基于神经网络的股价预测

基于神经网络的股价预测摘要随着中国经济的快速增长和金融市场的不断扩大，股票这类对虚拟经济的投资越来越受人们的青睐。股市出现后，人们试图研究股价波动，掌握价格波动规律，学术界发明了各种研究方法来预测股票。BP神经网络在大数据预测的经典算法中受到投资者和研究者的青睐。然而，BP算法由于其收敛缓慢而易于落入局部最小值，效率较低。基于对股价预测问题的深入分析和各种预测股价方法的比较，本文通过建立遗传BP神经网络模型探讨了股价预测方法。首先将利用遗传算法搜索的最优个体作为BP神经网络的初始权重和阈值。然后，通过试错法确立隐层节点的数量，构建BP神经网络的模型。然后，使用BP算法训练网络，训练过程自动调整学习率。基于遗传算法的BP神经网络不仅可以发挥遗传算法的全局搜索，而且能快速有效地发挥BP神经网络的作用。两者的结合，加快了运算效率，提高了BP神经网络学习能力和预测股票的能力。基于该算法的思想，本文构建了预测模型，以Matlab9.0为实验平台，进行模拟实验，选取上海和深圳300指数为实验对象，用前10天的收盘价和开盘价加上当天的开盘价来预测当天的收盘价。其中，将140天的历史数据中的前100组数据用作训练样本，最后30组数据用作测试样本。从收敛速度、稳定性和准确性的三个角度比较和分析BP神经网络预测模型和遗传BP神经网络的预测模型。实验表明，提出的基于遗传神经网络的预测股价方法具有一定的实用性。关键词：机器学习；股价预测；BP神经网络；遗传算法;绪论1.1研究背景和意义股票市场在全球金融体系中起着至关重要的作用，因为它允许公司通过交易公司所有权股份来筹集资金。但是，它不仅对企业本身很重要，而且还被用作银行和私人投资者的投资平台。为了获得良好的股票投资回报，对未来价格的准确预测至关重要。然而，预测股市是一个艰巨的任务，因为股票的价格走势受经济因素、业务因素、政治因素、市场因素和心理等因素的影响。从股市表面上看，股市在缺乏一定法律约束的情况下出现变化。同时，中国股民的结构具有特殊性，买家的心理状态和股票交易行为对股票走势有直接的影响，导致股份价格波动，不容易掌握股价。股市的变化和整个市场经济的发展有着密切的关系，在国民经济中发挥了非常大的作用。它的作用不只是受到广大投资者的关注，政府也十分关注。对于股票投资者，未来股价变动趋势预测越准确，收购的盈利几率和避免风险就越容易；国家经济发展在建设方面，股票预测研究也起着重要的作用，所以研究股价走势预测具有重大意义。股票预测是基于过去和现在的股票价值来引入未来价值，这决定了股票预测研究对象不是一个特定的事件，而是一个随机的，不确定的事件，这需要使用匹配的科学预测方法来做出合理的推论。对于股票预测，基本特点如下：（1）股票预测是一种非线性动态系统，股票市场是一个非常复杂的系统，没有准确的方式来满足任何一种股票预测，而且近年来发现试图找到一个非常精确的方法是不现实的，我们可以做的是在合理的范围内预测出错控制。（2）根据股票市场各种因素的复杂关系，一般的预测方法难以准确预测。和股票时间序列相关的历史数据也很多，建立股票预测模型的一般线性方法显然是一个很大的错误，难以实现实际效果。（3）由于股票系统的非线性动力学，必须使用股票预测方法来拟合非线性数据方法。目前，线性系统等多项成熟的方法，如多元线性回归分析，非线性系统处理理论不完善，进一步进行理论与实践研究。（4）股价数据有一些波动的奇点。这些奇点可能对股票预测的研究有一定的影响。线性方法可以直接消除这些奇异点，但非线性系统认为系统的鲁棒性不能直接从我们的数据推导出这些奇异点。（5）买家为投资者。投资者是非常主观的动态个人，有良好模式的股价历史数据，使得预测误差控制在一个很小的范围内，但由于股票受到个人对未来事件的影响，我们对股价走势的预测仍然有一定的不准确性。（6）考虑到我们的股票市场受到明显的国家政策的影响，有必要通过科学的方法来预测国家政策的这个因素。