《神经网络模型在股票投资中的应用.pdf》由会员分享，可在线阅读，更多相关《神经网络模型在股票投资中的应用.pdf（5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、第2 9 卷第3 期计算技术与自动化v 0 1 2 9，N“320 10 年9 月C o m p u t i n gT e c h n o l o g ya n dA u t o m a t i o nS e p 2010文章编号：1 0 0 3 6 1 9 9(2 0 1 0)0 3-0 1 0 8-0 5神经网络模型在股票投资中的应用杨寓勇(中国人民银行长沙中心支行调查统计处湖南长沙4 1 0 0 0 5)摘要：引入数据挖掘技术中的神经网络技术对上证综合指教进行分析，通过建立神经网络模型对次日收盘指数进行预测，经过多次实验和比较，得到精度较高的次日收盘指数预测模型，利用该模型本文预测了2
2、0 1 0 年1 至4 月份的上证综合指数次日收盘点数。通过与真实值比较发现，神经网络模型在预测上证综合指数方面具有较好的效果，因此。在一定程度上解决股民入市时机选择问题。关键词：神经网络；股票投资；上证指数f C l e m e n t i n e中图分类号：F 8 3 0 9文献标识码：AT h eA p p l i c a t i o no fN e u r a ln e tt oS t o c kI n v e s t m e n tY A N GF u-y o n g(C h a n g s h aC e n t r a lB r a n c h。T h eP e o p l e s
3、B a n ko fC h i n a。C h a n g s h a4 1 0 0 0 5，C h i n a)A b s t r a c t：T h i sp a p e ru s et h en e u r a ln e t w o r kt e c h n o l o g yt oa n a l y s et h eS h a n g h a is e c u r i t i e si n d e xa n dp r e d i c tt h ec l o s i n gp r i c e so fn e x td a yb ye s t a b l i s h i n gn e u
4、t r a ln e t w o r km o d e l s A f t e rs e v e r a le x p e r i m e n t sa n dc o m p a r i s o n tas u p e r i o rm o d e li ss e l e e r e d U s i n gt h a tm o d e l，w ep r e d i c t e dS h a n g h a is e c u r i t i e si n d e x e sf r o mJ a nt OA p r，2 0 1 0a n dc o m p a r et h ep r e d i c
5、 t i o nr e s u l t sw i t ha c t u r a lv a l u e s A sar e s u l t，n e u t r a ln e t w o r km o d e lh a ss h o w nas a t i s f y i n go u t c o m e。t h e r e f o r et h ep r o b l e mo fw h e nf o ri n v e s t o r st oe n t e rt h es t o c km a r k e ti ss o l v e dt os o m ee x t e n t K e yw o
6、 r d s：n e u r a ln e t；s t o c ki n v e s t m e n t；s h a n g h a is e c u r i t i e si n d e x；c C l e m e n t i n e1神经网络模型简介1 1神经网络模型的功能神经网络是模仿人脑神经系统的信息处理、存储及检索功能，用大量的计算单元(即神经元)构成的非线性系统，它具有学习、记忆和计算等处理功能。各种网络神经元连接权的动态演化过程决定了神经网络的学习和运行，通过网络各连接权值的改变，神经网络系统实现信息的处理与存储，每个神经元既是信息的存储单元，也是信息的处理单元，在每个神经元的共
