成交量为正值；反之，为负值，若平盘，则为零。 6 ) 人气买卖指标( a r ) 股市中买卖双方的气势主要反映在每日股指最高点、最低点及开市点三者之 间的关系上。人气买卖指标( a r ) 指标是利用一定周期内三者的差异及比值反 映出股市强弱、买卖气势的指标。 7 ) 买卖意愿指标( b r ) b r 指标反映的是昨日股指收盘价与今日最高股指和最低股指之间的强弱走 势，从而反映股指意愿。 8 ) 乖离率( b i a s ) 乖离率是应用股价指数与移动平均值的比值关系，观测股价偏离移动平均线 的程度，以此决定投资者的买卖行为。 技术指标就是运用统计学的原理，对大量的历史数据用加、减、乘、除等统 计和计算的方法而创造出的一系列数学公式指标系统。由于时间段的选取是可以 变化的，故指标都具有一定的变数。可以肯定的是：大盘指数和个股，个股和个 7 股之间，以及个股在不同的时间段用同一个技术指标所产生的收益是不同的，选 用不同的技术指标产生的收益差别更大。但是结合历史数据与技术指标进行股票 预测，会使结果更有效。 2 2 股票预测面临的问题 股票投资分析是股票投资中不可或缺的一个组成部分，在投资过程中占有极 其重要的地位。首先，进行股票投资分析是回避风险的需要，投资者在持有股票 期间，会获得与其承担的风险相对应的回报，预期回报率与风险之间是一种正向 的互动关系；预期回报率越高，投资者所要承担的风险就越大，反之就越小。其 次，进行股票分析是进行入市买卖的依据和前提。在准备买入或打算继续持有某 只股票之前，必须明确该股票的风险性、收益性、流动性和时间性方面的特点。 因此，选择适当的投资分析法对股市或个股进行认真分析，降低投资风险或缺投 资收益的关键。但是，影响股票投资收益率和风险的因素很多，其作用机制也相 当复杂。 目前，股价的预测主要存在以下问题： ( 1 ) 股价数据中含有较多噪声 股价指数编制的不合理性、机构大户的造市行为以及诸多外在因素的冲击影 响，会造成股市的强烈波动，使得股价表现为高噪声且存在许多“奇异点”。“奇 异点的存在会大大影响系统性能，导致求解过程振荡甚至无法收敛【2 2 1 。在线 性条件下，可设计各种滤波器将其滤除，但在非线性条件下却不能轻率处理，因 为它可能代表一类模式或结构变化的先兆。数据的这种特性要求预测系统具有较 强的鲁棒性。 ( 2 ) 股价的非线性特性 股价自身以及影响股价的各变量之问呈现非线性特性，因此要求有强大的处 理非线性问题的能力。现有的比较成熟的技术大多是解决线性问题和单变量非线 性问题，对于复杂的、一般性的多变量非线性问题缺乏有效的分析工具。确定性 的线性关系只能产生简单的行为，确定性的非线性关系能产生混沌f 2 3 】。股价系 统是一个多变量非线性问题。虽然非线性数学、耗散结构理论为描述非线性动力 学系统提供了一些工具，但实际应用于股价实证分析仍有不少问题。 ( 3 ) 股价系统的主体是具有主观能动性的投资者 投资者商业行为的复杂性和对未来事件的影响能力使得预测误差相当大，并 且随着时间的增加而急剧升高。与其他物理系统不同，在股价系统中，对样本数 据的最好匹配并不能保证最好的预测，即建模数据的最小误差准则并不是提高预 测精度的最好准则【2 4 1 ，一种预测方法过去和现在的表现不能说明其未来的预测 结果。 ( 4 ) 我国股市具有明显的政策性特点 由于我国股市建立时间短，投资者的投资心态还不十分成熟，市场经济体制 还不完备，还带有很多计划经济体制的特征，因此股市对于国家的政策性导向非 常敏感，经常出现所谓的暴涨暴跌，因此很难用一个稳定的模型来对这种股市的 变动做出准确的预测。 可见，股票市场是个复杂且难以预测的系统，影响股价变动的因素非常多， 是个典型非结构性及非线性的系统。