【doc】基于神经网络的股票交易数据的预测研究

【doc】基于神经网络的股票交易数据的预测研究 基于神经网络的股票交易数据的预测研究 2003年第24卷第6期华北工学院vol_24No.62003 (总第92 期)JOURNALOFNORTHCHINAINSTITUTEOFTECHNOLOGY(sumNo.92) 文章编号:1006—5431(2003)06—0412,04 基于神经网络的股票交易数据的预测研究 师智斌,陈立潮,靳雁霞 (华北工学院计算机科学与技术工程系,山西太原030051) 摘要:运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测.通过对 前馈神经网络时间序 列数据预测网络模型的建立方法及预测方法讨论,基于BP网络对股票数据进行 实际预测.预测精度明显高 于传统方法,说明此种方法是可行的.BP网络可用于股票数据预测,其预测精度较 高,但实际预测时,如何 选择和确定一个合适的神经网络结构需进行反复实验. 关键词:股票;预测;神经网络 中图分类号:TP183文献标识码;A StudyonQuotationPredictiononStockMarker BasedonNeuralNetwork SHIZhi—bin,CHENLi—chao,JINYan—xia (Dept.ofComputerScienceandTechnology.NorthChinaInstituteofTechnology,Taiyuan0 30051,China) Abstract:StudyonpredictionofstockdatabasedonfeedforwardneuralnetworkStimeseries predic— tion.EstablishingofpredictionnetworkmodelinmultiplayerfeedforwardneuralnetworkSti meseries predictionandthepredictiondesignmeasuresarediscussed,basedonBPnetworkthestockda taare forecasted.Theprecisionofpredictionishigherthanthetraditionalmethods.Itshowsthatthe method isreceivable.BPnetworkcanbeusedtopredictionofstockdataandtheprecisionofprediction ishigh. Butinpractice,howtoselectandestablishappropriateneuralnetworkisneededexperimentre peatedly. Keywords:stock;prediction;neuralnetwork 0引言 股票市场在我国不断发展,逐步成为证券业及至整个金融业的必不可少的组成部分,受到投资者的 普遍关注,因而对股票交易数据的分析和预测研究具有重大的理论意义和诱人的应用价值.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 和困难. 预测方法大体上分为定性预测法,因果模型预测法和时间序列预测法.针对股票市场 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 现出的不同 特点,人们提出了多种多样的分析和预测方法,常用方法有:证券投资分析法,时间序列分析法,神经网 络预测法,其它预测方法(如专家评估法和市场调查法等定性方法;季节变动法,马尔柯夫法和判别分析 法等定量预测方法)等.其中神经网络是一种最新的时间序列分析法L1]. 研究表明,基于多层前向神经网络的时间序列预测方法是目前最好的预测方法之一.这主要是由于 多层前向神经网络具有可任意逼近非线性连续函数的学习能力和对于信息的综合能力,而这些能力正是 其它方法所不具有的.目前基于神经的股票预测方法在国际上正在兴起,这是本文 研究的出发点. ?收稿日期:2002—09一i5修回日期:2003—03—22 作者简介:师智斌(197O一),女,讲师,硕士.