1.2国内外研究现状过去很长一段时间，由于股市规模小，信息共享的速度太慢，股票的技术限制被分析，人们只能通过自己的主观判断做出决策和投资。随着近几十年股票市场的快速发展，信息披露的规范化和信息共享的多样化，人们开始寻求一些有效的预测方法来分析和研究股票市场，进行更有效的投资。但股市是一个复杂的系统，不仅受市场外部因素的影响，还受到自身内部对股市的影响，预测确实有一定的难度。但人们并没有停止对股票预测的研究和探索。1.2.1国内外研究现状1987年，神经网络算法第一次被应用于预测领域。此后，神经网络在预测研究中得到迅速发展。美国前沿金融公司使用神经网络来预测20世纪90年代中期的股票市场。在20世纪90年代，White利用神经网络来预测IBM股票的每日收益率。[21]然而，预测结果不能令人满意，此外通过分析神经网络被捕获在局部最小值，发现该网络不能收敛到最小点。1990年，Kimoto，Yada等学者利用神经网络技术开发TPOix预测系统[3]，该系统主要在东京证券交易所股票加权平均指数（类似于道琼斯指数）预测结果显示神经网络模型的预测结果优于TOPix加权平均值的结果。1996年，GenCay在1967年建立了前身人工神经网络模型[41]，以道琼斯工业平均指数的移动平均线作为输入变量。1988年道琼斯指数分批进行了分析。预测结果表明，BP网络模型的预测能力明显优于简单移动平均法。2000年，罗德里格斯等研究人员建立了移动平均规则和前向人工神经网络的综合模型。对西班牙股市的实证分析显示，基于预测结果进行的股票交易收益远高于收购后获得的收益。2003年，G.Peterzhang实验结果表明，神经网络模型不仅具有比ARIMA模型更好的预测精度，而且具有处理非线性数据的优点。实验结果表明，神经网络模型不仅具有比ARIMA模型更好的预测精度。另外，进入二十一世纪以后，神经网络在股市分析中已经出现了很多研究成果。A.muratoiBayogly和IsmetBahadir比较了神经网络和贝叶斯估计的两种方法在股票市场交易中的预测效果[71。本文选择215个股票的历史数据，根据不同的标准对这些历史数据进行分析，得出结论：两种方法均可应用于股票市场，但神经网络方法的效果明显好转。Chi-JieLu认为，股票市场的数据非常嘈杂，时间变化非常强劲。他尝试使用完整的独立分量分析进行去噪，然后提出基于神经网络的股票趋势预测模型。该模型首先构建一个独立的，然后使用它来分析预测变量以产生独立的分量，然后去除数据以重建预测变量。重建的预测变量将包含低噪声信息作为神经网络模型的新输入变量。该模型使用日本日经225指数的开盘价来评估最终表现，结果表明，Chi-JieLu提出的新模式优于与神经网络模型相结合的小波去噪技术，但对神经网络的内部结构没有深入的分析和研究。Hammd，M.Alhajali和L.hall使用BP多层神经网络分析了中东约旦股市的股价[9]，通过实证分析发现，与统计分析方法相比，BP神经网络预测方法获得更高准确性，预测能力更好，但是他们的研究并不涉及BP神经网络，一个一个地将问题逐渐转化为局部最小点。ArnoldF.Shapiro将三种方法与粗糙集、神经网络和遗传算法结合起来，独立处理时间序列数据，构建了一个综合预测模型[10]，进行数据处理和预测，既保留了每种方法的优点，也弥补了彼此。然而在研究过程中，不分析每种方法单独的效果对综合模型的影响，综合模型的有效性并没有直观的体现出来。来自TOBB大学的Murat使用神经网络模型来分析和预测TKC证券的数据。[11]输入向量的选择从不同类型的模型开始，包括趋势，动机，模式和波动性，并验证数据。结果表明，与其他预测模型相比，神经网络预测模型更好，可用于预测投资组合的价格并预测短期交易。然而，研究仍然有一些主观性，没有详细的解释选择模型输入向量的基础和原因。MelikeBildirici等将ARCH/GARCH模型与人工神经网络模型[12]相结合，分析了近三十年来土耳其股市的股票市场数据。