基于BP神經(jīng)網(wǎng)絡(luò)對(duì)上證指數(shù)的預(yù)測(cè)

邢偉琛

【摘 要】近幾年，國(guó)內(nèi)外經(jīng)濟(jì)發(fā)展迅速，有諸多投資者將自己的資金投入到了股市之中，但股市行情變化莫測(cè)，時(shí)刻牽動(dòng)著每一位股民的切身利益。面對(duì)這些問題，有一種可靠的股票預(yù)測(cè)方法就顯得尤為重要。文章首先介紹了我國(guó)上證指數(shù)的基本情況，然后對(duì)BP神經(jīng)網(wǎng)絡(luò)做了相關(guān)介紹，針對(duì)股票市場(chǎng)自身所具備的非線性特征，基于LM（Levenberg-Marquard）算法所優(yōu)化的BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型，進(jìn)一步預(yù)測(cè)和模擬了上證指數(shù)的收盤價(jià)，將產(chǎn)出的預(yù)測(cè)值與實(shí)際股票價(jià)格進(jìn)行比較，以獲得相關(guān)結(jié)論。文章研究的目的是以上證指數(shù)為例來檢驗(yàn)BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的有效性，為股票市場(chǎng)中的投資者提供相應(yīng)參考。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò);LM算法;股票預(yù)測(cè);上證指數(shù)

【中圖分類號(hào)】F832.51;F224【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2019）12-0124-02

0 引言

在股票市場(chǎng)中，股價(jià)的非線性特征、復(fù)雜的投資者商業(yè)行為，以及國(guó)家政策對(duì)于股價(jià)的影響，給股價(jià)預(yù)測(cè)造成了困難。為了克服多方因素所帶來的影響，本文試圖運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的基本理論與研究方法，選擇上證指數(shù)每日的價(jià)格指標(biāo)，其中包含開盤價(jià)、收盤價(jià)、最高價(jià)和最低價(jià)等，用來預(yù)測(cè)上證指數(shù)未來收盤價(jià)的短期價(jià)格。

1 上證指數(shù)的基本情況

上證指數(shù)，前身是上海靜安指數(shù)，其全稱是上海證券交易所的股價(jià)綜合指數(shù)，于1987年11月2日由中國(guó)工商銀行上海分行信托投資公司靜安證券營(yíng)業(yè)部編制[1]。當(dāng)前，上證指數(shù)的基本表現(xiàn)與其他個(gè)股股票的表現(xiàn)類似，因此其作為實(shí)驗(yàn)股票具有一定的普適性。

2 BP神經(jīng)網(wǎng)絡(luò)的基本介紹

BP神經(jīng)網(wǎng)絡(luò)，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，也稱誤差反向傳播神經(jīng)網(wǎng)絡(luò)[2]，其構(gòu)造的基本思路是由信號(hào)的正向和反向傳播兩個(gè)部分構(gòu)成了一個(gè)完整的學(xué)習(xí)過程。在信號(hào)的正向傳播期間，樣本值在輸入層進(jìn)行輸入，由輸入層將樣本值傳遞給隱含層，再由隱含層對(duì)樣本值進(jìn)行處理，然后將處理結(jié)果傳輸給輸出層。此時(shí)，輸出層的實(shí)際輸出與原有的期望值進(jìn)行比對(duì)，若出現(xiàn)較大差異，則將信息進(jìn)行反向傳播，將誤差反向傳播給每層的所有單元，然后獲得誤差信號(hào)并相應(yīng)地修改單元的權(quán)重。權(quán)重通過不斷地調(diào)整對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。一旦訓(xùn)練輸出的誤差降低到可接受的水平或預(yù)設(shè)的次數(shù)，就會(huì)停止[3]。

3 上證指數(shù)的仿真分析

3.1 實(shí)驗(yàn)參數(shù)確定及仿真

（1）變量的確定。實(shí)驗(yàn)通過獲取上證指數(shù)的最低價(jià)、最高價(jià)、收盤價(jià)與開盤價(jià)等指標(biāo)進(jìn)行對(duì)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練。所以總體來說，本文所選取的所有輸入變量能夠較為準(zhǔn)確地用訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)對(duì)剩下的30組數(shù)據(jù)進(jìn)行測(cè)試。

（2）數(shù)據(jù)的歸一化處理。由于各個(gè)數(shù)據(jù)之間存在數(shù)量級(jí)的差別，為了減少因數(shù)量級(jí)差別較大而造成模型預(yù)測(cè)誤差較大的現(xiàn)象，因此本文采用最大最小法對(duì)輸入輸出變量進(jìn)行了歸一化處理。公式（1）為歸一化處理的公式[4]。

