股票價格的變化的受到多種因素的影響,單一的模型難以準(zhǔn)確的對其變化規(guī)律做出準(zhǔn)確的預(yù)測分析。本文以2019年6月24日—2020年4月28日間的比亞迪（SZ002594）股票價格作為研究樣本,通過兩種不同組合模型來分別進行訓(xùn)練樣本和預(yù)測股價的變化。結(jié)果表明基于BP-GM（1,1）模型的預(yù)測精度更高,對股價的動態(tài)分析能提供更有益的參考。 

【文章來源】：現(xiàn)代商貿(mào)工業(yè). 2020,41(26)

【文章頁數(shù)】：3 頁

【部分圖文】：

原始數(shù)據(jù)的自相關(guān)系數(shù)圖

圖1簡要展示了BP神經(jīng)網(wǎng)絡(luò)的建模過程�；疑A(yù)測模型和ARIMA模型一般適用于相對平穩(wěn)的數(shù)據(jù)集,BP神經(jīng)網(wǎng)絡(luò)可以處理非平穩(wěn)數(shù)據(jù)的分析預(yù)測。組合預(yù)測模型就是按照某種有效的方式,把2類模型結(jié)合得到新的預(yù)測模,從而來提高整體模型的分析能力和可靠程度�；疑A(yù)測模型和ARIMA模型對于非平穩(wěn)的數(shù)據(jù)的適用性就不太好,而BP神經(jīng)網(wǎng)絡(luò)它非常依賴于訓(xùn)練數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差和測試誤差會隨著層數(shù)的增加而增大。神經(jīng)網(wǎng)絡(luò)的損失函數(shù)一般不是凸函數(shù),在訓(xùn)練時有陷入局部極小值的風(fēng)險。

對原始數(shù)據(jù)的訓(xùn)練集首先進行自相關(guān)分析,然后偏自相關(guān)分析,參考圖6可以知道訓(xùn)練集的自相關(guān)圖為拖尾,確定q=0,訓(xùn)練集的偏自相關(guān)圖在1、3、4、11、15階時超出了虛線,通過運行代碼可知當(dāng)p=15時所得的AIC值最小為654.7。圖5 原始數(shù)據(jù)的自相關(guān)系數(shù)圖

【參考文獻】：
期刊論文
[1]時間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測中的分析[J]. 劉海玥,白艷萍.  數(shù)學(xué)的實踐與認識. 2011(04)

碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)模型的股票擇時研究[D]. 華宇.沈陽工業(yè)大學(xué) 2019
[2]基于R語言神經(jīng)網(wǎng)絡(luò)的匯率分析及預(yù)測[D]. 薛鑫.南京大學(xué) 2019
[3]基于BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測應(yīng)用研究[D]. 沈波.湖南大學(xué) 2010



本文編號：3479657