基于BP神經網絡的股票價格反轉點預測

王建國

（四川大學計算機學院，四川 610065）

基于BP神經網絡的股票價格反轉點預測

王建國

（四川大學計算機學院，四川 610065）

股票市場在整個金融市場中起著很重要的作用。而股票價格反轉點的預測是最具有吸引力并且有意義的研究問題之一。BP神經網絡作為已被證明為具有實現任何復雜非線性映射的功能的多層預測模型特別適合于求解股票預測之類的內部機制復雜的問題。旨在利用BP神經網絡模型的預測能力實現對股票價格的反轉點預測。

股票價格反轉點；BP神經網絡；數據挖掘

0 引言

股票價格預測是利用股票形態分析理論對股票未來走勢的方向和可能性做出預測，它的方法論依據是從海量的歷史數據中尋找和某支股票當前趨勢相同或相似的趨勢，并根據歷史趨勢判斷未來股票價格?，F今計算機科學技術和人工智能的出現促進了股票預測方法的發展。例如：人工神經網絡具有很強的處理雜亂信息和非線性逼近的能力，其采用了并行分布式系統，具有自適應、自組織、實時學習的特點，同時可根據龐大數據的內在聯系來建立模型。人工神經網絡自誕生以來被廣泛應用于人工智能、計算機科學、神經網絡科學、思維科學等交叉領域，所以在某種程度上人工神經網絡也正好極大地彌補了傳統計量經濟學模型的弊病。近年來，國內眾機構在金融預測方面也大量采用神經網絡模型，特別是基于BP神經網絡模型對股票投資的分析和預測[1]。股票市場的潛在規律通過BP神經網絡模型來學習，進而估計股票的投資風險以及預測股票價格未來走勢，這對穩定股票市場的非常規性的暴漲暴跌具有極其重要意義[2]。

BP神經網絡是屬于多層型神經網絡，根據各種研究數據表明，三層BP神經網絡在使用的時候其效率和效果都是最優的[3]。三層BP神經網絡模型包括：輸入層（input 1ayer）、隱含層（hide 1ayer）、輸出層（output 1ayer）。三層BP模型如圖1所示。

圖1

BP神經網絡利用誤差反響傳播算法來逐漸減少誤差，從而達到預測的目的。其傳統過程是：

（1）利用輸入層數據計算出隱含層輸出，再利用隱藏層輸出作為輸出層的輸入，最終計算出輸出層的輸出結果，公式為：

（2）從后往前逐層傳遞誤差。

每個隱藏單元的誤差為ERRj=Oi（1-Oi）ERRi，其中ERRi為后一層的誤差。

（3）由誤差修正權值

1 實驗過程

本文所闡述的預測模型在過程上先后是數據預處理、BP模型訓練及訓練好的BP模型進行反轉點預測。

1.1 數據預處理

（1）輸入特征提取

BP神經網絡的輸入應該是一組能對樣本空間有高度概括能力的特征。因此需要首先提取特征。技術指標是用于描述股票價格的統計量。本文分別利用了常用的7個、5個、3個、單個技術指標作為BP模型的輸入。這些指標分別是RSI，KDJ，MACD，EMA，OBV，VR，PSY[4]。由于篇幅所限，只列舉其中三個指標（RSI，MACD，OBV）的計算方式，具體如下：

①RSI指標，計算方式為：

其中，Ci和Oi分別表示第i天的收盤價和開盤價，N為計算周期，N通常取值為6，12，14，24天。

②MACD指標，該指標是異動平均數DEA和離差率DIF構成。DEA線代表DIF線M日指數的平滑移動平均線，DIF線代表收盤價短期和長期指數平滑移動平均線之差，而DIF和DEA之差則是MACD線的值。其計算公式如下：

其中，Zt表示第t天的收盤價，EMA為移動平均值，MACD（s，l，h）t即表示第t天的MACD值，它一般表現為柱狀線在分析軟件中。對于公式中的默認參數（s，l，h）通常取值為（12，26，9）。

③OBV指標，該指標主要用于研究股票成交量，OBV的計算公式是采用遞推的方式計算的。例如：使用今天的股票成交量和股票收盤價運算結果加上上一個交易日的OBV計算今日的OBV。

上式中，OBVt表示第t日的OBV指標值，Bt表示第t日的成交量，Ct表示第t日的收盤價，Ct-1表示第t-1日的收盤價。OBV的數值一般都由第一天的成交量來替代。

（2）定義BP模型輸出

本文所闡述的BP模型的輸出是一個代表股票當前價位是否是反轉點的三值變量，即分別用1代表股票向上反轉，-1代表股票向下反轉，0代表當前股票不處于反轉區域。股票價格反轉點根據股票歷史收盤價格作為標量點，并以這些點為基準繪制出一條曲線，對于符合一定反轉規則的點即為反轉點。

股票價格反轉點是在清楚股票價格未來走勢的情況下，才對反轉點做出定義的。由于發現股票價格曲線和技術指標曲線在反轉情況上有一定的關聯，所以本文的目標是通過技術指標反轉點進而預測得到股票價格反轉點。

