《人工神经网络.doc》由会员分享，可在线阅读，更多相关《人工神经网络.doc（11页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流人工神经网络.精品文档.摘要 随着经济的发展和人们投资意识的转变，股票投资已成为现代人生活中一个重要组成部分，而股票价格的预测也成为投资者关心和研究的重点。由于股票投资的收益与风险往往是成正比的，如何建立一个运算速度和精确度都比较高的股市预测模型，对于金融投资者具有理论意义和实际应用价值。 本文在深入分析股票市场预测面临的关键问题和比较各种股票预测方法的基础上，探讨利用BP(Back Propagation)神经网络对股票走势进行分析和预测的可行性。BP网络通过对以往历史数据的学习，找出股市发展的内在规律，并将其存储在网络具体的权值、阀值中，
2、用以预测未来的走势。 针对BP算法在股市预测中存在的学习速度慢、容易陷入局部极小值、预测结果精度不高等问题，提出一种改进的BP神经网络算法。通过重新选取神经元的激活函数，对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整，减少隐层节点数，加快BP网络的收敛速度。根据BP网络进行股市预测的原理，建立基于BP网络的股市预测模型，采用改进后的BP算法进行股市预测，并通过MATLAB软件对其预测过程进行仿真实验。关键词 神经网络，股票预测，BP算法，激活函数ABSTRACT With the economic growth and the conversion of peopleSinv
3、estment consciousness，stock has become an important part of peopleSlife in modem timeStock forecast has greatly been one of focuses ofpublic topicThe proceeds of stock investment always equal the riskSoestablishing a stock forecasting model，which has higher operation rateand precision，has theoretica
4、l significance and applicable valueThis dissertation analyses the main problems being existent in theprocess of stock market prediction and compares various stockforecasting methodsThe feasibility of forecasting stock trend by usingBP neural network iS discussedBP neural network finds out thediscipl
5、inarian of stock market through learning historical datum and storethem in the weights and valve values of the neural network forforecasting the trend in the future Based on studying these existing problems of BP algorithms in stackforecasting，including the slow leaming speed，local extremum and thel
6、ow prediction precision，an improved BP neural network algorithm iSpresentedThis algorithm reduces number of hidden nodes and enhancesthe convergence speed by re-selecting activation function and adjustingweight value of transformation function，scaling coefficient anddisplacement parameter in output
