基于粒子群神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測研究

[摘要] 粒子群算法是一種基于群智能的全局尋優(yōu)方法，方法簡單易于實現(xiàn)。本文將粒子群算法用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，提出了一種股票價格預(yù)測的新方法，研究表明預(yù)測效果良好。

[關(guān)鍵詞] 粒子群算法 神經(jīng)網(wǎng)絡(luò) 股票

一、前言

股票市場是我國資本市場不可缺少的一部分，在推動經(jīng)濟發(fā)展中起到了舉足輕重的作用。隨著我國經(jīng)濟的快速發(fā)展，股票價格的預(yù)測研究成了當(dāng)前的熱點之一，但股票價格的形成機制是頗為復(fù)雜的，股票價格既受到政治、經(jīng)濟、市場的影響，也受到技術(shù)和投資者行為的影響，個別因素的波動都可能會使股票價格劇烈波動，股票價格和各影響因素之間很難直接建立明確的函數(shù)關(guān)系表達式。神經(jīng)網(wǎng)絡(luò)對非線性問題有強大的處理能力，是股票價格預(yù)測的有效方法，但神經(jīng)網(wǎng)絡(luò)收斂速度慢，易于陷入局部極小點，魯棒性差。粒子群算法是一種基于群智能的全局尋優(yōu)方法，方法簡單易于實現(xiàn)。粒子群神經(jīng)網(wǎng)絡(luò)將粒子群算法引入到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練當(dāng)中，可以有效地提高神經(jīng)網(wǎng)絡(luò)的預(yù)測能力。

二、粒子群算法

粒子群算法初始化為一組隨機粒子，然后通過迭代尋找最優(yōu)解。粒子追隨兩個最優(yōu)值來更新自己，一個是粒子迄今為止尋找到的最優(yōu)值，叫做個體極值（pBest）；另外一個是整個粒子群迄今為止尋找到的最優(yōu)值，叫做全局極值（gBest）。粒子用以下公式更新自己：

(1)

(2）

其中為當(dāng)代粒子移動速度；是下一代粒子移動速度；是介于[0，1]之間隨機數(shù);是學(xué)習(xí)因子，一般取2；是當(dāng)代粒子位置；是下一代粒子位置;是個體最優(yōu)位置，是全局最優(yōu)位置;為慣性因子。

慣性因子對優(yōu)化性能有很大的影響，較大的值有利于跳出局部極小點，而較小的值有利于算法收斂。一般采用以下公式進行更新：

（3）

式中為迭代次數(shù)。

三、粒子群神經(jīng)網(wǎng)絡(luò)

多層前饋神經(jīng)網(wǎng)絡(luò)由于一般使用BP算法作為學(xué)習(xí)算法，因此常稱之為BP網(wǎng)絡(luò)，由于BP算法從本質(zhì)上講是一種局部尋優(yōu)算法， BP算法不可避免地存在局部極小，因此需要用一種全局尋優(yōu)算法來代替BP算法。由于粒子群算法有良好的全局收斂性能，在這里我們采用粒子群算法作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，即用粒子群算法來實現(xiàn)神經(jīng)網(wǎng)絡(luò)權(quán)值的尋優(yōu)，稱這種網(wǎng)絡(luò)為粒子群神經(jīng)網(wǎng)絡(luò)。

圖1 粒子群神經(jīng)網(wǎng)絡(luò)

四、股票價格預(yù)測

采用三層前饋神經(jīng)網(wǎng)絡(luò)，隱層神經(jīng)元為線性神經(jīng)元，激活函數(shù)為S型函數(shù)，網(wǎng)絡(luò)權(quán)值尋優(yōu)方法為粒子群算法。根據(jù)經(jīng)驗選取預(yù)測日前四天開盤價、收盤價作為輸入量，輸出量為第五天的收盤價，網(wǎng)絡(luò)結(jié)構(gòu)為8－17－1。本文選取“泰豪科技（600590）”從2007年5月10日到9月20日的股票價格數(shù)據(jù)利用MATLAB軟件進行研究。取70組數(shù)據(jù)作為訓(xùn)練樣本，20組數(shù)據(jù)為測試樣本。

圖2 泰豪科技實際值和預(yù)測值

由上圖可以看出，股票預(yù)測價格與實際價格略有差距但相差不多，并且總的趨勢符合實際走勢。

五、結(jié)束語

粒子群算法簡單，收斂速度快，魯棒性強，易于編程實現(xiàn)。粒子群神經(jīng)網(wǎng)絡(luò)兼有粒子群算法和神經(jīng)網(wǎng)絡(luò)的長處，將粒子群神經(jīng)網(wǎng)絡(luò)運用到股票價格預(yù)測上，研究結(jié)果表明預(yù)測效果良好。

參考文獻:

[1]Kennedy J. and Eberhart R .Particle Swarm Optimization . IEEE International Conference on Neural Networks (Perth， Australia)， IEEE Service Center， Piscataway， NJ， IV: 1942-1948，1995.

[2]Shi Y， Eberhart R. A modified particle swarm optimizer[C]. In: IEEE World Congress on Computational Intelligence ，1998:69-73

[3]聞新周露李翔等:MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].科學(xué)出版社，2003.7

[4]徐欽龍劉國平張鍵民:基于粒子群算法的溫度模型優(yōu)化[J].南昌大學(xué)學(xué)報[工科版]，2003，(1):68-71