当前位置:首页 >> 信息与通信 >>

基于遗传神经网络的股票价格短期预测


基于遗传神经网络的股票价格短期预测
孙 全% 朱 江!
% (湖北大学数学与计算机科学学院, 武汉 CD""E! ) ! (华中科技大学经济学院, 武汉 CD""FC )

G=>/,0: H022I2*=J55K!ED#A2+
摘 要 该文在总结非线性时间序列预测模型的基础上,将遗传

算法和人工神经网络相结合,提出了遗传神经网络模

型。 并将其应用到股票价格的短期预测。 最后, 针对仿真结果进行分析, 该文得到的结果为平均相对误差小于 "#"LE , 实际 值与预测值之间的相关系数大于 "#M% 。结果表明该模型有较好的预测能力。 关键词 遗传算法 神经网络 股票价格 预测 文献标识码 ) 中图分类号 N8%LD

(!""! ) 文章编号 %""!=LDD%= "$="!DF="!

!"#$%&%’$( )$’*+,%+#- #. !%#,/ )$+,’ 012’* #3’-’%+, 4’5$16 4’%7#$/
!5- 851-9 :"5 ;+1-<= % ( O5002P2 5- Q/+R2>/+,.H /AS O5>I3+2* T.,2A.2 , U3V2, WA,X2*H,+Y, Z3R/A CD""E!) ! (O5002P2 5- G.5A5>,.H, U3/[R5AP WA,X2*H,+Y 5- T.,2A.2 /AS N2.RA505PY , Z3R/A CD""E!)
>?2%$1,%: NR,H I/I2* H3> 3I +R2 >5S20H 5A A5A0,A2/* +,>2 H2*,2H -5*2./H+,AP , /AS I*2H2A+H 5A2 >5S20 ./002S P2A2+,. A23*/0 A2+45*6, V/H2S 5A P2A2+,. /0P5*,+R> /AS /*+,-,./0 A23*/0 A2+45*6#NR2A /II0Y ,+ +5 +R2 I*2S,.+,5A 5- H+5.6 I*,.2, +R2 +*/,A2S >2/A *20/+,X2 2**5* 5- I*,.2 \"#"LE /AS +R2 +*/,A2S .5**20/+,5A .52--,.,2A+ ]"#M% R/X2 V22A /.R,2X2S#NR2 *2H30+H HR54 +R/+ ,- +R2 A2+45*6 ./A V2 4200 +*/,A2S 4,+R / H2+ 5- +*/S,AP S/+/, ,+ 4530S R/X2 H/+,H-/.+5*Y -5*2./H+,AP /V,0,+Y# @’A7#$*2: P2A2+,. /0P5*,+R>, A23*/0 A2+45*6 , H+5.6 I*,.2 , I*2S,.+,5A

%

引言
股票交易是现代经济活动中常见的风险投资活动, 与相对

遗传算法是一种利用自然选择和进化思想在高维空间中 寻优的方法, 在本质上讲, 它具有全局寻优的能力。 该文将遗传 算 法 与 )11 结 合 , 得到一种遗传神经网络模型, 并将它 应用 遗传神 到股票价格的短期预测。实验结果表明: 与 )11 相比, 经网络的预测能力有较大的提高。

