兩類組合BP神經網絡模型在股價預測中的應用

林國超 杜宇鍵 劉娟

摘 要：股票價格的變化的受到多種因素的影響，單一的模型難以準確的對其變化規律做出準確的預測分析。本文以2019年6月24日—2020年4月28日間的比亞迪（SZ002594）股票價格作為研究樣本，通過兩種不同組合模型來分別進行訓練樣本和預測股價的變化。結果表明基于BP-GM（1，1）模型的預測精度更高，對股價的動態分析能提供更有益的參考。

關鍵詞：BP神經網絡;ARIMA模型;股價預測

中圖分類號：F23 ? ? 文獻標識碼：A ? ? ?doi：10.19311/j.cnki.1672-3198.2020.26.072

0 引言

近年來股票越來越成為人們進行投資的重要工具，然而股票價格的變動受到諸多因素的影響。證券上市場股票價格受到外部的國際政治、金融政策宏觀因素和企業經營情況，板塊間的波動等微觀因素的影響。那么如何科學預測股票價格的變化就具有重要的理論和現實意義，可以減少投資決策中的不確定性和盲目性，分散風險，提高投資收益。

在過去幾十年中，有許多研究學者提出了多種不同的股價研究預測方法。其中多數模型分析方法的原理大多分為兩種：一是基于大量歷史數據對未來的業績、題材、發展趨勢作出預測，還要結合現如今的市場經濟情況、政策等帶來的影響做出自己的統計分析等;二是類似于k線理論的技術分析法，根據股票成交記錄等信息計算各種指標，形成相關的圖表，從而估計股票現階段的走勢。

當下隨著數據挖掘和機器學習等新興技術的不斷涌現，建立各種數學模型對股票價格進行精準預測也成了國內外學者和業界人士的廣泛關注。本文的研究目的的是分別運用灰色GM（1，1）模型與移動平均自回歸ARIMA模型，結合BP神經網絡進行股票價格的預測。模型的建立過程中以R語言程序為工具進行實現，對國內股票市場的比亞迪（SZ002594）為研究對象，更加精準地預測股票在未來的漲跌變化。

1 理論介紹

1.1 灰色預測模型理論

灰色系統預測模型是一種研究不確定性信息的模型和方法。通過對系統因素來進行相關聯分析，再對原始數據累加生成處理，來探索數據變化的規律。

2.3 ARIMA模型的數據處理

要ARIMA模型首先確保數據為一組時間序列，其次還要對于數據進行平穩性分析。由圖4知顯然我們所得的股價收盤價數據為一組時間序列，對于該組數據進行平穩性分析。從圖5可以知道原始數據的自相關系數長期大于0，可以知道為一組非平穩的時間序列數據。

對原始數據的訓練集首先進行自相關分析，然后偏自相關分析，參考圖6可以知道訓練集的自相關圖為拖尾，確定q=0，訓練集的偏自相關圖在1、3、4、11、15階時超出了虛線，通過運行代碼可知當p=15時所得的AIC值最小為6547。

2.4 基于BP-ARIMA模型的股價預測圖

3 結論

本文構造了兩種不同的模型，即灰色GM（1，1）模型和ARIMA模型分別與BP神經網絡的組合預測模型。由于股票價格每日波動較大，采取每日該股票的收盤價為樣本，時間長度為10個月的該股價波動的時間序列數據為研究對象。通過上面實證數據分析可到下面結果：

（1）基于灰色系統和BP神經網絡的模型中，因為灰色預測的特點，即需要的原始數據量小，較為依賴于歷史數據，但在股市這個波動頻繁的背景下，該預測方法就會失真，因為灰色預測模型適用于短期預測和較少原始數據即數據波動較少的場景，所得出的結果也是與歷史數據有著線性關系的，但通過BP神經網絡的進一步擬合，并沒能完全消除這種線性關系，參考圖2和圖3，因此所得的結果并不十分理想。

（2）基于ARIMA模型的BP神經網絡的模型中，結果顯示ARIMA模型得出的擬合結果是優于灰色預測模型的，但只能給出一個估計區間，加入BP模型對預測結果來做出進行進一步地修正，擬合程度相對比較高，預測精度達到99.5%，擬合結果也是符合預期的，參考圖7與圖8。

通過兩種模型的預測結果來看，可以確定在觀測的時間段內的該股票是呈大致的上升趨勢，比較兩種模型的擬合圖可以知道，在中長期預測擬合中，自回歸移動平均模型的BP神經網絡模型是優于基于灰色GM（1，1）的BP神經網絡模型。

參考文獻

[1]薛鑫.基于R語言神經網絡的匯率分析及預測[D].南京：南京大學，2019.

[2]沈波.基于BP神經網絡的股價預測應用研究[D].長沙：湖南大學，2010.

[3]華宇.基于BP神經網絡模型的股票擇時研究[D].沈陽：沈陽工業大學，2019.

[4]劉海明，白艷萍.時間序列模型和神經網絡模型在股票預測中的分析[J].數學的實踐與認識，2011，41（4）：14-19.