7、layer and hidden layerAccording to the principle of stock prediction based on BP network，the prediction model of stock has been establishedThe stock iS predicted by adopting improved BP algorithm and the simulation experiments are conducted through MATLABKEY WORDS neural networks，stock prediction，BP
8、 algorithm，activation function 第一章 绪论11课题的研究背景 股票是市场经济的产物，股票的发行与交易促进了市场经济的发展。近年来，股票市场已经逐步成为证券业乃至整个金融业必不可少的组成部分，显示出强大的生命力，股票投资也已经成为人们同常生活的一个重要组成部分。股市的暴涨暴跌对金融市场会产生很大的振荡，直接影响到金融市场的稳定和经济的健康发展。如果能够预测股票的涨跌，及时对股票市场进行合理的调控和健康的引导，这将为我国经济的持续发展提供孥实的后盾。 近年来，随着计算机技术和人工智能技术的迅猛发展，为股票市场的建模与预测提供了新的方法，而神经网络作为一种有效的智能信
9、息处理技术，能依据数据本身的内在联系建模，具有良好的非线性逼近能力和对杂乱信息的综合处理能力，成为探索人类智能奥秘的有力工具，在信号处理、模式识别和控制等许多领域已经取得了令人瞩目的发展，并得到了广泛应用。由于神经网络具有很强的非线性逼近能力和自学习、自适应等特性，它不需要建立复杂的非线性系统的显式关系和数学模型，可以克服传统定量预测方法的许多局限以及面临的困难，同时也能避免许多人为因素的影响。因而将人工神经网络技术应用于股票预测，在股市预测模型建造的合理性以及适用性方面都具有其独特的优势，将为股票这种非线性系统的预测提供广阔的发展空间。另一方面，一般计量统计的时间序列模型很难处理高度非线性的
10、问题。然而，股票市场是一个极其复杂的动力学系统，高噪声、严重非线性和投资者的盲目任意性等因素决定了股票预测的复杂与困难度，应用现有的技术分析方法，预测结果往往不尽人意。 总之，股票市场作为社会主义市场经济的重要组成部分，在我国的经济发展中发挥着重要的作用。研究股票的预测能够指导投资者进行有益的投资，不仅可以为个人提供利润，更可以为国家经济的发展做出贡献。12研究目的及意义 股票交易是现代经济活动中常见的风险投资活动，与相对安全但收入稳定的其他金融投资活动相比，这是为了获得高收益而主动承担高风险的投资活动。然而，股票市场具有收益和风险的双重特性，股票投资的收益与风险往往是成正比的，即投资收益越高
11、，可能冒的风险越大。随着越来越多的人进入股市进行投资活动，人们迫切需要一种有效的分析方法，能够最大限度的增加收益，降低风险。因此，股市预测方法的研究具有极其重要的理论意义和应用价值。 神经网络是近年来的热门研究领域，它以全新的与传统不同的信息表达和处理方式，对人工智能研究产生了巨大的吸引力。BP神经网络是目前应用最广泛的一种神经网络，它具有非线性映射能力、泛化能力和容错能力，是在自动控制中最有用的学习算法之一，也是股票预测分析的首选神经网络。将BP神经网络技术引入股票投资风险分析和评估，了解股价运行的规律和内在机制，从而正确预测股价走势，帮助预测灾难性的股价振荡。14主要研究内容及构成论文后续
12、章节安排如下： 第二章主要对股票预测的关键问题进行讨论，分析股市预测面临的问题，着重对几种典型的股市预测方法进行比较分析，给出本文研究中所采用的方法。 第三章针对BP神经网络及其算法在股票预测中存在的不足，对BP算法进行改进，通过调整神经元的激活函数来加快BP网络的训练速度，避免网络陷入局部极小值。 第四章利用改进的BP算法建立基于BP网络的股票预测模型，并选取有代表性的个股进行应用预测，通过MATLAB仿真检验其可行性和有效性。第五章对论文工作进行总结，指出今后的研究方向。第二章 股票预测的关键问题分析21股票预测的评价指标股票的市场价格由股票的价值决定，但是同时受到许多因素的影响。股票预测
