《MATLAB基于BP神经网络的股票价格预测研究》由会员分享，可在线阅读，更多相关《MATLAB基于BP神经网络的股票价格预测研究（13页珍藏版）》请在金锄头文库上搜索。
1、-范文最新推荐-1 / 13MATLAB 基于 BP 神经网络的股票价格预测研究摘要股票市场在金融投资领域中占有重要地位，随着社会经济的发展和人们投资意识的增强，股票投资已成为众多个人理财的重要方式之一。然而，股票市场高风险和高收益并存，具有高度的非线性，而且原始数据波动较大，随机性强。因此，如何建立一个运算速度和精度都较高的股市预测模型，对于投资者具有理论意义和实际运用价值。BP 神经网络模型具有非线性映射，能以任意精度逼近函数关系，容错能力大，学习能力即自适应能力强等特点，能在一定的精度范围内实现良好的模拟。跟其它预测模型相比，它的有点在于它能不追溯数据产生原因，通过给定的训练样本进行机械
2、训练，建立输出与输入变量之间的函数关系，建立非线性过程的模拟模型。因此，利用神经网络模型来进行股价预测是比较适合的。本论文根据 BP 神经网络进行股票预测，采用改进后的 BP 算法进行股市预测，并通过 MATLAB 软件进行股票价格预测进行仿真。以深发展 A 为例，对其所建立的模型进行训练并预测，达到了良好的预测效果。10114关键词股票预测 BP 神经网络 MATLAB 仿真Levenberg-Marquardt 算法外 文 摘 要TitleThe study of stock price prediction based on Neutral NetworkAbstractThe stoc
3、k market plays an important role in financial investment. With the economic growth and the conversion of people’s investment, stock has become an important part of peoples life in modern time. However, the proceeds of stock investment always equal -范文最新推荐-3 / 13the risk, and the stock market i
4、s a very complex nonlinear dynamic system. The data of short-term is always discontinuity and shakes heavily with randomicity. Establishing a stock forecasting model, which has higher operation rate and precisian, has theoretical significance and applicable value. 结 论 25致 谢 26参 考 文 献 27附 录 291 绪论1.1
5、 研究背景和意义 随着社会和经济的发展，我国的股票市场越来越受到人们的关注。股票价格的预测有很多方法，但股票预测易受多方面影响，而且是个十分复杂否认非线性动态系统。传统的股票预测方法存在预测量大、建模复杂、不精确等局限性，因此，传统的股票预测方法只适用于预测一段时期内股价变动的大致趋势。近年来，基于人工神经网络的股票预测模型飞速发展，给人们以另一种手段和方法揭示其内在规律，其作为一种大规模并行处理的非线性系统、利用数据本身的内在联系建模，具有良好的自学习能力、较强的抗干扰能力，在股票预测中 取得了令人满意的成绩。本文采用神经网络模型进行预测，试图通过建立 BP 神经网络预测模型，对上证指数的收
6、盘价进行预测。1.2 文献综述随着经济统计学、计量经济学等相关技术的高度发达，预测学也慢慢发展起来。运用于经济领域的预测方法，常用的有时间序列，多元回归和经济计量方法。建立在经济计量学方法的预测模型与实践序列分析模型相比，最大的优势就是它们得到被预测经济现象的实际解释。多元回归即 VAR 方法，它依靠经济数据-范文最新推荐-5 / 13中重复发生的历史方式预测少数重要的经济变量，它比传统的结构模型的预测精确性要高，如预测国民生产总值和利息率。以上几种方法均是用线性模型模拟现实生活的复杂系统，均属于模型驱动的方法，因此在处理非线性系统时效果不是很好。事实上，这些预测模型方法的基本前提是非常苛刻的
7、。但是由于多数复杂的系统呈非线性，使得这类方法在实际运用上有很大的局限性。所以，必须在建模策略上进行根本的变革，提出新的概念和方法来处理这类预测问题。这种情况下，人们开始把目光转向了近些年来兴起的神经网络模型，结果表明它用于预测的精度和趋势都较传统方法有所提高。 2.1 股票预测面临的问题在进行股票投资中，股票投资分析必不可缺。选择适当的股票投资分析方法对股市和个股进行分析，是降低投资风险获取投资收益的关键。影响股票投资收益和风险的因素很多，它们的作用机制也相当复杂。只有通过认真、科学的专业分析，才能较好地把握这些因素，尽可能预测的更准确一些。目前，股价预测主要存在以下问题：（1）股价数据中含