股票价格指数和平均数仅仅为人们提供了一 种衡量股票价格变动历史的工具，然而，人们更关心的是如何预测股票价格的未 来趋势，以及买卖股票的适当时机。针对以上存在的这些问题，人们不断对股票 市场进行研究，产生了很多种预测股市走势的方法，来更好地选择买卖股票的适 当时机。 2 3 股票预测方法的分析 现在大多数人采用基本分析法或技术分析法预测股市的走势，而对于专业的 投资机构，则会采取数量方法帮助他们进行复杂的投资组合分析。 2 3 1 证券投资分析方法 证券投资分析方法是分析和预测股价变动方向和趋势的定性方法，可分为基 本分析法和技术分析法两大类。 ( 1 ) 基本分析法 基本分析法以经济学、财政金融学、财务管理学、投资学为理论基础，研究 的是影响股市走势的基本要素。基本分析法主要包括宏观经济运行分析、行业分 析和公司分析三个层次，能够比较全面地把握证券价格的基本走势，并且应用起 来比较简单 2 5 】。但是基本分析法有其致命的弱点，它对市场的反应比较迟钝， 预测的时间跨度相对比较长，因此对市场的短线操作缺乏指导意义。另外，它对 市场预测的精确度不如技术分析法，特别是在中国这样一个不成熟的股票市场， 股民在统计资料和市场消息的获取上具有明显的滞后性，对统计数据的整理、归 纳需要较高的分析能力和专业技巧，因而对普通散户投资者而言，要想熟练的利 用基本分析法指导同常操作还是比较难的。 ( 2 ) 技术分析法 股价的技术分析是相对于基本分析而言的。技术分析法是透过图表或技术指 标的记录，主要研究市场过去及现在的行为反应，以推测未来价格的变动趋势， 是市场行为的经验总结 2 6 】。其依据的技术指标的主要内容是由股价、成交量或 9 涨跌指数等数据计算而得的。技术分析法的优势是同市场比较接近，考虑问题比 较直接，用技术分析法指导股票买卖见效快，获得利益的周期短。技术分析能够 根据那些残留在图表上的变化痕迹反过来了解基本面的变化，似乎有先人一步的 敏锐，但也有其局限性：1 ) 技术指标讯号的出现往往“滞后”；2 ) 市场经常出现 短期“背离走势”，甚至时有“走势陷阱”出现；3 ) 技术分析不可能f 确预测每次 波动的最高点与最低点，同时对具体时间也无法给出明确讯号，难以事先推测市 场总的结构变化，常会遇到技术分析失准的问题。 2 3 2 模型预测法 模型预测法是在一定的股市发展理论的基础上，利用历史和现在的数据建立 有关数学模型，然后求解这个数学模型，最后反过来根据计算结果对未来股市的 发展作出定量预测，并且以这个数学模型对股市系统的基本特征做出解释，目的 在于掌握随机数据随时间变化的统计规律。 目前，常用的模型预测法主要有自回归模型、移动平均模型、自回归移动平 均模型、齐次非平稳模型和马尔可夫预测方法等等，其中齐次非平稳模型是较成 熟的模型，常被用来对股价( 最高价、最低价、开盘价、收盘价) 及综合指数进 行预测，通过选择模型的参数和辩识模型的系数实现对时间序列的拟合，进而用 拟合好的模型对未来进行预测【2 刀。 2 3 3 神经网络预测方法 神经网络【2 8 】是一种大规模并行的复杂的非线性动力系统，它可表示极其复 杂的非线性模型系统，具有高度并行的处理机制、高速运算的能力、高度灵活可 变的拓扑结构、高度的非线性运算，具有自学习、自组织的能力，得到了预测科 学研究的重视。自从1 9 8 7 年l a p e d e s 和f a r b e r 首先将神经网络技术应用到预测 研究领域以来，国内外许多研究人员丌始从事神经网络预测方法的研究，涌现了 许多神经网络在预测中成功运用的实例【2 9 3 1 1 。 实践中通常采用前馈式神经网络来进行预测。