13、的相关变量及常用技术指标如下所示。(1)股票预测的常用变量1)综合指数 代表整个股市的气势，是大盘分析的代表变量，在国内分为上证综合指数和深证综合指数。2)开盘价 指当日开盘后该股票的第一笔交易成交的价格。如果开市后30分钟内无成交价，则以前日的收盘价作为开盘价。3)收盘价 指每天成交中最后一笔股票的价格。4)最高价 指当同所成交的价格中的最高价位。5)最低价 指当日所成交的价格中的最低价位。6)成交量 股票成交的数量。手是股票成交的最小单位，一手为100股。7)成交金额指用货币表示的股票成交总量，等于成交价格乘以成交量。22神经网络预测方法神经网络是一种大规模并行的复杂的非线性动力系统，它可
14、表示极其复杂的非线性模型系统，具有高度并行的处理机制、高速运算的能力、高度灵活可变的拓扑结构、高度的非线性运算，具有自学习、自组织的能力，得到了预测科学研究的重视。实践中通常采用前馈式神经网络来进行预测。这是因为当我们试图预测系统的下一个输出时，假定在两个不同时刻，若系统有同样的输入，两次的输出应是相同的，即系统具有一定的确定性。只要能提供适当的输入，确定性系统是能够被模拟的。因此，预测的过程实际上是一个模拟确定性系统的过程。而前馈式神经网络是很好的模拟确定性系统的工具。由于三层前馈式神经网络具有可逼近任意复杂连续函数关系的能力，而这些能力是其它方法所不具有的，因此三层前馈神经网络非常适合对时
15、间序列进行预测。基于BP神经网络的证券预测技术研究就是选择股票价格作为训练样本，将某些交易同的股票价格及影响价格的因素作为输入向量，按照前向传播方向，得到输出层的实际输出值；然后按照反方向传播方向，根据输出层的实际输出和期望输出之问的误差，修节点间的连接权值，直到误差达到允许的最小值。经过调整的最后的权值，就是BP网络经过自适应学习所得到的正确的内部表示。使用经训练后的BP网络模型进行股票价格走势的预测，从而达到增加投资收益、降低投资风险的目的。23神经网络预测的优势神经网络用于股市预测取得了很好的效果，数学上已经证明了，人工神经网络可以逼近那些最佳刻画样本数据规律的函数，而不论这些函数具有怎
16、样的形式。神经网络的学习能力以及通过学习掌握数据问的依存关系，在股市预测中显示出一定的优越性，比以往依靠推导数学模型、参数寻优的非常精确而又因此带来局限性的传统方法具有极大的优越性。股价走势呈高度非线性，并且成交价、成交量中包含有大量决定股价变动的内在规律和特点，通过对历史交易数据的学习，人工神经网络就能从纷繁复杂的数据中自主的寻找出参数之问的规律和特点，并且刻画这些规律和特点，因此用它对股票价格走势预测具有很好的效果。第三章 一种改进的BP神经网络算法31改进的BP算法人们在标准BP算法的基础上进行了许多有益的改进，主要目标是为了加快训练速度，避免陷入局部极小值和改善其能力。改进后的BP网络
17、的训练收敛速度比标准梯度下降法快数十倍乃至数百倍。331现有BP算法的改进方法 BP算法的改进分为两类，一类是基于标准梯度下降法的算法改进，如动量法、自适应学习速率法、弹性BP法等：另一类是基于数值优化方法的改进，如共轭梯度法、拟牛顿法、LM法等。这里仅对本文提出的BP改进算法中将涉及到的两种方法进行介绍：(1)附加动量的BP算法 标准BP算法在调整权值时，只按时刻误差的梯度下降方向调整，而没有考虑时刻以前的梯度方向，从而常使训练过程发生振荡，收敛缓慢。为了提高网络的训练速度，可以在权值调整公式中增加一动量项。附加动量的引入可使网络在修正其权值时，不仅考虑局部的梯度信息，而且考虑误差曲面最近的
18、变化趋势，其作用如同一个低通滤波器，它允许网络忽略网络上的微小变化特性。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用则有可能滑过这些极小。(2)自适应调节学习速率 在标准BP算法中定为常数，然而在实际应用中，很难确定一个自始至终都合适的最佳学习速率。学习过程中学习速率大收敛快，但过大可能引起不稳定(动荡)；学习速率小可避免不稳定，但收敛速度就慢了，一个较好的思路是自适应改变学习率，使其该大时增大，该小时减小。自适应调节学习速率的调整公式为：与采用附加动量时的判断条件相仿，当新误差超过旧误差一定的倍数时，学习速率将减少，否则其学习速率保持不变；当新误差小于旧误差时，学习