如圖1所示，x軸是交易日，y軸是股票價格，假定有這樣一個股票收盤價序列，時間是t1，t2，t3三個時刻，St1，St2，St3分表表示對應t1，t2，t3三個時刻的股價，r表示股票波動的一定幅度，具體問題有不同的量化方式。如果（St2-St1）/St2＞r且（St2-St3）/St2＞r，那么我們判定t2交易日為股價向下反轉點。用文字敘述，指在股票價格處于一種上升的趨勢，某日股票價格達到新高，但是在這一日的第二天股票價格卻低于前一天，這說明經過一段時期的股票價格上漲，多空（多頭和空頭）的力量也在逐步發生重要改變。綜合交易手續以及市場基準利率，本文把r設定為0.5，既只有價格漲幅超過50%才定義為反轉點。

（3）小波變換平滑股票價格曲線

股票價格數據作為一種復雜的時間序列摻雜了大量的噪音，因此有必要對其進行平滑處理。用于平滑曲線的算法很多，常用的有傅里葉變換、小波變換或者按照一定的規則自己編寫平滑方法等。根據過去多年研究發現，傅里葉變換適合于曲線隨時間變換而整體表現穩定的曲線，小波變換適于曲線隨時間變化而變化波動幅度較大的情況，針對不穩定股票價格曲線的平滑工作，使用小波變換明顯優于使用傅里葉變換平滑股票價格曲線[5]。小波變換的基本思想是通過多個函數（小波基）來逼近原函數的。小波變換的公式如下：

圖1 t2交易日為股價向下反轉

圖2 t2交易日為股價向上反轉

上式中x（t）表示需要使用小波變換的信號，假設它是平方并且可積的函數，那么小波變換WTx（α，τ）為x（t）和小波函數φ（α，τ）（t）的內積。其中，α，τ分別表示伸縮和平移因子（x）是φ（x）的共軛。在本文中將在MATLAB平臺下編程實現對股票價格曲線使用小波去噪的方法平滑曲線。經試驗證明使用小波變換確實能對股票數據進行有效地平滑，下圖為小波變換前后的對比圖。

1.2 訓練BP神經網絡及預測

對某一股票經1.1中描述的小波平滑后，計算出其輸入指標RSI、KDJ、MACD、EMA、OBV、VR、PSY，待預測指標T∈{-1，0，1}。在matlab平臺上，用上述介紹的BP算法選取，利用某投資公司提供的1990年～2012年的50支股票歷史數據進行試驗。詳述結果之前，先介紹三個評價結果的指標：召回率、準確率和度量值。假設a，b，c定義如表1：

圖3 股票價格曲線圖

表1

度量值（F-Measure）是召回率和準確率的折中方法，用以綜合評價預測模型的分類效果。本文做了多次試驗，其中有針對單個指標、3個、5個指標、7個指標的預測。其中用于多個指標的試驗方法為N次隨機選取K（K∈{3，5，7}）個指標然后取N次結果的平均值作為K個指標的試驗結果。

2 實驗結果展示

針對50只股票利用單個指標預測結果如表2。

圖4 股票價格曲線使用小波變換平滑

針對50只股票，多個指標的預測的結果如表3。

3 結語

由表2可知，單個指標的預測能力有限，這是因為單個指標包含的信息量少的緣故。綜合3個評價指標可知人們常用MACD合EMA指標的預測能力優于其他指標。而由表3可得，5個指標的預測能力優于3個技術指標和7個技術指標，這或許是因為3個指標的信息量少，而7個技術指標又會出現特征間相關性大，特征冗余，從而降低預測能力的現象。由上述四組試驗BP神經網絡有一定的預測能力。

表2

表3

[1] 張健，陳勇，夏罡，何永保.人工神經網絡之股票預測[J].計算機工程，1997，3

[2] 張文霄.基于PSO優化的BP神經網絡股票預測模型[D].哈爾濱工業大學，2010，12

[3] 蔣宗禮.人工神經網絡導論[M].北京:高等教育出版社，1999

[4] 王剛.技術分析的統計基礎及股票價格的一般分布[M].上海：上海教育出版社，2003

[5] 文鴻雁.基于小波理論的變形分析模型研究[D].武漢:武漢大學，2004

Research on Stock Price Reversal Points Prediction Based on BP Neural Network

WANG Jian-guo
（Co11ege of Computer Science,Sichuan University，Chengdu 610065)

The stock market has an important ro1e in the who1e financia1 market and the prediction of the stock price reversa1 point is one of the most abstractive and the most significant research topic.And the BP neura1 network which has been proved to be the abi1ity of achieving any non1inear mapping function whatever its comp1exity，is very suitab1e for reso1ving the prob1em with a comp1ex interna1 mechanism such as stock price prediction.Aims to achieve stock price reversa1 points prediction with BP mode1.

Stock Price Reversa1 Point;BP Neura1 Network;Data Mining

1007-1423（2015）05-0040-04

10.3969/j.issn.1007-1423.2015.05.008

2015-01-13

2015-02-10