这是因为当我们试图预测系统 的下一个输出时，假定在两个不同时刻，若系统有同样的输入，两次的输出应是 相同的，即系统具有一定的确定性。只要能提供适当的输入，确定性系统是能够 被模拟的。因此，预测的过程实际上是一个模拟确定性系统的过程。而前馈式神 经网络是很好的模拟确定性系统的工具。 由于三层前馈式神经网络具有可逼近任意复杂连续函数关系的能力，而这些 能力是其它方法所不具有的，因此三层前馈神经网络非常适合对时间序列进行预 测，在具体使用中，不需要对所分析的时间序列做任何假设，仅用一个神经网络 l o 来拟合该时间序列即可。 这种方法通常是根据已有的样本数据对网络进行训练，若希望用过去的 ( 胗= 1 ) 个数据预测未来m ( 胗= 1 ) 个时刻的值，即进行必步预测，可取序 列n 个相邻的样本为滑动窗，并将它们映射为m 个值，这m 个值代表在该窗之 后的m 个时刻上的样本的预测值。 神经网络模型具有巨量并行性、存储分布性、结构可变性、高度非线性、自 学习性和自组织等特点，而且可以逼近那些最佳刻画样本数据规律的函数，而不 论这些函数具有怎样的形式。神经网络广泛的适应能力、学习能力和映射能力 3 2 1 ，通过学习掌握数据间的依存关系，在股市预测中显示出一定的优越性，比 以往依靠推导数学模型、参数寻优的非常精确而又因此带来局限性的传统方法具 有极大的优越性【”m 】。股价走势呈高度非线性，并且成交价、成交量中包含有大 量决定股价变动的内在规律和特点，通过对历史交易数据的学习，神经网络就能 从纷繁复杂的数据中自主的寻找出参数之间的规律和特剧3 5 】，并且刻画这些规 律和特点，因此相比之下，用它对股票价格走势进行预测具有很好的效果。 基于b p 神经网络的证券预测技术研究就是选择股票价格作为训练样本，将 某些交易同的股票价格及影响价格的因素作为输入向量，按照前向传播方向，得 到输出层的实际输出值；然后按照反方向传播方向，根据输出层的实际输出和期 望输出之问的误差，修j 下节点问的连接权值，直到误差达到允许的最小值。经过 调整的最后的权值，就是b p 网络经过自适应学习所得到的j 下确的内部表示。使 用经训练后的b p 网络模型进行股票价格走势的预测，从而达到增加投资收益、 降低投资风险的目的。 2 3 4 预测方法的比较 市场的商品价格，特别是股票价格，以及企业的可信度，即是否会破产，密 切关系到投资者的利益。要对它们进行预测，我们首先必须承认它们之中存在着 某种可重复性，即规律。这些规律完全隐藏在历史数据中，从数学的角度来讲， 他们表现为一种函数关系。预测的目的就是找出这些规律，并且利用这些规律。 而传统的统计方法，能预测一段时间内的大致趋势，但短期的跳跃却往往是投资 者更感兴趣的信息。 众所周知，传统预测方法有一个共同的局限性，即被控对象或过程的数学模 型必须预先知道，运用数学方法构造模型进行预测。但实际上有很多被控对象极 其复杂，无法建立精确的模型。而且这种方法理论上虽然很精确，但它却需要大 量繁杂的、严格的数学公式推导，没有容错能力和自学习能力，对参数变化敏感， 环境和结构稍作改变就必须重新建立数学模型，适应性差。另外，传统方法还要 事先知道各种参数，以及这些参数在什么情况下应作怎样的修正。而且由于股市 运作是一个巨大的非线性系统，股价走势受到政治、经济、心理等多种因素影响， 使得使用传统的技术分析工具进行股票买卖决策难度大，不同人的分析结构差异 显著。传统分析工具中的k 线图、平均线图等以其简单易懂、想象直观等特点 受到人们的青睐，但是，这种通过对图形走势的研究、对数据表格的统计分析以 预测股市的变化趋势的工作最终必须依靠人脑来完成。