主要从事计算机应用研究 (总第92期)基于神经网络的股票交易数据的预测研究(师智斌等)413 1多层前向神经网络的结构与反向传播算法s,s] 神经网络按照其结构可分为前向网络和反馈网络,其中前向神经网络包括两种基本形式:感知机和 多层前向神经网络.多层前向神经网络由一个输入 层,一个或多个隐层,一个输出层组成,可以用来解 决非线性分类问题.多层前向神经网络的各层由一些 神经元的独立单元组成,每个神经元都是一个处理 器,用来完成对信息的简单加工.层与层之间由一组 权连接,每个连接权都用来存储一定的信息,并提供 信息通道,一个多层前向神经网络的基本结构如图1 训练信号 1输入层隐层输出层 图2神经元的结构模型图3BP学习过程原理图 Fig.2StructuremodelofnervecellFig.3PrinciplediagramofBPstudyprocess 虽然单个神经元的计算较简单,它的信息处理能力也很有限,但是由大量的神经元所组成的神经网 络却可以完成十分复杂的任务. 根据各种不同的神经网络模型可设计出许多学习算法.根据学习的环境,一般可以将这些算法分为 两大类:监督学习和非监督学习.反向传播(backpropagation)算法就是一种监督学习算法. 反向传播算法也称BP算法,用了优化算法中的梯度下降法,从数学角度看,是把一组样本的I/O 问题变为非线性优化问题,经迭代运算,求解权值,使误差信号达到要求的程度.BP 算法的学习过程由 两个阶段组成,即信息的前向传播和误差的反向传播.在前向传播过程中,输入信息从输入层经隐层单 元逐层处理,并传向输出层,第一层神经元的状态只影响下一层神经元的状态.如果在输出层不能得到 期望的输出,则转入反向传播,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,使得 误差信号最小.图3给出了BP学习过程原理图. 2基于BP网络的股票交易数据预测 时间序列预测法是依据预测对象过去的统计数据,找到其随时间变化的规律,建立时序模型,以判 断未来数值的预测方法.其基本思想是:过去的变化规律会持续到未来,即未来是过去的延伸.记一个 时间序列为{z),其中z一z(,),t一0,?1,4-2,….根据时间序列{z)的历史观测值zf+一,z件一., …,z件一对未来时刻,+(?1)时的取值z件进行估计,即五+与前面的数据z件一,五+棚一z,…, 414华北工学院2003年第6期 件一之间存在某种函数关系,可描述为 件一F(件一1,件一z,…,件,). 当一1时,称为一步预测;优>1时,称为多步预测.因此,时间序列预测有赖于通过一组数据点 件一,件一,…,件一拟合函数F().具有非线性处理单元的多层前向神经网络能够在训练样本的基 础上逼近任意非线性函数. 2.1基于BP网络的预测模型的建立 2.1.1网络结构的设计 网络结构的设计包括决定网络的层数,每层的神经元个数,初始权值和阈值. 实践表明:4层网络的结果比3层网络更易进入局部最小,增加了网络权值的训练时间,因此在实 际应用中选用只有一个隐层的3层网络. 输入输出层节点数由具体问题决定.对于股票交易数据,人们有理由认为近期交易数据比远期交易 数据对未来的影响更大,因此,为了对时序在时刻f+的数据进行预测,从时刻t到—+的近期历 史交易数据就形成了观测数据,其中;r/'/为输入层节点数.由于只限于一维时间序列,故仅需要一个输出 层节点来表示预测值. 当训练效果不理想时,误差精度的提高可以通过增加隐含层中神经元数来获得.隐层节点数的选取 尚无理论上的指导.过多的网络节点会增加训练网络的时间,也会使网络的泛化能力减弱,网络的预测 能力下降.但网络节点过少则建模不充分.一般地,隐层节点数在输入层节点和输出层节点数之间. 由于系统是非线性的,初始权值对于学习是否达到局部最小,是否能够收敛及训练时间的长短关系 很大.一般取初始权值在(一1,1)之间的随机数. 2.1.2网络拓扑的设计 对BP网络来说,可以采用基本的连接方式即相邻两层的节点互相全连.但是有时为了节约训练网 络的时间,可采用部分连接方式,以期在合理的时间内获得比较好的精度.节点的作用函数应选取连续 可微的,通常选取Sigmoid函数,即 厂()一1/(1+e-Z). 