BP神經(jīng)網(wǎng)絡在股票行情預測中的應用研究

付世鳳 趙莉 蔡文君

摘要：文章以證券行業(yè)的歷史數(shù)據(jù)作為原始數(shù)據(jù)集，采用BP神經(jīng)網(wǎng)絡算法找出股票運行規(guī)律和走勢情況，并對預測結(jié)果進行分析，結(jié)果表明該預測結(jié)果正確率比較高。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡;股票行情

中圖分類號：TP393? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）18-0201-02

開放科學（資源服務）標識碼（OSID）：

證券業(yè)是信息化比較早的行業(yè)，其行業(yè)數(shù)據(jù)實時更新，積累了大量的歷史數(shù)據(jù)，如果證券從業(yè)人員能針對這些歷史數(shù)據(jù)進行分析，發(fā)現(xiàn)股票的運行規(guī)律和走勢情況，這會在證券從業(yè)人員作未來市場決策時起非常重要的作用。

1業(yè)務分析

證券行業(yè)的業(yè)務數(shù)據(jù)主要由證券交易過程中產(chǎn)生的數(shù)據(jù)組成，其中與本文預測目的有關(guān)的就是行情數(shù)據(jù)，某支股票的歷史收盤價是預測的重要依據(jù)：其中的以gi表示股票在i日的股價，股票價格的變化應該是存在某些規(guī)則，如果某天的股價為gn，那么g1，g2....gn-1表示它前面n-1天的股價，gn與g1，g2....gn-1之間應該存在某種關(guān)系，而找出這種關(guān)系是解決問題的關(guān)鍵，本文擬采用BP神經(jīng)網(wǎng)絡算法來實現(xiàn)。

2 BP神經(jīng)網(wǎng)絡算法原理

1）BP神經(jīng)網(wǎng)絡算法模型[1]

BP神經(jīng)網(wǎng)絡算法是模擬人神經(jīng)網(wǎng)絡工作原理具自學習、自適應性的一種高效算法。

神經(jīng)網(wǎng)絡結(jié)構(gòu)是由很多節(jié)點構(gòu)成，這些節(jié)點分成三類，一部分屬于輸出層記為I1 I2 I3 I4，一部分屬于隱藏層記為 Y5 Y6? Y7 Y8 ，一部分屬于輸出層記為O9，每個節(jié)點在接收到輸入信號后會處理成輸出信號，且在此結(jié)構(gòu)中節(jié)點并不孤立存在，它們相互之間存在關(guān)聯(lián)，形成一個網(wǎng)絡，具體如下：

a）I1 I2 I3 I4是輸入節(jié)點，其輸入不做處理即輸出：

Out_I1=Input_I1 ;Out_I2=Input_I2;

Out_I3=Input_I3 ;Out_I4=Input_I4;

b）Y5 Y6? Y7 Y8是隱藏層節(jié)點其輸入需做處理后輸出：

Input_Y5=Out_I1*W15+Out_I2*W25+Out_I3*W35+Out_I4*W45 +θ5;

Input_Y6=Out_I1*W16+Out_I2*W26+Out_I3*W36+Out_I4*W46 +θ6;

Input_Y7=Out_I1*W17+ Out_I2 *W27+ Out_I3 *W37+ Out_I4 *W47+θ7;

Input_ Y6=Out_I1*W18+ Out_I2 *W28+ Out_I3*W38+ Out_I4 *W48+θ8;

Out_Y5=f（input_Y5）;

Out_Y6=f（input_Y6）;

Out_Y7=f（input_Y7）;

Out_Y8=f（input_Y8）;

其中f是處理函數(shù);Wij是指第i個節(jié)點到第j個節(jié)點的權(quán)值，以Y5節(jié)點為例，它的前續(xù)節(jié)點有I1 I2 I3 I4，這些節(jié)點的輸出信息都可以作為 Y5節(jié)點的輸入，但是所占權(quán)重不同，而權(quán)重分別就是W15 W25 W35 W45。

c）O9是輸出層節(jié)點，其輸入需做處理后輸出：

Input_O9=Out_Y5 *W59+ Out_Y6 *W69+ Out_Y7 *W35+ Out_Y8 *W89+θ9;

Out _O9=f（input_O9）;