由于人们在知识、能力、 经验上存在较大的差异，加之问题本身又具有很大的随机性和高度的非线性，即 使是一些金融专家、炒股高手对出现的同一复杂行情进行分析，往往也会得出不 同的结论。 相比之下，神经网络用于股市预测取得了很好的效果，数学上已经证明了， 人工神经网络可以逼近那些最佳刻画样本数据规律的函数，而不论这些函数具有 怎样的形式。神经网络的学习能力以及通过学习掌握数据问的依存关系，在股市 预测中显示出一定的优越性，比以往依靠推导数学模型、参数寻优的非常精确而 又因此带来局限性的传统方法具有极大的优越性。股价走势呈高度非线性，并且 成交价、成交量中包含有大量决定股价变动的内在规律和特点，通过对历史交易 数据的学习，人工神经网络就能从纷繁复杂的数据中自主的寻找出参数之问的规 律和特点，并且刻画这些规律和特点，因此用它对股票价格走势预测具有很好的 效果。 以神经网络和线性回归作比较，前向多层神经网络与回归模型所解决的问题 极其相似，只不过解决的办法有所不同。两种方法的目标都是使误差的平方和最 小。神经网络是通过反复对照观测样本，逐步逼近理想的结果。而线性回归是用 观测数据，通过矩逆及其它运算求出相应的系数。一个以线性函数作为激活函数 的前向二层神经网络相当于一个线性回归模型。当激活函数为非线性时，前向多 层网络相当于一个复杂的非线性回归模型。 对于非线性回归问题，人们通常是用变量的变化转化为线性回归问题。这种 变换依赖于建模者的观察与经验。在模型涉及多个自变量时，要找出恰当的变换 并不容易。而神经网络是通过自我学习过程寻找变量之间的规律，具有很强的适 应能力。同时它也不像线性回归那样对误差项的统计分布有严格的要求，还能够 处理不完全的数据。对于相关性很强的数据，线性回归可能因为求逆矩阵间的病 态而产生较大的误差，而应用神经网络方法不会出现这种问题。 综上所述，神经网络具有广泛的适应能力、学习能力和非线性映射能力，通 过学习可获得数据间的依赖关系，用于股市预测具有一定的优势，这都是以往依 靠推导数学模型、参数寻优等传统预测方法所不可相比的【3 6 如。神经网络在非线 1 2 性预测中最常用的是b p 网络，本文选取其作为股票预测分析中首选网络结构。 2 4 本章小结 本章主要对股票预测的相关评价指标进行讨论，指出了对股票价格进行预测 时面临的主要问题，分析比较了股票市场几种典型的预测方法，为后续章节的研 究工作提供了理论依据。 第三章一种改进的b p 神经网络算法 3 1b p 神经网络及算法 神经网络，全称为人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) ，是人工 智能的一种方法，是对人脑系统的一阶特性的一种最简单的抽象和模拟。简单来 说，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟人 的自然智能。近年来，神经网络技术迅猛发展，己经在智能控制、模式识别、计 算机视觉、非线性优化、信号处理等方面取得巨大的成功和进展，成为人工智能 研究的重要领域之一【3 8 】。 目前关于人工神经网络的定义尚不统一，美国神经网络学家h e c h tn i e l s e n 关 于人工神经网络的一般定义是：“神经网络是由多个非常简单的处理单元彼此按 某种方式相互连接而形成的计算系统，该系统是靠其状念对外部输入信息的动态 响应来处理信息的”。美国国防部高级研究计划局关于人工神经网络的解释是： “神经网络是一个由许多简单的并行工作的处理单元组成的系统，其功能取决于 网络的结构、连接强度以及各单元的处理方式”。综合人工神经网络的来源、特 点及各种解释，可以简单表述为：人工神经网络是一种旨在模仿人脑结构及其功 能的脑式智能信息处理系统【3 9 】。 