基于大數(shù)據(jù)背景下的多層神經(jīng)網(wǎng)絡(luò)股票預測模型

丁美琳　高語越　陳學斌

摘要：隨著互聯(lián)網(wǎng)以及股票市場的不斷發(fā)展，產(chǎn)生了蘊含豐富信息的海量股票數(shù)據(jù)。由于大數(shù)據(jù)技術(shù)不斷普及，處理海量股票數(shù)據(jù)逐漸變得可能。本文通過對海量的歷史數(shù)據(jù)進行研究，利用智能算法建立多層神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行處理。首先運用小波分析技術(shù)將股票價格波動曲線分解為低頻部分和高頻部分，其次分別利用Elman和BP神經(jīng)網(wǎng)絡(luò)進行訓練，最后進行小波重構(gòu)得出股票價格預測值。研究結(jié)果表明：通過改進，將預測結(jié)果與實際值進行對比，均方誤差MSE=6.4495x10-6，模型預測精度較好。

關(guān)鍵詞：股票價格預測；小波分解與重構(gòu)；BP神經(jīng)網(wǎng)絡(luò)；Elman神經(jīng)網(wǎng)絡(luò)

0引言

隨著互聯(lián)網(wǎng)金融以及股票市場的不斷發(fā)展，產(chǎn)生了蘊含豐富信息的海量股票數(shù)據(jù)。數(shù)據(jù)資源豐富但難以利用已成為當今社會的一種普遍現(xiàn)象，成為了人們高效使用信息的障礙。人們往往難以理解存放的海量數(shù)據(jù)，不能從這些數(shù)據(jù)得出準確而有效的結(jié)論。因為人們?nèi)狈τ行У姆椒ê蛯嵱玫募夹g(shù)來從海量數(shù)據(jù)中提取有價值的信息。如何利用一定的算法或處理數(shù)據(jù)技術(shù)，有效的挖掘出蘊藏在股票海量數(shù)據(jù)中的規(guī)律，找出股票的價格走勢成為一個熱點問題。

面對海量的數(shù)據(jù)，國內(nèi)外研究者從傳統(tǒng)分析方法和人工智能分析方法兩個方面去研究股票價格的發(fā)展趨勢，指導投資者投資。孫吉紅等運用了長時間聚類方法對股票未來價格進行預測，填補了國內(nèi)股票預測研究的不足。Dose和Cincotti等人研究了聚類分析的隨機優(yōu)化方法來選擇股票進行投資。傳統(tǒng)的分析方法計算簡單、易于掌握，但由于股票價格的變化往往呈現(xiàn)出非線性特征，而傳統(tǒng)預測方法都是基于線性變化建模的，因此對股票價格的分析和預測準確性較低。Fenu G等人利用人工智能神經(jīng)網(wǎng)絡(luò)，研究股票投資的最佳時機。人工智能神經(jīng)網(wǎng)絡(luò)（ANN）對非線性關(guān)系具有很強的非線性逼近能力，由于股票的成交價、成交量等數(shù)據(jù)中含有大量影響股票價格變化的信息，ANN可以通過學習股票的歷史數(shù)據(jù)，從而找出股票價格規(guī)律。但金融數(shù)據(jù)在現(xiàn)實中受到許多因素的影響，其構(gòu)成的時間序列具有更大的偶然性與隨機性，往往具有多層次與多尺度特性。單一神經(jīng)網(wǎng)絡(luò)的預測模型具有局限性，對股票價格的預測精度有一定的影響。

本文在人工智能神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，利用小波變換多層次分解處理股票價格數(shù)據(jù)，將偶然因素和宏觀突變因素帶入神經(jīng)網(wǎng)絡(luò)訓練。根據(jù)神經(jīng)網(wǎng)絡(luò)的訓練結(jié)果，分析股票的潛在走勢，幫助投資者在短時間內(nèi)把握股價的估值水平，從而對投資者進行價值投資建議。endprint