7、同作用下，完成对输入模式的识别和记忆。由于神经网络模仿人脑神经系统处理方式，因此，在功能上也具有某些智能的特点。神经网络主要有以下几个基本功能 1 ：非线性映射、分类识别、知识处理。目前，神经网络已经广泛应用于信息领域、自动化领域、工程领域、医学领域、经济学领域等各知识领域中，其智能化的特征解决了许多传统信息处理方法无法解决的问题。1 2 人工神经元模型神经网络是对人脑组织结构和运行机制的认识理解基础上模拟其智能行为的系统，人脑是由大量相互连接的神经细胞组成的，脑神经元由树突、细胞体和轴突构成，细胞体是神经元的重心，它一般由细胞核、细胞膜等组成。树突是神经元的主要接受器，它主要用来接收信息，轴
8、突的作用主要是传到信息，它收稿日期：z 0 1 0 0 6 2 2作者简介：杨富勇(1 9 8 3 一)，男，福建漳州人，硕士研究生。研究方向t 数据挖掘技术(E-m a i l：y f y 3 1 7 y a h o o c o m c n)万方数据第2 9 卷第3 期杨富勇：神经网络模型在股票投资中的应用将信息从轴突起点传到轴突末梢，轴突末梢与另一个神经元的树突或细胞体构成一种突触的机构。通过突触实现神经元之间的信息传递。神经网络就是利用物理器件来模拟上述生物神经的某些结构和功能的。典型的神经网络模型可表示为图1。树突细胞体轴突wn。f、7 崾W 成饭再一翻 l：；L 一X 图1 典型神经
9、元模型从图1 可以看出，树突部分接受了五，锄，ttOO0，毛共n 个信息，分别经过特定的权值7 U i l，7 t t。2，的作用进入细胞体，细胞体通过作用函数厂(嘶z J 一岛)对树突接收的信息进行处理，最终J 1 1将信息处理的结果通过轴突传输出去。神经网络在一定的学习规则下，通过对样本的学习，获取特征信息，并存储在相应的权值和参数上。对于新的输入，神经网络通过学习后获得的权值和参数，计算网络的输出。神经网络具有高度的非线性、容错与自学习、自适应更新等功能，能够进行复杂的逻辑操作和非线性关系实现 3 。1 3常见的神经网络结构神经元是神经网络的基本处理单位，由大量的神经元组成的神经网络才能
10、对复杂的信息进行处理。神经网络的强大功能与其大规模并行互连、非线性处理以及互连结构的可塑性密切相关。因此必须按一定规则将神经元连接成神经网络，并使各神经元的连接权按一定规则变化。人工神经网络的结构大致可分为前馈网络和反馈网络两类口。1)多层前馈网络前馈网络具有递阶分层结构，神经元分层排列，每一层的神经元并不相互连接，每一层的神经元只接受前一层的神经元的输入，并向下一层传输结果。输入经过各层的变化后，在输出层输出。多层前馈网络的结构模型如图2 所示。2)输出反馈的前馈网络输出反馈的网络结构存在一个从输入层到输入层的反馈回路，该种结构适用于顺序型的模式识别问题。输出反馈的前馈网络结构模型如图3 所
11、示。3)反馈型网络在反馈网络中，多个神经元互联以阻止一个互联神经网络，在该种网络中，每个神经元的输出都yt和其他神经元相连，从而形成了动态的反馈关系，有些神经元的输出被反馈至同层或前层神经元，因此，信号能够从正向和反向流通。反馈性神经网络的结构模型如图4 所示。输入隐层输出层图2多层前馈网络的结构模型图3 输出反馈的前馈网络结构模型2 神经网络模型在股票投资中的应用对于股民而言，当决定将资金投资于股票的时候，选择恰当的入市时机对于投资收益和资金安全是很重要的，在选择入市时机上，一般而言，股民更看重的是整个大盘的走势，而看A 股市场，一般看上证综合指数的情况，未来上证指数走势的正确判断，对于股民
12、入市时机的选择尤其重要。以下笔者万方数据计算技术与自动化2 0 1 0 年9 月将引入神经网络模型，利用C l e m e n t i n e 软件对上证指数的走势进行建模分析和预测。图4 反馈型网络的结构模型2 1样本和指标数据选取本文选取2 0 0 9 年1 月5 日至2 0 1 0 年4 月1 5日每个工作E l 的上证综合指数相关数据作为神经网络模型的建模数据，数据来源子证券公司的证券投资软件(本文选择大智慧软件)。其中，2 0 0 9 年1月5 日至2 0 0 9 年1 2 月3 1 日共2 4 4 个工作日数据为训练集数据，2 0 1 0 年1 月4 日至2 0 1 0 年4 月1
13、 5日共6 8 个工作日数据为验证集数据。其中，涉及变量包括：当日开盘、当日最高点、当日最低点、当E l 成交量、当日收盘及次E l 收盘。部分建模样本和数据如表1 所示。建模过程中，本文将根据具体的实证要求对数据进行整理。衰1 上证指数相关变量数据2 2一期预测模型我们将2 0 0 9 年1 月5 日至2 0 0 9 年1 2 月3 1日每个工作日的上证综合指数相关数据作为输入变量，将次日收盘指数作为输出变量，利用C l e m e n t i n e 软件建立神经网络模型，首次建模采用系统默认设置对训练集数据进行训练，系统默认采用快速(Q u i c k)训练方法进行训练，采用1 个隐藏层