3 1 1 神经网络分析 神经网络是由大量的神经元广泛互连而成的网络，其基本特性可归纳为： ( 1 ) 非线性 这源于神经网络在理论上可以趋近任何非线性函数，而且神经网络比其他方 法建模更经济。神经网络是大量神经元的集体行为，并不是各单元行为的简单相 加，而是表现出一般复杂非线性动态系统的特性。因此，神经网络可以处理一些 环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。 ( 2 ) 分布存储和容错性 在神经网络中，信息不是存储在一个地方，而是按内容分布在整个网络上， 网络某一处不是只存储一个外部信息，每个神经元都存储多种信息的部分内容。 网络的每部分对信息的存储有等势作用。这种分布式存储方法是存储区与运算区 合为一体的。在人工神经网络中，要获得存储的知识则需要采用“联想”的办法， 即当一个神经网络输入一个激励时，它要在已存的知识中寻找与该输入匹配最好 的存储知识为其解【删。当然在信息输出时，也还要经过种处理，而不是直接从 1 4 记忆中取出。这种存储方式的优点在于若部分信息不完全，就是说或者丢失或者 损坏甚至有错误的信息，它仍能恢复出原来正确的完整的信息，系统仍能运行。 这就是网络具有容错性和联想记忆功能，自然呈现出较强的鲁棒性。 ( 3 ) 大规模并行处理 神经网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理 工作。因此，网络中的信息处理是在大量单元中平行而又有层次地进行，运算速 度快，大大超过传统的序列运算的数字机。 ( 4 ) 学习、自组织和自适应性 学习和适应，要求在训练过程中系统的内部结构和联系方式发生改变。神经 网络是一种可变结构系统，具有能完成对环境的适应和对外界事物的学习能力。 神经元之间的连接有多种多样，各神经元之白j 连接强度具有一定的可塑性，相当 于突触传递信息能力的变化。神经网络可以通过学习和训练进行自组织以适应不 同信息处理的要求。 股票系统是一个非线性的不确定性的系统，神经网络可以通过对典型样本的 学习，掌握其中的规律，给出比较满意的预测结果。 根据神经元之间连接的拓扑结构的不同，可将神经元网络结构分为分层网络 模型和相互连接网络模型两大类。分层网络将一个神经元网络模型中的所有神经 元按功能分为若干层，一般有输入层、中问层和输入层，各层顺序连接，第1 层 的输入仅与第1 1 层输出相关联，如图3 1 所示。相互连接网络是指网络中任意 两个神经元之间都是可以相互连接的，如图3 2 所示。还有一些网络是上述两种 结构的混合。 图3 - 1 分层神经网络模型图3 - 2 相互连接神经网络模型 根据连接方式的不同，神经网络可分成两大类：无反馈的前向网络和相互结 合型网络。前向网络有输入层、中间层( 也可称为隐层) 和输出层组成，中间层 可以有若干层，每一层的神经元只接受前一层神经元的输出。而相互连接型网络 中任意两个神经元件都有可能连接，因此输入信号要在神经元之间反复往返传 递，从某一状态开始，经过若干次的变化，渐渐趋于某一稳定状态或进入周期性 振荡等其他状态。 目前虽然己有数十种神经网络模型，但已有的神经网络可分为四大类： ( 1 ) 前向神经网络 前向网络结构如图3 3 所示，神经元分层排列，分别组成输入层、隐藏层( 可 以由若干层组成) 和输出层。每一层的神经元只接受来自前一层神经元的输入， 后面的层对前面的层没有信号反馈。输入模式经过各层的顺序传播，最后在输出 层上得到输出。感知器网络和网络均属于前向网络。 ( 2 ) 反馈网络 反馈神经网络的结构如图3 - 4 所示