结论表明，ANN-APGARH模型显着提高了股票价格预测的准确性，但仍然缺乏模型处理大规模非线性数据的能力。1.3本文所做的工作本文的主要内容是研究遗传神经网络在股票价格预测中的应用，主要针对BP算法在股价预测中的障碍，例如：收敛缓慢、有很大概率落入局部极小点等问题，使用遗传神经网络算法建立股票预测模型并验证其可行性。本文主要内容如下：1、使用遗传算法优化BP神经网络的初始权重和阈值通过遗传算法优化BP神经网络的权重和阈值。首先编码初始权重和阈值。然后，设置遗传算法的参数，计算适应度函数，对编码个体进行操作和重新计算。适应度函数确定是否达到适当的准确度。2、优化BP神经网络的结构首先确定网络结构中隐藏层节点数的近似间隔和范围，然后使用试错法计算隐层节点的具体数量。在此过程中，逐渐增加隐层神经元的数量，选择均方误差（MeanSquareError，MSE）作为误差的度量。在相同的训练频率下，选择与最小平均误差对应的隐藏层数。3、提高BP网络的学习率在训练过程中调整学习率，使小时候小，大时间大。可以非常随机地选择所选范围的初始学习率，您可以在评估条件时参考额外的动量，如果新错误大于过去错误的若干倍数，学习率将会降低，否则学习速率将保持不变，如果新的错误少小于旧的错误情况，则会增加学习率。4、建立股票预测模型利用前十个交易日的开盘价预测第十一个交易日的收盘价，股票预测模型设置为3层，输入层有20个节点，隐层有12个节点，输出层为只有一个节点。5、使用Matlab9.0进行模拟实验使用沪深300指数130套历史数据对网络进行训练和测试，并预测未来30天的沪深300指数收盘价。分析结果可以得出结论，预测模型具有更好的收敛性和稳定性，预测结果的准确性更高。论文结构1.4本文分为四章，具体安排如下：第一章主要分析了进行股票价格预测的背景和意义，以及国内外股票预测研究现状，最后总结了本文所做的工作。第二章主要阐述BP神经网络和遗传算法的相关理论知识。首先分析影响股票走势的因素，并比较股价预测方法。然后介绍BP神经网络和遗传算法及其在股票预测中的应用。第三章分析如何通过遗传算法优化BP神经网络，提出遗传神经网络学习效果的改进，构建基于遗传BP神经网络的股票预测模型。在第四章中，利用MATLAB的外部接口将股票数据导入到MATLAB中，对基于BP神经网络和改进遗传神经网络算法的股票预测模型进行了模拟和验证，验证了遗传神经网络遗传预测模型的可靠性和准确性。总结了我所做的工作，分析了提出的方法的缺点，改进了方向。第二章相关理论依据2.1神经网络预测方法神经网络由许多并行、高度关联的数据处理单元组成，类似于神经元。神经网络模型是基于对人类大脑信息处理机制的初步了解的分布式并行数据处理结构。神经网络根据训练数据对内部节点之间的关系进行连续调整，达到学习数据变化规律的目的，这可以在下一个时期预测数据趋势来实现预测功能。神经网络具有分布式存储、并行处理、容错能力强、非线性度高、自组织性强、自学习能力强、适应能力强等特点，被广泛应用于经济数据分析和价格预测。神经网络预测方法包括径向基函数神经网络、反向传播神经网络（BP）和感知神经网络[211]。在预测神经网络股价走势的具体过程中，有必要全面解决三个问题。它们是输入量确定、回溯期选择、神经网络算法及其参数确定的问题。讨论分析这三个重要问题，具体如下：（1）解决相关投入数量澄清问题解决股价走势，需要处理大量数据，包括历史数据和实时数据等大量内容，涉及的参数包括价格、数量等多项内容。虽然这些内容和数据看起来比较简单，但在实际操作过程中，解决相关数据输入输出是个大问题，完成准确的预测工作是非常困难的。其实，由于股价走势在综合技术分析过程中，股票开盘价、收盘价、数量等综合信息是根据人们的历史经验，以相关技术手段计算结果，从中发现股市走势的规律是很难的，使用神经网络预测方法可以实现选定网络的输入变量，预测未来股价走势。（2）解决确定问题参数的神经网络算法本文采用BP算法