Out _O9是該節(jié)點計算出的實際輸出，該節(jié)點的理論輸出可由訓練集得到，記為Out_O9，這兩者之間值并不相等，也就是經(jīng)由實際神經(jīng)網(wǎng)絡結(jié)構(gòu)計算出的值存在誤差，決定這個誤差的就是Wij即節(jié)點之間的權(quán)值，所以需要對神經(jīng)網(wǎng)絡結(jié)構(gòu)中的權(quán)值不斷修正，以使誤差縮小到一個可以允許的范圍，這個過程就是神經(jīng)網(wǎng)絡訓練過程。

2）BP神經(jīng)網(wǎng)絡算法的流程[2]

神經(jīng)網(wǎng)絡訓練是一個重復的過程，需要不斷從訓練集中取出記錄向量進行訓練，將取出每一個記錄向量分成輸入向量和輸出向量兩部分，輸入向量作為輸入層節(jié)點的值，輸出向量作為輸出層節(jié)點的理論值，通過運轉(zhuǎn)網(wǎng)絡來獲得輸出層節(jié)點的實際值，所以首先可求出輸出層節(jié)點的誤差，然后根據(jù)誤差以及特定參數(shù)調(diào)整權(quán)值，新的權(quán)值不斷迭代舊的權(quán)值，直到迭代后某次誤差足夠小或者迭代次數(shù)達到最大即停止，權(quán)值修正過程與計算節(jié)點輸出的過程正好相反[3]，是一個反向的過程。Errj是第j個節(jié)點的誤差，誤差計算和權(quán)值修正的順序應該符合剛才的反向過程，最先計算的應該是第9個節(jié)點，即Err9，能更新的權(quán)值有W59 W69 W79W79;其次計算Err5、Err6、Err7、Err8能更新的權(quán)值有W15 W25W35 W45W16 W26 W36W46 W17 W27 W37 W47 W18 W28 W38 W48具體公式如下：

Errj= Out _Oj- Out _Oj”

Wij（k+1）= Wij（k）+ △Wij = Wij +（1-α）*L* D（k）+α* D（k-1）

D（k）= Wij（k）-Wij（k-1）

其中參數(shù)α為彈性因子，L為學習率，k為迭代次數(shù)。

3 BP神經(jīng)網(wǎng)絡在股票行情預測的過程

本文主要研究對股票變化趨勢作出預測，預測是數(shù)據(jù)挖掘研究的分支之一，在數(shù)據(jù)挖掘中要發(fā)現(xiàn)預測型知識可以簡單遵循三個步驟[4]：

（1）從歷史數(shù)據(jù)中提取出與數(shù)據(jù)挖掘有關(guān)的數(shù)據(jù)，再分割成兩部分，一部分作為訓練集，一部分作為測試集。

（2）選擇合適的算法對訓練集進行訓練，訓練的過程也就是找出股票運行規(guī)律的過程，本文擬采用BP神經(jīng)網(wǎng)絡算法來完成。

（3）對發(fā)現(xiàn)的規(guī)律進行評估，即用測試集的數(shù)據(jù)來驗證找出規(guī)律的正確性。

（4）根據(jù)歷史數(shù)據(jù)找出的規(guī)律對未來的走勢進行預測。

3.1數(shù)據(jù)處理[5]

（1）數(shù)據(jù)準備

本文得到的數(shù)據(jù)來從證券交易所的數(shù)據(jù)倉庫中直接導出，且已經(jīng)刪除某些無效記錄，該數(shù)據(jù)集中包括200個交易日的數(shù)據(jù)信息，包括證券代碼、證券名稱、昨日收盤價、今日開盤價以及k指標、最近成交價、成交數(shù)量、成交金額、成交數(shù)量等內(nèi)容。