8、有较多噪声股价指数编制的不合理、大机构的造势行为以及其他很多外在因素的影响，容易造成故事的强烈波动，使股价指数表现为高噪声，且存在许多“奇异点”。“奇异点”的存在会大大影响系统性能，导致求解过程震荡甚至无法收敛。在线性条件下，可以有滤波器将其滤掉，在非线性条件下，因为它们可能代表一类模式或结构变化的先找，将很难处理。所以，这要求预测系统具有很强的鲁棒性。（2）股价的非线性特征股价自身和影响股价的各变量之间呈非线性。如今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，因此对于复杂的的多变量非线性问题缺乏有效的分析工具。股价系统是一个多变量线性问
9、题，虽然-范文最新推荐-7 / 13非线性数学、耗散结构理论为描述非线性系统问题提供了一些分析工具，但实际应用于股价实证分析仍存在不少问题，有待提高。（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大，并且随着时间的增加而急剧升高。在股价系统中，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，一种预测过去和现在的表现不能说明其未来的预测结果。 技术分析是一种比较客观的分析，它从股票的成交量、价格、达到这些价格和成交量所用的时间，价格波动的空间几个方面分析走势并预测未来。一切的分析都是建立在股价或成交量等的历史数据之上，有其一定的逻辑性。但
10、技术分析也有其缺点，如任何技术分析手段都不能预测突发事件的发生。同时，技术分析可能在发出买卖信号时已经出现时滞，即当技术分析确认是多头市场时，股价可能已经有了一定的升幅，当技术分析确认是空头市场时，股价可能已跌一定幅度。2.2.2 时间序列预测法时间序列，是指观察和记录到的一组按时间顺序排列的数据。实际数据的时间序列，展示了研究对象在一定时期内的发展变化过程，可以分析和寻找出它的变化特征、趋势和发展规律的预测信息。时间序列的基本思路是：分析时间序列的变化特征，选择适当的模型形式和模型参数以建立预测模型，利用模型进行预测，对模型预测值进行评估和修正得到预测结果。基本方法有移动平均法、指数平滑法、
11、季节性变化、平稳随机分析、非平稳随机分析。2.2.3 经济计量方法经济计量方法是股票比较常用的定量预测方法。一般情况，对某一经济过程进行预测可分为建模阶段和预测阶段两个阶段。在建模阶段，对于具体的经济计量模型的选择要考虑到有关的经济理论、统计数据的-范文最新推荐-9 / 13具体情况、预测经费的限制、预测精度的要求等等制约因素。在预测阶段，要保证经济的未来运行相对于既定的模型在预测跨度内不发生较大的结构性变动。2.2.4 灰色预测方法灰色预测方法是一种不严格的系统方法，它抛开了系统结构分析的环节，采用灰色理论进行预测。这种方法能根据原始资料的不同特点，构造出不同的预测模型，预测范围很广，可以用
12、于长、短期股价预测，由于所需要的数据量不大，在数据缺乏时十分有效。 3 神经网络及 BP 算法3.1 人工神经网络3.1.1 人工神经元模型人工神经元模型是生物神经元的模拟和抽象，反应人脑某些生理特性的计算结构。神经元是人工神经网络的基本处理单元，它一般是一个多输入/单输出的非线性元件。一个具有 n 个节点的神经元如图所示。其中输入分量(j=1， 2，.,n),通过与和它相乘的权值分量 （j=1,2,.,n）相连，以 的形式求和后，形成激活函数 f 的输入。 O 表示这个人工神经的输出； 表示这个人工神经元的阈值。如果输入信号的加权和超过 ，则人工神经元输出可描述为：式中，f() 表示神经元输
13、入 —输出关系的函数，称为激活函数或输出函数。图 3.1 神经元模型图激活函数是一个神经元及神经网络的核心。网络解决问题的能力不仅仅与网络结构有关，很大程度上也取决于网络所采用的激活函数。激活函数的基本作用有：控制输入对输出的激活作用；对输入、输出进行函数转换；将可能无限域的输入变换成指定的有限范围的输出。-范文最新推荐-11 / 13下面是几种常见的激活函数：（1）阈值型这种激活函数将任意输入转化为 0 或 1 的输出，分别代表神经元的抑制和兴奋。此函数的神经元输入/输出关系为：= （2）分段线性型分段线性型函数是一种特殊形式的阈值型激活函数，其关系为：（3）S 型传递函数，即
14、sigmoid 函数，它的输出是非线性的，故这种神经元称为非线性连续型模型。S型传递函数具有平滑和渐近线，并保持单调性，最常用的是对数 sigmoid 函数，其函数形式为： （2）非线性映射。现实生活中，许多系统的输入和输出之间存在复杂的非线性关系，很难用传统的处理方法建立模型。设计合理的神经网络通过对系统输入输出样本对进行自动学习，能够以任何精度逼近任何复杂的非线性映射。因此，具有非线性映射功能的神经网络应用十分广阔。（3）分类和识别。神经网络对外界输入样本具有很强的识别与分类能力。对输入样本，传统分类方法只适用解决同类相聚、异类分离的识别与分类问题。而神经网络可以很好地解决对非线性曲面逼近的问题，因此相比于传统的分类方法具有更好的识别与分类能力。（4
