1、对前馈型神经网络股价预测的一点改进第 27 卷第 3 期2007 年 6 月成宁学院JournalofXianninaCoIle2IVoL27,No.3Jun.2007文章编号:10065342(2007)03 000103对前馈型神经网络股价预测的一点改进张吉刚,梁娜,沈育民 2(1.成宁学院数学系,湖北成宁 437100;2.咸宁市工业交通技工学院 ,湖北咸宁437100)摘要:为减小预测误差,目前的方法是:选择对股价有显着影响的输入变量;调整网络结构及选择合适的参数;优化学习算法.这些方法都是以实际股价作为网络的预测.本文提出的方法是以相邻两天的股价差价作为网络的预测.本文在相同的数据上
2、分别建立股价预测模型和股价的差价预测模型,并对它们的结果进行对比分析,结果表明差价预测模型的预测误差小,预测效果好.关键词:前馈型神经网络;差价;股价预测中图分类号:F832.0 文献标识码:A0 引言近年来基于神经网络的股市预测的文献中为减小预测误差用到的方法很多.文 F1中采用大量的数值实验进行对比分析的方法,确定了比较适合股票市场预测的初始条件;文 E2中是用 BP 网络模型进行短期预测,采用的是交叉验证集的方法来确定隐层节点数,对输入变量进行敏感性测试,选出影响输出变量最重要的五个因素;在文3是基于RBF 股市趋势预测,其中 RBF 网络中心点的选取采用最近邻聚类学习算法;文4提出了一
3、种基于 Rd3F 神经网络的股市预测建模方法,采用遗传算法训练 Rd3F 网络的参数 ,权重.从以上文献资料的归纳和对比中,可以看出近年来多数文献把研究重点放在具体的网络拓扑结构设计和相应的学习算法的优化,及选择对股价有显着影响的输人变量,来减少预测误差.这些方法都是以实际股价作为网络的预测.而本文提出的方法是以相邻两天的股价差价作为网络的预测.实验结果表明该方法的预测误差小,预测效果好,有望取代目前的以实际股价作为网络预测的方法.1 预测股价的神经网络模型1.1 数据的准备对股市价格进行神经网络预测的基础是股市中大量的历史数据,主要有每日开盘价,收盘价,最高价,最低价,成交额和成交量等 6
4、个原始数据.本文选用对股价有显着影响的开盘价,收盘价,最高价,最低价作为网络输人.选取个股中国石化(600028)2005 年 4 月 1 日至 2005 年 12 月 9 日的 150 组交易数据作为原始数据,数据来源于证券之星网站.将 150 组数据分为训练样本和测试样本.把中国石化的 2005 年 4 月 1 日至 2005 年 11 月 16 日期间的 120 组交易数据给神经网络学习,让神经网络给出剩余数据的股市收盘价的预测.1.2 网络结构,参数设置用于股价预测的前馈型神经网络主要有 BP 神经网络和 RBF 神经网络.本文选用有代表性的 BP 网络.采用三层*收稿日期:20060
5、906网络,网络结构为 5L-16-1,L 为输人数组的维数,5 是技术分析周期采用 5 日,L 是输人向量的个数,在本文指的是 2,4.隐含层单元的传递函数采用 tansig 函数,输出层单元的传递函数取线性函数 y=z,网络的学习率取为 0.1.学习时要求输出误差O.005,训练次数最大设置为 500.应用动量法和学习率自适应调整改造后的 BP 算法来训练网络 .实验证明上述一系列参数的选取既可以加快网络的收敛速度,又可以使网络具有较好的逼近精度.1.3 差价预测模型在相同的输人下,以预测股价,预测差价分别建立网络模型.因为股价的差价取值范围比股价本身的取值范围小,所以会使得差价预测模型的
6、预测误差范围比股价预测模型的预测误差范围小.从而可获得较好的预测效果.只是第天的收盘价,P 是第一 1 的收盘价,一只一 P 是相邻两天收盘价的差价,把作为差价预测模型的网络训练目标,网络输出记为只,那么预测的第天的收盘价为 P=P+P 一.2 实验结果下文分别给出了以开盘价,收盘价和开盘价,收盘价,最高价,最低价,两种组合输人的模型预测结果.用指标(MAPE)平均绝对误差百分比来评价两个模型的预测结果.E=1 互 NI100一是第一 1 的收盘价,只一+P 预测的第天的收盘价.N 是用于网络预测的样本总数.加6;11U4Ed9E01s(a)2 成宁学院第 27 卷(c)7e,24Epochs