（2）數(shù)據(jù)清理

在數(shù)據(jù)準備階段準備的數(shù)據(jù)集中涉及的數(shù)據(jù)項不是都可以直接進行訓練，其中的某些錯誤數(shù)據(jù)以及與數(shù)據(jù)挖掘無關(guān)的數(shù)據(jù)應該清理掉，得到干凈的數(shù)據(jù)進行訓練才行，因為某些錯誤的數(shù)據(jù)混入其中，可能會對整個過程產(chǎn)生“干擾”，對結(jié)果產(chǎn)生干擾，例如：因股價每日變動劇烈，往往前一日跌了數(shù)百點，隔日馬上漲回數(shù)百點，這種變動極端的經(jīng)常出現(xiàn)，對分析是相當不利的。為了消除此種股價震動的噪聲，本研究以中位數(shù)的方式，來取得當日股價的平均價格，其公式如下： 假設i日股價形態(tài)為Xi=（Oi，Hi，Li，Ci）， 其中Oi為開盤價，Hi為最高價，Li為最低價，Ci為收盤價，則i日的股價平均水準為[6]： Pi=MEDIAN（Oj， Hj，Lj，Cj）

（3）數(shù)據(jù)分割

實施數(shù)據(jù)挖掘后所得的結(jié)果，需要評估分析，因為某些得到的初始的結(jié)果可能是無效的或者只是滿足某個特定的數(shù)據(jù)集，所以需要把數(shù)據(jù)準備階段處理好的數(shù)據(jù)集分割成兩部分：一個訓練集和一個測試集，如果用訓練集訓練出的規(guī)律，利用測試集進行測試，也能得到正確結(jié)果，可以認為訓練階段得到的規(guī)律是合理的。

3.2 BP神經(jīng)網(wǎng)絡算法對訓練集進行訓練

（1）實驗設計

設神經(jīng)網(wǎng)絡的輸入層節(jié)點有10個，輸出層節(jié)點3個，隱藏層并不固定，可以調(diào)整（個數(shù)陸續(xù)選取2，4，6個），并設置學習率為0.05，動量因子0.9，選取100個交易日的行情數(shù)據(jù)進行訓練。

（2）實驗結(jié)果

評估結(jié)果也證實選擇隱藏節(jié)點為4得到的預測效果也最好。

4結(jié)果分析

神經(jīng)網(wǎng)絡訓練是一個復雜的過程，參數(shù)學習率，動量因子的選取會直接影響訓練效果，如何取定參數(shù)需要經(jīng)過大量實驗驗證，在實驗階段，動量因子及學習率取值相同的情況下，隱藏節(jié)點的個數(shù)分別選取2個、4個和6個，隱藏節(jié)點選取較小的2，得到6次實驗的訓練誤差比較大，所以將隱藏層個數(shù)增至4個，誤差相對變小，繼續(xù)將隱藏層節(jié)點數(shù)增至6個，但誤差并未繼續(xù)變小，證明隱藏個數(shù)并非越大越好，也并非越小越好，應根據(jù)大量實驗結(jié)果選取一個合適的數(shù)，原因是：隱藏層節(jié)點太少，神經(jīng)網(wǎng)絡結(jié)構(gòu)過于簡單，那么它的學習能力和分類能力就會降低，但是隱藏層節(jié)點太多，有會讓神經(jīng)網(wǎng)絡結(jié)構(gòu)過于復雜，網(wǎng)絡負荷過重，效率也會降低，推廣能力變差。據(jù)此得出結(jié)論：訓練一方面要保證神經(jīng)網(wǎng)絡的分類能力，一方面也要保證神經(jīng)網(wǎng)絡的推廣能力。

參考文獻：

[1] 沈世鎰.神經(jīng)網(wǎng)絡系統(tǒng)理論及其應用[M].北京：科學出版社，2000.

[2] 趙燕.基于神經(jīng)網(wǎng)絡的股票預測分析和研究[D].西安：長安大學，2006.

[3] 袁曉東.神經(jīng)網(wǎng)絡在股票價格預測中的應用[J].北京機械工業(yè)學院學報，2002，17（3）：70-74.

[4] 周曉宇，李慎之，戚曉芳，等.數(shù)據(jù)挖掘技術(shù)初探[J].小型微型計算機系統(tǒng)，2002，23（3）：342-346.

[5] Han J W，Kamber M.數(shù)據(jù)挖掘：概念與技術(shù)[M].2版.范明， 孟小峰， 譯.北京：機械工業(yè)出版社， 2007.

[6] 殷洪才，趙春燕.基于神經(jīng)網(wǎng)絡股票預測的研究[J].哈爾濱師范大學自然科學學報，2007，23（3）：47-49，55.

【通聯(lián)編輯：代影】