安全但收入稳定的其它金融投资活动相比, 这是为了获得高收 益而主动承受高风险的投资活动。这种投机性的特点, 使股票 交易着眼于市场价格的涨落和供求关系的变化, 追求在贱买贵 卖中使资本增值, 以谋取短期高额收益。与追求稳定回报的长 期投资相比, 人们普遍认为其理性化程度较低, 不确定性因素 较大, 主要为 & 人气( 所左右。股票价 & 即买卖双方的供 求 情 况 ) 格是否具有可预测性呢? 关于这一点, 文献 ’%(进行了论证, 文章 指出: 股票价格是一组混沌数据, 具有规律性和拟随机性。于 是, 股市具有宏观上的可预测性, 亦有短期的可预测性。 从系统论的角度看, 股票价格的形成机制是一个非线性系 统, 具有高度的复杂性。 与传统的回归方法相比, 时间序列预测 方法是一好的选择。 但是传统的时间序列预测方法对非平稳状 态等难以识别。近年来,灰色模型及人工神经网络 ()*+,-,.,/0 模型用于非线性时间序列的预测较为引 123*/0 12+45*6, )11) 人注 目 , 它们的优点是: 不需要考虑计算统计特性, 在理论上, 能够适用于任何非线性时间序列建模。不足之处在于: 灰色模 型较适合于具有指数增长趋势的实际问题, 对于其他趋势则往 往拟合度过高, 其精度难以提高。 常用的是 78 算 )11 建模时, 法, 但 是 78 算 法 往 往 具 有 易 陷 入 局 部 极 小 点 , 而且收敛速度 慢的突出弱点, 从而影响了模型的建立和可靠性。

! 遗传神经网络模型 !#% 数据的预处理
根据量价理论 ’!(, 成交量是股市的元气, 它的变动直接表现 股市交易是否热烙, 人气是否旺盛, 而且体现了市场运作过程 中供给和需求的动态状况。 成交量的增加和减少表现出一定的 股票价格的走势。 为了预测股票价格的日收盘价, 历史数据是由 (成交量, 收 盘价) 构成的时间序列, 即 ! 9:; ("9 %, , ("9 !, , …, ( "$ % , #9 %) #9 !) 显然, 需要进行规范化, 设 #$%) <。 ! 9不能直接作为 )11 的输入, ("%, , ("!, , …, ("%, ! :; #%) #!) #%) <为 规 范 化 之 后 的 时 间 序 列 。 这 里, ( "$& " & ’’ "$& = ( #$& @ @ "$& ) B"#$( B( % , # & ’’ #$& = >,A% ()*! >/?!

()*%

>/?%

#$& ) …, B"#$(B(! 。 &:% , !, % >,A!
其中 ()*% , >/?% , >,A% 分别代表成交量的平均值,最大值, 最小值。()*! , 最大值, 最 >/?! , >,A! 分别代表收盘价的平均值,

作者简介: 孙全, 硕士, 研究方向: 人工神经网络, 遗传算法, 粗集。朱江, 硕士, 研究方向: 证券投资学, 计量经济学。

计算机工程与应用

!""!#"$ !DF

小值。 !* , !! 是比例因子。

!#!

神经网络模型
为了对股票日收盘价作一步预测, 采用多输入单输出前馈

"为 网 络 的 实 际 输 出 (G1* , 为导师信号, 这里, $5 !, ### , E) $ 5
值 (由公式 (% ) 计算) 。 (! ) 交叉: 在 当 前 代 中 随 机 选 择 两 个 DEE 的 隐 神 经 元 , 分 别交换它们的输入和输出权值, 由此生成两子代个体。 (+ ) 变异: 在 当 前 代 中 随 机 选 择 DEE 的 一 个 神 经 元 , 将其 权 - 值增加, 其中是 (,"#* , 上服从均匀分布的随机值。 "#* ) (% ) 用 标 准 56 算 法 对 当 前 代 中 DEE 进 行 学 习 , 56 训 练 : 共学习某一规定次数, 关于 56 算法的详细介绍请见文献 B%C 。 综上所述, 遗传 56 算法可描述如下: 将网络的权值分别用实数表示; <# 编码: 随机地产生 ’ 个权值矩阵构成 初 始 种 群 , H# 初始化种群: 每个矩阵代表一个待训练的 DEE ; 对每个神经网络以前向方式运行, 由公式 ($ ) 计 9# 评 价 : 算评价函数值, 并保留最优个体;

神经网络, 拓扑结构见图 * 。

图*

多输入单输出前馈神经网络的结构

依次进行选 择 , 交叉, 变异, 保留最 A# 遗传操作: 56 训 练 , 优个体, 并计算评价函数值。若误差达到指定的精度, 则转 2# , 否则, 转 A# ;