2.1.3样本,期望误差的选取与输入输出数据的预处理 将已知的时间序列数据分为两组,前70%,8O%的数据用来构成训练样本,后20%,30%的数据 组成检验样本. 期望误差值应当通过对比训练后确定一个合适的值,一般可选取不同期望误差值的网络进行训练, 通过综合因素的考虑来确定采用其中一个网络. 对于Sigmoid函数来说,其输出在0—1之间变化,并且只有当输入为一o.,+o.时,输出才达到 0,1,比较合适的输出范围是0.1—0.9.网络的输入也应尽量使Sigmoid函数工作于非饱和区,因此,要 对样本数据进行如下归一化处理 ,Zf一-Z'min . — Z'max-- — . Z'min'? 式中,和分别为样本数据中的最大和最小值;为原始样本数据;:为变换后的数值. 当神经网络处理结束后,再做反归一化运算. 2.2基于BP网络的股票交易预测实例 通过对股票数据的综合分析和评价,而且由于上证A股是作为国内股市行情重要的综合评测指标 之一,能够比较准确地反映国内股市行情动态,具有较高的预测价值和较好的可预测性,故选取了从 2001年8月17日到2002年1月15Et连续100个交易的上证A股指数作为学习和预测样本.用前70 个数据作为训练样本,用后3O个数据作为检测样本.为减少随机游动的影响,各数据都取5d的均值. 样本选取后,利用前70d的5d移动平均作为输入样本,对网络进行训练.所用BP网络是一个3 层结构:输入层,一个隐层和输出层,进行一步预测.输入层和隐层之间的作用函数为Sigmoid函数,隐 (总第92期)基于神经网络的股票交易数据的预测研究(师智斌等)415 层和输出层之间为线性函数.此实验除了对5d均值的样本数据进行归一化处理外,同时对目标数据做 特殊化处理.用BP算法及训练样本进行训练,收敛后权值固定,此BP网络即是一个一步预测模型,对 余下的数据进行一步预测.训练结果和训练误差见图4和图5. 叛 《 洲练BP网络 囝4训练结果图 Fig.4Theresultdiagramoftraining 从图4中可以明显看出:此预测模型误差在训 练了近4500次以后,误差已达到给定的最小误差 10.一般地,当网络均方误差值低于0.1时,则表 明对给定训练已满足训练要求了,所建预测模型成 立.在此基础上,进行预测后30d的收盘数据,预 测结果和预测误差见图6. 从图6可以看出:用此网络预测模型进行预测 后预测结果满足要求,预测精度明显高于传统方法, 说明此种方法是可行的. 以上讨论的是上证A股指数的未来预测,但对 于具体个股而言,如果直接利用股票交易数据进行 预测,尽管这些数据简单且易看易懂,但大量实验表 图5训练误差图 Fig.5Theerrordiagramoftraining 图6预测结果图 Fig.6Theresultdiagramofprediction 明,直接利用这些数据作为输入输出进行预测是困难的,主要原因是这些数据并不完全反映股市的内在 规律,更易受外界因素的影响(大盘,除权,除息,主力庄家的意愿等). 3结论 实验表明,BP网络可用于股票数据预测,其预测精度较高,是最好的时间序列预测方法之一.研究 中发现,神经网络模型虽具有强壮性,但神经网络方法并不十分成熟,缺乏一个系统的建模过程,即对 一 个实际问题,如何选择和确定一个合适的神经网络结构仍是目前尚未解决的一个难题.所以,决定一 个合适的网络结构需作一些实验,当神经网络的结构不合适时,建立一个神经网络模型就需要花费很多 时间去重新设计,重新训练. 参考文献: [1]张有为.预测的数学方法[M].北京:国防工业出版社,1991.53--57. F2]李仲元.实用运筹法[M].太原:山西科学教育出版社,1991. [33党建武.神经网络技术及应用[M].北京:中国铁道出版社,2000.6--41. []徐丽娜.神经网络控制[M].哈尔滨:哈尔滨工业大学出版社.1999.4--19. Fs]阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000. 1-63向国全.前向网络BP算法在数据挖掘中的运用[J].河南大学(自然科学版),1999,'29(3):42--45? [7]刘新勇,贺江峰,孟祥泽.基于神经网络的股市预测[J].南开大学(自然科学版),1998,31(3):39--44? 唧咖咖咖啪啪瑚瑚伽鲫姗姗姗????鲫