xt=-1（1）

（3）隱含層節(jié)點(diǎn)數(shù)的確定。BP神經(jīng)網(wǎng)絡(luò)中隱含層的節(jié)點(diǎn)數(shù)與最后網(wǎng)絡(luò)模型預(yù)測(cè)股票指標(biāo)的精度之間有著緊密的關(guān)系。如果節(jié)點(diǎn)數(shù)量太多，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間將會(huì)延長(zhǎng)，將導(dǎo)致過度擬合;如果節(jié)點(diǎn)數(shù)量太少，則神經(jīng)網(wǎng)絡(luò)的訓(xùn)練能力會(huì)降低，預(yù)測(cè)精度則不盡如人意。因此，隱含層節(jié)點(diǎn)數(shù)的選取直接決定了BP神經(jīng)網(wǎng)絡(luò)的性能的質(zhì)量。本文經(jīng)過多次試驗(yàn)，最終確定了隱含層節(jié)點(diǎn)數(shù)為10。當(dāng)然，通過查閱相關(guān)研究發(fā)現(xiàn)，不少學(xué)者也提出了許多經(jīng)驗(yàn)公式供大家參考。詳見公式（2）、公式（3）、公式（4）[5]。

m=+a（2）

m=（3）

m=log2n（4）

在上面的公式中，m表示隱含層節(jié)點(diǎn)數(shù)，n表示輸入層節(jié)點(diǎn)數(shù)，l表示輸出層節(jié)點(diǎn)數(shù)，a為取值在1～10的常數(shù)。

（4）BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定。本文主要應(yīng)用MATLAB 2014b版本中所帶的BP神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行仿真實(shí)驗(yàn)。用newff創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)，使用tansig作為BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元的傳遞函數(shù)和輸出層神經(jīng)元的傳遞函數(shù)。使用trainlm作為訓(xùn)練函數(shù)，最大訓(xùn)練次數(shù)為1 000次，學(xué)習(xí)率為0.1次，目標(biāo)精度為0.000 000 000 000 1次。

（5）數(shù)據(jù)選取，為體現(xiàn)一般性，選取上證指數(shù)（000001）為實(shí)驗(yàn)對(duì)象，選取2017年7月10日至2019年4月12日之間共430個(gè)交易日記錄為實(shí)驗(yàn)基礎(chǔ)，選擇其中400組交易數(shù)據(jù)進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，剩下30組數(shù)據(jù)用于測(cè)試驗(yàn)證。圖1為、圖2為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的上證指數(shù)收盤價(jià)的預(yù)測(cè)值和實(shí)際值曲線。

3.2 實(shí)驗(yàn)結(jié)果分析

利用MATLAB對(duì)選取的400組樣本數(shù)據(jù)進(jìn)行訓(xùn)練，從上證指數(shù)收盤價(jià)的預(yù)測(cè)輸出和期望輸出的情況來看，LM算法作為訓(xùn)練函數(shù)的BP神經(jīng)網(wǎng)絡(luò)在一定程度上實(shí)現(xiàn)了對(duì)股價(jià)的判斷，收盤價(jià)預(yù)測(cè)的基本趨勢(shì)基本與期望值相符，精度除個(gè)別天數(shù)外，其他天數(shù)也基本吻合，綜合來說實(shí)驗(yàn)人員對(duì)實(shí)驗(yàn)精度還算滿意。從仿真的結(jié)果可以直接地判斷出，訓(xùn)練完后的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力較強(qiáng)，輸出的上證指數(shù)的收盤模擬值與真實(shí)值之間的誤差較小。在一定程度上，BP神經(jīng)網(wǎng)絡(luò)可用于判斷股票價(jià)格趨勢(shì)。因此，訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)具有一定的預(yù)測(cè)效果，可以為投資者提供股票預(yù)測(cè)功能。

4 結(jié)語

傳統(tǒng)的技術(shù)分析方法在預(yù)測(cè)這種非線性股票價(jià)格時(shí)，所產(chǎn)生的效果往往不盡如人意，而本文運(yùn)用LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，在充分利用LM算法對(duì)訓(xùn)練速度進(jìn)行改良的前提下，以上證指數(shù)這只股票為實(shí)驗(yàn)對(duì)象，對(duì)未來30天的收盤價(jià)進(jìn)行預(yù)測(cè)，取得了較令人滿意的結(jié)果。因此，仿真實(shí)驗(yàn)表明，LM算法優(yōu)化下的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測(cè)方法具有一定的參考價(jià)值。

參 考 文 獻(xiàn)

[1]秦侃.上證指數(shù)波動(dòng)影響因素研究[D].上海：上海社會(huì)科學(xué)院，2011.

[2]王磊，王汝涼，曲洪峰，等.BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用[J].軟件導(dǎo)刊，2016（5）：38-40.

[3]徐茂森.基于BP神經(jīng)網(wǎng)絡(luò)的我國(guó)滬深300股指期貨價(jià)格預(yù)測(cè)[J].商，2016（1）：201.

[4]羅洪奔.基于灰色-ARIMA的金融時(shí)間序列智能混合預(yù)測(cè)研究[J].財(cái)經(jīng)理論與實(shí)踐，2014，35（2）：27-34.

[5]胡桔州，蘭秋軍.金融時(shí)間序列的數(shù)據(jù)挖掘技術(shù)與經(jīng)典統(tǒng)計(jì)模型的比[J].系統(tǒng)工程，2005，23（6）：95-98.