对图 * 各层详细说明如下: 输入层: ( , ("#%*, , …, ("#%&, , ("#%’, (* ) - "# , $# ) $#%*) $#%&) $#%’) .构 成输入值, (第 /0* 天的收盘价与前 / 天的 (成 $#%’%* 为导师信号 … *$., 即输入层有 *" 个 交量, 收盘价) 相关) 。取 # 1-* , !, ’1$ , 神经元。 中间层: 第 ( 个神经元的输入表示为 (! )


2# 结束。

+

仿真实验
取 上 海 石 化 !""" 年 ) 月 * 日 至 ) 月 !& 日 的 收 盘 价 和 成

预测后来连续 ( 天的收盘价。在 I8JK<@ L00) 交量为样本集 B$C, (* ) 上编程实现, 当收敛精度达 "#"* 时, 得到如下表的结果:
实际值 预测值 误差值

("#%& ,-( , ) ’)*(+! ? ? ! &.* %$#%& ,-( , ! &
& + *

%#&% %#(( ,"#")

%#’% %#)( ,"#")

%#(! %#&+

%#’& %#(%

%#’) %#’! ,"#"%

$#" $#"+

$#"( $#"%

$#* $#"’ "#")

其 中 -( , 表 示 输 入 层 的 第 !? (即 "#%&) 与中 &.* 个 神 经 元 ? ! &.* 表示输入层的第 间层的第 ( 个神经元之间的连接权值, -( , !?& (即 $#%&) 与中间层的第 ( 个神经元之间的连接权 !?& 个 神 经 元 值, 第 ( 个神经元的输出表示为 (’)*( ) (! ) / (+0 … *"., 即中间层有 *" 个神经元。 中间层与输 这里, ( 1-* , !, 出层的激活函数取为 (," ) ( 0 ") 1 *,234 (," ) *0234 (+ ) 输出层: 输出层只有一个神经元, 其输出表示为
*"

"#** "#"$

"#"+ ,"#"%

实际值与预测值之间 的 相 关 系 数 M 是 判 断 预 测 成 功 与 否 说明实 际 值 的重要标准。通常, 当 M 在区间 B,* , 0*C 内变化时, 与预测值之间的误差是随机的, 否则, 说明存在必然性误差, 即 实际值与预 系统偏差, 预测是失败的。当 M 取值 越 接 近 于 0* , 实际值与预 测值之间的正相关性越强, 当 M 取值 越 接 近 于 ,* , 实际值与预测值之 测值之间的负相关性越强, 当 M 等于 " 时, 间没有相关性。 M 的定义为: 6+

(+ )

!"$ ! % "" ,!$$
’ &

(! (/ ( ,2 ( ) ) 1+0
( 1 *

(% )


其中 2( 表示中间层的第 ( 个神经元与输出层神经元之间 的连接权值。

其中 !"$+

!" ,$ .
& & & + *

!" &
& + *



&

!$ $&
,
& + *



$! +!" .


; ""

! &

!" &
& + *



&

$

!

& + *





!#+

遗传 56 算法
遗 传 算 法 是 由 美 国 789:8;</ 大 学 =#>#>?@@</A 于 !" 世 纪

这里 ’ 为预测值的数目, ( …, 是实际值, ( " !, ’) $ & &+* , & &+* , …, 是预测值。 !, ’) 该 文 的 相 关 系 数 M 为 "#&* , 平 均 相 对 误 差 为 "#"() 。 结 果 表明实际值与预测值之间的正相关性较强, 因而具有较高的预 测精度。

)" 年代提出的一种自适应优化搜索算法。关于遗 传 算 法 及 其 详细操作请见文献 B+C。 由大量应用知道遗传算法有很强的全局 寻优能力, 而 56 算法则能够 局 部 寻 优 。 该 算 法 则 结 合 两 者 的
优点,既利用遗传算法的全局寻优能力防止陷入局部极小, 又 依 赖 56 算 法 的 局 部 寻 优 能 力 保 证 有 限 次 搜 索 后 找 到 全 局 最 优解。 该文将 56 算法与遗传算法相结合,即将 56 算法作 为 遗 传算法的遗传算子。遗传 56 算法算子描述如下: 选择: 根据 DEE 的适应值在当前代中随机选择可为父 (* ) 本的个体。其适应值 (又称为评价函数值) 的计算公式表示为
4 !