19、速率将被增加。此方法可以保证网络总是以最大的可接受的学习速率进行训练。当一个较大的学习速率仍能够使用网络稳定学习，使其误差继续下降，则增加学习速率，使其以更大的学习速率进行学习。一旦学习速率调得过大，而不能保证误差继续减少，则减少学习速率直到使其学习过程稳定为止。332 BP算法中激活函数的调整本文调整了BP算法的转换函数，采用tan-sigmoid转换函数,tan-sigmoid转换函数的一般形式为：333对应的权值的调整32改进的BP算法的优点 改进后的BP神经网络的收敛速度相对标准BP神经网络有很大的提高，这主要得益于将网络的W和tan-sigmoid转换函数的T和0同时进行了调整，改进
20、算法能有效地减少隐层节点数、加快收敛速度和提高收敛精度，完善了转换函数系数调整算法体系。第四章 改进的BP算法在股市预测的应用41 BP神经网络用于股票预测的基本步骤 用BP神经网络对股票市场价格进行预测可以分为神经网络的训练(或拟合)和预测两个部分，具体步骤如下：(1)选取训练样本数据，构造训练样本 股票市场是一个很不稳定的动态变化的非线性系统，不仅受国内外经济因素的影响，而且人为的作用、政府的调控等都影响股票市场的未来走势。因此必须选取正常运作情况下的股票样本数据，否则抽取到的特殊数据将降低网络的预测能力。另外，鉴于训练样本的个数如果选取太多有可能造成计算量巨大，训练过程难以拟合，可能导致
21、最终预测失败；而选取样本过少又可能造成拟合误差过大。(2)对股票样本数据进行预处理 在进行神经网络预测之前，为避免原始数据过大造成网络麻痹，要对原始数据进行归一化处理，对于预测值，由于变化幅度较大，也不宜直接作为神经网络的输出，因此仍需进行必要的归一化。将数据规范在-1，l之间，这样可以尽可能地平滑数据，从而消除预测结果的噪声。(3)构造训练样本 对股票价格进行预测的基础是股市大量的历史数据，这些数据主要包括每同的开开盘价、收盘价、最高价、最低价和成交量等。尽管从表面上看这些数据并不能直接反映股市的内在规律，但是通过对他们进行简单的计算便可以得到相关的状态指标。现在市场上的大多数炒股软件正是通
22、过对这些状态指标的分析来进行人为的投资判断。在技术分析中，分析周期的选择是否恰当，对预测结果有直接关系。(4)选用三层结构BP网络建立预测模型(5)训练网络 BP网络的训练是网络成功与否的非常重要的一个环节，网络训练的好坏，直接关系到BP网络预测的准确性。如果效果很好，利用训练好的网络对未来进行预测。否则，调整网络的结构，重复上一个步骤，直到得到较好的检验结果。42基于BP网络的股市预测模型 利用BP神经网络应对股市进行分析预测时，网络的拓扑结构的设计、隐层节点个数的确定、样本数据的选取和预处理、初始参数的确定等问题，直接影响到所建立的股市预测模型的性能。421网络拓扑结构的设计422预测模型
23、的数值选取与处理第五章 总结与展望51总结 神经网络是一种很好的时间序列预测方法。BP网络是目前最常用的神经网络。由于BP网络具有逼近任意复杂连续函数关系的能力，而这些能力正是传统方法所不具有的，因此BP网络非常适用于对时间序列进行预测，在具体使用中，不需要对所分析序列做任何假设，仅用一个BP网络来拟合该时间序列即可。因此，本文在对BP神经网络的结构及其算法的特点进行研究和分析的基础上，提出了一种改进的BP算法，将其应用到股票预测中，并进行了有效地实证分析。52展望 本文的工作是初步的，试验性的，涉及到具体运用还有很长的路要走，需要补充大量的研究工作，以增加和完善系统性能。因此，本文认为在今后
24、的实践里可以对本文的神经网络预测模型与方法做出一些改进： (1)扩大信息来源渠道和样本集。不断扩大信息来源渠道，收集更多资料，以充实基本面的数据。样本集的扩大，不仅可以进一步提高系统的泛化能力，还保证了系统能够学习到股市的新的变化。 (2)系统的完善和优化。本文所设计的预测模型目前还处于研究阶段，系统还需要进一步的完善。可以尝试以更多的技术分析指标作为人工神经网络输入变量，以探讨使用技术分析指标，是否能提高预测的正确率。在股价预测上，同行业类股票平均指数也是不少投资者注意的焦点。因此如何运用人工神经网络，找出同行业类股票有效的输入变量作为学习数据，以探讨人工神经网络对各类股指数的预测能力，是可以继续研究之方向。