7、(d)天数(D图 1 输入向量为(开盘价.收盘价 J图 1 中(a):差价预测模型网络训练达到目标的步数是9 步;(b):差价预测模型的预测数据与原始数据;(c):差价预测模型的预测误差(MAPE=1.1725);(d): 股市收盘价预测模型网络训练达到目标的步数是 24 步;(e):股市收盘价预测模型的预测数据与原始数据;(f):股市收盘价预测模型的预测误差(MAPE-=1.7).(c)(f)图 2 输入向量为(开盘价.收盘价.最高价.最低价)图 2 中(a):差价预测模型网络训练达到目标的步数是6 步;(b):差价预测模型的预测数据与原始数据;(c):差价预测模型的预测误差(MAPE 一
8、1.2);(d):股市收盘价预测模型网络训练达到目标的步数是 19 步;(e):股市收盘价t0第 3 期张吉刚,梁娜,沈育民对前馈型神经网络股价预测的一点改进 3预测模型的预测数据与原始数据;(f):股市收盘价预测模型的预测误差(MAPE 一 1.735).3 结束语图 1,图 2 的结果表明股价的差价预测模型的网络训练时间较短,预测误差较小,预测精度较高,证实了股价的差价预测方法优于目前的股价预测方法,即相比下该方法具有显着的优势.因而是一个极有前途的新方法.股价的差价预测精度高效果好,原因在于股价的差价范围比股价本身的范围小,因而会使得它的预测误差范围比股价预测模型的预测误差范围小,这相当
9、于减小了预测误差.因此该方法是减小预测误差的一个可行有效的方法,也可推广到神经网络的其它应用领域.参考文献:Eli 吴微,陈维强,刘波.用 BP 神经网络预测股票市场涨跌J.大连理工大学,2001,41(1).I-2刘永福,李建功.利用 BP 神经网络预测上证指数 J.市场周报商务营销,2003,(1O).3王行愚.RBF 神经网络在股市趋势预测中的应用J.华南理工大学,2002,28(5).4郑巫谬,马艳华 .基于 RBF 神经网络的股市建模与预测J.天津大学,2000,33(4).5HeidarAMalki,Nicolaos13.KarayiannisandMaheshBalasubram
10、anian,Short-termelectricpowerloadforecasringusingfeedforwardneuralnetworksJ.ExpertSys-terns.2004.21(3).AnImprovementofPredictionofStockPricesBasedonFeed-forwardNeuralNetworkneeaeural_-ZHANGdi.Gang,LIANGNa,SHENYurnin(1.DepartmentofMathematics,XianningCollege,Xianning437100,China;2.XianningIndustryand
11、TrafficSkilledWorllerSchool,Xianning437100,China)Ahstrad:Inordertoreducethepredictionerror,thepresentmethodsaretochoosethesignificantparame-tersthatformtheinputsoftheneuralnetwork,aajustthearchitectureoftheneuralnetwork,chooseappropriateparameters,optimizetheAlgorithm.Thesemethodsallhavebeentakenthe
12、actualstockpriceforthenetworkprediction.Theproposedmethodhastakenthedifferencebetweenthestockpriceofthenextdayandthatofthepresentdayforthenetworkprediction.Thearticlehasbeentoestablishthestockpricemodelandthepricedifferencemodelonthesamedata,andmakeacomparativeanalysisoftheresults.Theexperimentalstudyindicatedthatthemostaccuratepredictionresultsareproducedbyneuralnetworkstrainedtopredictthedifferencebetweenthestockpriceofthenextdayandthatofthepresentday.Keywords:Feed-forwardneuralnetwork;Predictionsofstockprice;Thedifferencebetweenstockpriceofthenextdayandthatofthepresentday