%

结束语
该文分析了遗传算 法 和 56 算 法 的 优 缺 点 , 在此基础上建

将此模型用于股 立了基于遗传 56 算法的遗 传 神 经 网 络 模 型 , 票价格的短期预测。仿真结果表明: 如果提供的数据能够被本 模型训练成功,那么它能够拟合股票价格时间序列的内部规 该文的 律, 能够对股票价格的短期走势进行预测。 与文 B)C 相比, 结果有更好的预测精度, 实际值与预测值有更好的相关性。总 之, 该模型有较好的实际应用价值。 (收稿日期: !""* 年 ! 月) (下转 !$! 页)

".$ 0+ * ; 31 * F! # $ 30* ! 5+* 5 5 !+( !""!#"$

$

($ )

计算机工程与应用

抽取出来形成数据模型。通过对新航 ):: 的决策主题的分析, 笔者认为采用星型模式建立数据仓库比较合适。 以 “飞行成本” 主题为例, 如图 7 所示。

境, 可以自动建立树型视图来实现主题的树形显示, 还可以建 立各种图表, 如直方图, 饼图、 曲线图等, 如图 G 所示。 (’ ) 执行 “按 年 统 计 ” : 在右面的数据窗口中显示航线收益 情况, 横坐标是年度, 纵坐标是航线收益值 (比例) 。 决策者可以 直观地了解到当前年度不同机型的收益情况。 执行 “按 月 统 计 ” : 在右面的数据窗口中显示航线收益 (! ) 情况, 横坐标是月度, 纵坐标是航线收益值 (比例) 。 决策者可以 直观地了解到当前月度不同机型的收益情况。 另外, 各个航线之间还可进行对比分析。

$
图 7 “飞行成本” 主题星型图

结束语
该文结合新疆航空公司信息管理的实际, 给出了一种利用

数据仓库技术及其工具, 设计和实现新疆航空公司决策支持系

,#!

联机分析处理的实现
新 航 ):: 的 ;<=> 既 可 以 使 用 :?3@A2 的 >5.2B)0621C

统的方案,将数据仓库技术引入民航信息化管理领域。新航 大大减少人工干预, 为决 ):: 可 以 统 一 公 司 管 理 信 息 的 采 集 , 策者提供多种预测、 分析、 计划优化的功能, 有效地提高公司在 市场的竞争力。 文章所介绍的设 计 和 实 现 新 航 ):: 的 方 案 具 有 一 定 的 通 用性, 可用于其他航空公司 ):: 的实现。 (收稿日期: !""" 年 ’! 月)

也可以使用 D5E15A 的 >5.2B>F@? 。这些快速、 可扩展的联 A051A, 机分析工具可以提供业界最新的 ;<=> 解决方案, 可以提供快 速灵活的多维模型建立和分析。 业务分析人员希望通过利用数 据仓库中的数据作一些复杂分析 (!*。 利用这些工具, 可以快速建 立起新航 ):: 的多维数据模型, 直接访问数据仓库中的数据。

参考文献
孔繁胜, 楼伟忠 # 数据仓库与知识发现 (8*# 计算机工程与应用, ’# 楼伟进, (’" ) : !""" ; %7 ’’’9’’% 段志华 # 商业销售分析数据仓库的数据可视化的一种设计 (8*# !# 孟志青, 计算机工程与应用, (’" ) : !""" ; %7 ’!"9’!’