14、3个隐结点，最终输出预测精度为9 6 6 7。经过多次修改训练方法和各种训练方法的高级选项参数，并比较各个模型的精度，我们最终在采用彻底修剪的方法进行训练时得到图5 中的较优输出结果。从C l e m e n t i n e 软件的一期预测模型输出结果我们可以看出，一期预测模型得到了较高的学习精度9 7 8 1，其中，共有两个隐藏层，一个隐藏层有3 个隐藏结点，另一个隐藏层有2 个隐藏结点。从R e l a t i v ei m p o r t a n c eo fi n p u t s(输入指标的相对重要性)中我们可以看出，前一个工作E l 的收盘指数对次日收盘指数的影响是最大的，其次是前一
15、工作日的最高点和最低点，再次是前一个工作日的开盘价和成交量。它们共同对输出变量次E l 收盘指数有影响。8，盘器h：a l y s 蚓ik E s t i m a t e da c c u r a C y 9 7 8 1 1；b，I n p u tL a y e r：5n e u r o n sb H i d d e nL a y e r1：3n e u r o n s一H i d d e nL a y e r2：2n e u r o n e!O u t p u tL a y e r：1n e u r o n e臼白rR e l a t i v eI m p o r t a n c eo fl
16、 n p u t s收盘：0 6 2 3 6 6 4最低y 0 2 6 4 2 0 2最高0 1 6 2 3 0 8并鑫一r 0 0 9 6 5 5 4 2成交量i 一0 0 3 2 4 5 2 6图5 一期预测模型输出结果2 3多期预测模型由一期预测模型可以看出，利用前一工作E l 数据来建模，并预测下一个工作日上证收盘指数，预测精度是比较高的。但根据常识我们知道，上证指数的次日收盘指数不仅可能受到前一日大盘情况本文中的。一期”是指用“前一期”的样本数据作为输入变量来预测次日收盘指数而下节中的。多期”是指用。前n 期”(n 大于1)的样本数据作为输入变量来预测次日收盘指数万方数据第2 9 卷
17、第3 期杨富勇一神经网络模型在股票投资中的应用的影响，还可能会受到前几日甚至更远时期大盘的于寻找到最佳的n 值以及其对应的最优的神经网影响，这也是为什么股民在参考大盘指数的时候，络模型。由于n 的取值可以在 1，o。)中选取，而根一方面要看前一工作日大盘走向，另一方面要研究据经验我们知道，离n+1 个工作日越远的上证指近期以来大盘走向。因此，我们有必要利用多期数数数据，对这一天的上证指数的影响应该是越小据来建立次日收盘指数预测模型，并试图寻求更优的，因此，对于n 的选取，笔者根据习惯，分别选取的神经网络预测模型。n=5，n=1 0，n-2 0，n 一2 5，n=3 0(即以五天一个本节中，笔者
18、通过选取前n 日上证指数相关数跨度)来进行神经网络建模分析比较。在每次选取据(即第1 日开盘、第1 日最高点、第1 日最低点、不同n 值建立不同的神经网络模型时，笔者均比较第1 日成交量、第1 日收盘；第2 日开盘、第2 日最了各种训练方法以及调整这些训练方法的高级选高点、第2 日收盘；第n 日开盘、项参数之后的模型，进行多次机器学习，比较模型第n 日收盘)作为输入变量，选取第n+1 日收盘的精度，从而建立较优的神经网络模型。上证指数数据作为输出变量来建立神经网络模型，经过多次尝试、训练和比较，本文最终得到不由于n 值的不同，建立的神经网络预测模型也会有同n 值下较优的六个神经网络模型，综合一
19、期预测所不同，预测的结果也会有差异，而本节的重点在模型，笔者最终得到表2 所示的结果。襄2 神经网络模型输出结果比较期数训练方法隐藏层个数隐结点个数输入驾曩器弩誓尹要性精度n 一1彻底修剪n=5彻底修剪层1：3 个隐结点层2；2 个隐结点层1：1 0 个隐结点3层2 t 7 个隐结点，层3 t 5 个隐结点前日收盘：0 6 2，前日最低。0 2 6；9 7 8 1 前日最高，0 1 6 I第5 日收盘：O 5 1 I第5 日最低：O 3 0，9 7 8 6 第5 日最高，0 2 6；三王二垂量I 二二二二二I I 譬薹李篱二二二三蔓童蔓垂二I 一量曩n-=1 5!竺竺2 黧蔓黧i 竺1 5 B
20、 帔,o 8 4 9 7 s z A 删。剪z僦徽谶罴雾吼s s 三!竺!i 曼鲞燮斧茎t 强2 5f l 溅熟=：n=3。彻底修剪，2j 县层1 2：，2 1 7 2：氅嚣第3 0 日收盘：0 6 8，第1 6 日最低：0 2 6 l9 7 2 9 第1 6 日最商：0 1 7 l从表2 中我们可以看出：一，本文中，通过各个训练方法的结果比较发现，彻底修剪(E x h a u s t i v ep r u n e)方法虽然训练时问比较长，但是能得到较高的精度，如本文中的各期预测模型的最高精度，均为彻底修剪方法得到的。同时，彻底修剪的方法可以修剪掉不重要的变量，挑选出重要变量进行建模，一定程度
