基于BP神經(jīng)網(wǎng)絡的股票價格預測分析

程維剛++齊曉娜

摘 要：本文針對股票市場這一非線性系統(tǒng)，分析BP神經(jīng)網(wǎng)絡在股票價格預測中的應用原理。

關(guān)鍵詞：股票預測；神經(jīng)網(wǎng)絡；BP算法

自股票市場成立，學術(shù)界提出了很多方法來預測股價。比如時間序列法、混濁理論、多元回歸、證券投資分析法等等。雖然很多學者使用各種方法來預測股價，但由于股價的非線性特征，傳統(tǒng)的方法在解決非線性問題上存在一定的局限性，預測結(jié)果往往不太理想。

近年來，人工智能方面特別是神經(jīng)網(wǎng)絡的研究，取得了很大的進展，神經(jīng)網(wǎng)絡能夠通過學習歷史數(shù)據(jù)，掌握數(shù)據(jù)的內(nèi)在聯(lián)系，并且具有良好的非線性逼近能力，因此本文分析將神經(jīng)網(wǎng)絡方法應用于股票價格預測。

一、BP神經(jīng)網(wǎng)絡

BP（Back Propagation）神經(jīng)網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。

（一）BP神經(jīng)網(wǎng)絡基本原理

輸入信號Xi通過中間節(jié)點（隱層點）作用于輸出節(jié)點，經(jīng)過非線形變換，產(chǎn)生輸出信號Yk，網(wǎng)絡訓練的每個樣本包括輸入向量X和期望輸出量t，網(wǎng)絡輸出值Y與期望輸出值t之間的偏差，通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值Wij和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復學習訓練，確定與最小誤差相對應的網(wǎng)絡參數(shù)（權(quán)值和閾值），訓練即告停止。此時經(jīng)過訓練的神經(jīng)網(wǎng)絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。

（二）BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡由輸入層、隱含層及輸出層組成，多層BP神經(jīng)網(wǎng)絡模型的拓撲結(jié)構(gòu)如圖1，其中隱含層可有一層或多層，每層由多個神經(jīng)元組成。輸入信號的維數(shù)決定輸入層神經(jīng)元的個數(shù)，輸出層神經(jīng)元的個數(shù)由要研究的問題決定，一般為輸出信號的維數(shù)。BP神經(jīng)網(wǎng)絡的訓練過程包括輸入信號正向傳播和誤差信號反向傳播，在訓練中這兩個過程交替進行不斷計算輸出誤差和進行權(quán)值調(diào)整直至達到令人滿意的結(jié)果。

圖1 多層BP神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)

二、BP神經(jīng)網(wǎng)絡進行股票預測的原理

（一）預測方法的設計

所謂預測，即通過一些已知歷史數(shù)據(jù)對未來未知數(shù)據(jù)的取值進行估計，設有時間序列體{Xi}，其中歷史數(shù)據(jù)Xn，Xn+l，…，Xn+m，對未來n+m+k（k>0）時刻的取值進行預測，即預測Xn+m+k的某種非線性函數(shù)關(guān)系：Xn+m+k =F（Xn，Xn+1，…，Xn+m）

用神經(jīng)網(wǎng)絡進行預測，即用神經(jīng)網(wǎng)絡通過一組數(shù)據(jù)點Xn，Xn+1，…，Xn+m來擬合函數(shù)F，得出未來n+m+k（k>0）時刻數(shù)據(jù)的預測值。

常見的預測方法類型為：

1.單步預測

當k=1時，且網(wǎng)絡的所有輸入數(shù)據(jù)都是時間序列的實際觀測值時所做的預測就是單步預測。

2.多步預測

當k>1時，即網(wǎng)絡輸入m個歷史數(shù)據(jù)，輸出Xn+m+1，Xn+m+2， …，Xn+m+k的預測值。

3.滾動預測

滾動預測，又可稱為迭代一步預測，是先進行單步預測，再將網(wǎng)絡輸出的預測值反饋給網(wǎng)絡輸入端作為輸入的一部分，用于下一步的預測。

（二）預測的基本步驟

用神經(jīng)網(wǎng)絡對股票市場價格進行預測可以分為神經(jīng)網(wǎng)絡的訓練（或擬合）和預測兩個步驟。基本步驟為：

1.確定網(wǎng)絡結(jié)構(gòu)和預測精度，即確定輸入節(jié)點數(shù)（n）、輸出節(jié)點數(shù)（m）、隱含層數(shù)以及每個隱含層的節(jié)點數(shù)。

2.對樣本數(shù)據(jù)進行分段，一般分為學習樣本段和檢驗樣本段。

3.選擇適當?shù)乃惴ㄓ柧毦W(wǎng)絡，使該網(wǎng)絡盡量擬合學習段時間序列。

4.用檢驗段數(shù)據(jù)檢驗訓練好的網(wǎng)絡。如果效果很好，利用訓練好的網(wǎng)絡對未來進行預測。否則，調(diào)整網(wǎng)絡的結(jié)構(gòu)，重復上一個步驟，直到得到較好的檢驗結(jié)果。

三、結(jié)論

由于BP神經(jīng)網(wǎng)絡具有很強的自學習能力、自適應能力以及容錯能力等優(yōu)點，使其能夠在一定條件下，一定程度上對股價走勢進行判斷。但是BP算法存在著收斂速度慢、存在局部極小點及相關(guān)參數(shù)的確定尚無統(tǒng)一的理論指導等本身的局限性，因此要想取得較理想的預測效果，一定要對BP神經(jīng)網(wǎng)絡進行優(yōu)化，以克服BP神經(jīng)網(wǎng)絡存在的不足。

參考文獻：

[1]紀滕.基于BP網(wǎng)絡的股票預測研究[D].昆明理工大學，2014.

[2]宗娜娜.小波神經(jīng)網(wǎng)絡在股票預測中的研究與應用[D].昆明理工大學，2014.

[3]范濤.基于優(yōu)化算法的股票預測研究[D].湖北工業(yè)大學，2015.

[4]陳艷，褚光磊.關(guān)聯(lián)規(guī)則挖掘算法在股票預測中的應用研究——基于遺傳網(wǎng)絡規(guī)劃的方法[J].管理現(xiàn)代化，2014，03：13-15+39.