%#国家信息中心北京优信佳信息系统有限公司#D5E15A 查询与报表和多
维分析工具 (L*# 计算机世界, ’++& : ’!#’, 杨俊杰 # 基于数据仓库技术和 ;<=> 的决策支持系统 (8*# 计算 ,# 郭朝珍, 机系统应用, (% ) !""" ;

$# 黄梯云主编 # 管理信息系统 (-*# 经济科学出版社, ’++G
图G 新航 ):: 数据树型显示示例

’++& 7# 吴洁明 #>5.2BJI0FK2B 7#" 应用与开发 (-*# 清华大学出版社,

利 用 H0AI@F J@A04$#" 或 >5.2BJI0FK2B7#$ 图 形 化 的 开 发 环

(上接 !%& 页)

康立山, 陈毓屏著 # 演化计算 (-*# 北京: 清华大学出版社, %# 潘正君, ’++& 清华大学出版社, ,#袁曾任编著#人工神经元网络及其应用(-*#北京: ’+++

参考文献
’# 王志强 # 混沌理论与经济学 ()*# 硕士学位论文 # 天津大学, ’++,
蔡红宇编著 # 中国股市实证技术分析指南 (-*# 北京: 中国人民大 !# 杨健, 学出版社, ’+++

$#...#/01.23#456
马大军, 李元熹 # 神经元网络在股价预测中的应用 (8*# 系统工程 7# 徐迪, (’’ ) : 理论与实践, ’++& ; ’& ’’’9’’7

!$! !""!#"$

计算机工程与应用


相关文章:
基于神经网络的股票价格走势预测及其MATLAB实现——论文
基于神经网络的股票价格走势预测及其MATLAB实现——论文...单变量模型对于短期预测具有良好的效果,但需要大量...股票预测论文:遗传算法... 7页 免费 基于RBF神经网络...
股票预测论文:遗传算法优化的BP神经网络在股市预测中的应用
股票预测论文:遗传算法优化的BP神经网络股市预测中的应用_经管营销_专业资料。...但股市是一 个复杂的多变量非线性动态系统,传统方法对股市短期价格走势的预 测...
基于Bp神经网络的股票预测
神经网络,研究基于历史数据分析的股票预测 模型,同时,对单只股票短期收盘价格的...因此,可以尝试使用 RBF 和遗传算法等其他方式建立组合 模型,提高模型预测的准确...
股票价格预测模型研究
神经网络、支持向量机、遗传算法、信号理论,粗集算法等, 在计算技术层面上对...覃思乾(2006)应用灰色 gm(1,1)模型对股票价格进行短期预测,并与 arima 模型...
基于PCA-BP 神经网络的股票价格预测
0.13 3.46 3.28 0.18 图2 预测的误差分析 从表 2 中我们看到预测的结果与实际值偏差较小 ,所以 PCA-BP 的神经网络对于股票价格的短期预测还是较为准 确...
对前馈型神经网络股价预测的一点改进-咸宁学院
「2」 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...一种基于 RBF 神经网络的股市预测建模方法,采用遗传算法训练 RBF 网络的参数、...
基于神经网络与模糊数学的个股短期预测研究
股票价格短期预测的LM遗传... 11人阅读 4页 2.00元 基于神经网络的马尔科夫...基于神经网络与模糊数学的个股短期预测研究 【摘要】本文分析了基于 bp 神经网络...
【源代码3】该代码为基于遗传算法神经网络的预测代码
【源代码3】该代码为基于遗传算法神经网络的预测代码_计算机软件及应用_IT/计算机_专业资料。目录 基于遗传算法神经网络的预测代码 ...目录 基于遗传算法神经网络的...
基于时间序列分析的股票价格短期预测与分析
基于时间序列分析的股票价格短期预测与分析_金融/投资_经管营销_专业资料。数学建模...另外还有时间序列分析法、灰色预测法、神经网络预测法等方法。 通过比较得出,基本...
毕业论文_基于RBF神经网络的股票走势预测模型
统计资料,来研究股票市场未 来的变动,以期寻找合适的投资对象和时机,获取短期...K 线组合分析理论的股票风险测度以及基于遗传神经网络的 股票价格指数预测进行了...
更多相关标签:
股票预测之bp神经网络 | 神经网络 股票预测 | bp神经网络股票预测 | 卷积神经网络预测股票 | 深度神经网络预测股票 | 用神经元网络预测股票 | 神经官能症遗传 | 坐骨神经痛遗传吗 |