21、上避免了噪声数据对模型的影响。二，从输入指标的相对重要性可以看出，前一工作日的收盘指数对下一日的收盘指数影响最大，权重最高，即当要预测n+1 日收盘指数时，第n 日的的收盘指数相对重要性均排在第一位，从表中可以看出，在n=1 0 和n=1 5 时，前一工作日收盘指数的相对重要性甚至分别达到了0 8 6 和0 8 4 之高。三，从精度变化上看，当n；1 0 时，精度达到最高9 8 0 6，出现了峰值，其他时点均低于这个值。由此我们可以得出，对于短期预测模型而言，1 0 个工作丑左右的预测是比较有效的，对于更长期而言，预测的效果会有所削弱。3样本检验及结论笔者选取2 0 1 0 年1 月4 日至4
22、 月1 5 日的数据作为校验样本，通过以上建立的神经网络模型进行预测，得到了各期模型的预测结果，通过拟合真实的次日收盘指数和各个神经网络模型预测的次日上证指数数据可以得到如图6 的结果，从结果可以看出，神经网络模型在预测上证指数中效果很好，多期预测模型虽然与真实值有波动和偏差，但趋势一致。特别是l o 期预测模型，与真实上证指数走势基本一致，同时与真实上证指数偏差较小。万方数据1 1 2计算技术与自动化2 0 1 0 年9 月3 3 0 0 0 03 2 5 0 o o3 2 0 0 0 03 1 5 0 0 0赣瓣3 1 0 0 0 03 0 5 0 0 03 0 0 0 o o2 9 5
23、0 0 02 9 0 0 0 0八 _l=醚莲二i 篓臻I、，j、，、I：i 器嚣蠹：二器；2 嚣未I，j，j 1”一I 厂汰二、爱蛩崖娥，趣，一。稍w j、弋，潲二忝：、。彩礤钐蚴鲤啤一龉一wj!荨耳淬：3寻砗2：掣7 0 0砗早：牟H_“HNnnnnt图6 神经网络预测结果和真实值拟合图但是，我们也必须看到，在预测值和真实值之间仍有一定的偏差，甚至出现了短暂性的趋势错误，如图7 所示，我们仅以1 0 期预测模型与真实值的拟合图形来看，图中椭圆形区域部分，1 0 期预测模型的结果与真实值之间出现了一定的偏差，经过分析我们知道，这两个时期分别是2 月中旬和4 月上旬。对于2 月中旬，主要是春节
24、因素这个季节因素的影响，对于股市这样的时间序列，不可避免的受到季节因素的影响，特别在春节期间，现金流的变动对股市会产生一定的冲击。而对于4 月上旬，参考文献 1 2 3 3 3赣霸则主要是受股指期货上市的影响，2 0 1 0 年4 月8日，股指期货启动仪式在上海举行，4 月1 6 日股指期货上市交易，一般而言，股指期货推出后，指数会出现短暂调整，而这些，对于神经网络模型的预测结果都会产生一定的干扰。可以说，季节因素的存在，或者是政策的出台，突发事件的发生等随机事件对神经网络模型的预测结果都会产生一定的干扰作用，但从长期而言，我们发现，神经网络模型在预测效果是很有效的。图71 0 期预测模型与真
25、实值拟合囤廖芹，郝志锋陈志宏数据挖掘与敷学建模 M 北京；国防工业出版社，2 0 1 0，1 0 0 一1 3 6 纪希禹数据挖掘技术应用实例 M 北京：机械工业出版社2 0 0 9 4 0 5 7 元昌安数据挖掘原理与S P S SC l e m e n t i n e 应用宝典 M 北 4 I s 6 3 7 京：电子工业出版社2 0 0 9，1 1 5，1 0 1 1 4 6，2 3 4 2 6 7 J i a w e iH a n，M i c h e l i n cK a t u b e r 数据挖掘概念与技术 M 范明，孟小峰，等译北京：机械工业出版社，2 0 0 1，1 1 0 3
26、 J i a w e iH a n，M i c h e l i n eK a m b e r 数据挖掘概念与技术 M 范明，盂小峰，等译北京。机械工业出版社，2 0 0 1。1 1 0 3 林森池证券分析实践 M 北京；当代世界出版社，2 0 0 5，1 7 3 1 吕俊，张兴华几种快速B P 算法的比较和研究 J 现代电子技术2 0 0 3，2 4：9 6 9 7 股指期货(S t o c kI n d e xF u t u r e s)的全称是股票价格指数期贷，也可称为股价指数期货、期指是指以股价指数为标的物的标准化期货合约t 双方约定在未来的某个特定日期，可以按照事先确定的股价指数的大小进行标的指数的买卖。作为期货交易的一种类型，股指期货交易与普通商品期货交易具有基本相同的特征和流程万方数据