【摘要】：自股市誕生之日起,國內(nèi)外眾多學(xué)者紛紛投身于研究股票市場中,并且提出了很多相應(yīng)的股票價格的預(yù)測方法。然而股價會受到宏觀經(jīng)濟環(huán)境、相關(guān)行業(yè)情況和公司經(jīng)營情況等眾多因素所影響。并且影響股價波動的因素之間往往是存在非常復(fù)雜的非線性關(guān)系,這些內(nèi)部因素和外部因素的多變性導(dǎo)致了股價預(yù)測的工作變得非常艱巨。本文是在深入分析各種股價預(yù)測方法后結(jié)合人工智能這一熱點,使用了 BP神經(jīng)網(wǎng)絡(luò)方法對股價進行預(yù)測并且通過matlab程序?qū)崿F(xiàn)。BP神經(jīng)網(wǎng)絡(luò)具備自學(xué)習(xí)和非線性逼近能力,這正好可以解決影響股價因素之間的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)能夠?qū)善钡臍v史數(shù)據(jù)進行學(xué)習(xí),從而找出股市的內(nèi)在運行規(guī)律,并預(yù)測出股票價格的未來走勢。然而其自身還存在一些缺陷,比如說輸入數(shù)據(jù)可能存在數(shù)據(jù)冗余的問題,很難尋找到全局最優(yōu)值,往往是局部最優(yōu),并且還存在訓(xùn)練速率較慢等問題。因此本文在針對BP神經(jīng)網(wǎng)絡(luò)的缺陷問題運用了一種優(yōu)化辦法,可以改善其自身缺陷。首先對輸入樣本數(shù)據(jù)用主成份分析法進行降維處理,一方面可以避免數(shù)據(jù)之間的冗余性,另一方面還可以減少數(shù)據(jù)輸入的維度,提高算法的運行效率;然后針對于BP神經(jīng)網(wǎng)絡(luò)易陷局部最優(yōu)的問題,使用GA算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值;最后本文選擇的樣本數(shù)據(jù)是滬深300股指日數(shù)據(jù),時間跨度為2010年4月16日至2017年9月7日,通過matlab仿真實驗確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與隱含層的節(jié)點數(shù)并且確定相應(yīng)的參數(shù),對股票的價格進行預(yù)測,輸出網(wǎng)絡(luò)預(yù)測值、實際值與預(yù)測值的均方誤差和相對誤差百分比。通過matlab仿真實驗結(jié)果可以證明,通過主成份分析法和遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更為準(zhǔn)確,并且模型更具穩(wěn)定性,將該模型用于股價預(yù)測是可行有效的。尤其是對于在股票市場進行股票投資的中小投資者而言,可以作為一種行之有效的股價預(yù)測方法輔助他們進行投資,為他們盡可能的降低風(fēng)險,提高收益。
【圖文】：

神經(jīng)網(wǎng)絡(luò)通常分為人工神經(jīng)網(wǎng)絡(luò)和生物神經(jīng)網(wǎng)絡(luò)。前者是指模擬動物神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型。后者一般指生物的大腦神經(jīng)元，細(xì)胞，觸點等組成的網(wǎng)絡(luò)。以下部分將會詳細(xì)闡述二者之間的聯(lián)系與區(qū)別。2.2.1 生物神經(jīng)元與人工神經(jīng)元因為人工神經(jīng)元是建立在生物神經(jīng)元的基礎(chǔ)之上，因此為了更加深入理解人工神經(jīng)元，前提是熟悉生物神經(jīng)元。生物神經(jīng)元又被稱為神經(jīng)元，它是生物神經(jīng)的基本單位。生物神經(jīng)元的突起是細(xì)胞體的延伸部分，根據(jù)其形態(tài)與功能來劃分為樹突與軸突。細(xì)胞體與軸突和樹突共同組成了生物神經(jīng)元。生物神經(jīng)元結(jié)構(gòu)如圖 2-1 所示。神經(jīng)元間相互接觸的地方被稱之為突觸，可以很直觀的看到，說突觸位于一個神經(jīng)元的神經(jīng)終端同另外一個神經(jīng)元的樹突相連接的地方。人類大腦大約由超過一千億的生物神經(jīng)元所構(gòu)成的神經(jīng)網(wǎng)絡(luò)。神經(jīng)元與神經(jīng)元之間消息的傳播與處置被認(rèn)為電化學(xué)過程。當(dāng)受到外部的刺激時，電化學(xué)活動的過程則是從樹突到軸突，軸突到神經(jīng)末梢，然后到下一個神經(jīng)元。因此神經(jīng)網(wǎng)絡(luò)通常被認(rèn)為是一個多入單出非線性動態(tài)系統(tǒng)。

2 相關(guān)概念與理論基礎(chǔ)用的不同將其分為輸入層、隱含層和輸出層，，這個在前文絡(luò)中體現(xiàn)出的作用，也可以對分層網(wǎng)絡(luò)進一步細(xì)分。而連兩個神經(jīng)單元間都是可以相互連接的。提到過 BPNN 最重要的特點是信號正向傳遞，誤差反向傳與前一層神經(jīng)元相互聯(lián)系，神經(jīng)元間不進行反饋。神經(jīng)網(wǎng)絡(luò)之前，需要先了解單層前向傳播網(wǎng)絡(luò)，其結(jié)構(gòu)示
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP183;F832.51

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 冉楊帆;蔣洪迅;;基于BPNN和SVR的股票價格預(yù)測研究[J];山西大學(xué)學(xué)報(自然科學(xué)版);2018年01期

2 張萌;;信息沖擊、非理性投資與股市聯(lián)動——基于滬深市場交易數(shù)據(jù)的實證檢驗[J];南方金融;2017年02期

3 侯維磊;劉力軍;崔晶娜;;基于GRA-PCA-GA-BP網(wǎng)絡(luò)模型的鐵路貨運量預(yù)測分析[J];鐵道貨運;2017年01期

4 吳玉霞;溫欣;;基于ARIMA模型的短期股票價格預(yù)測[J];統(tǒng)計與決策;2016年23期

5 曹博;白剛;李輝;;基于PCA-GA-BP神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測分析[J];中國安全生產(chǎn)科學(xué)技術(shù);2015年05期

6 肖yN平;劉新衛(wèi);張威;;基于非負(fù)權(quán)重最優(yōu)組合預(yù)測的股價預(yù)測研究[J];統(tǒng)計與決策;2013年18期

7 蘇治;傅曉媛;;核主成分遺傳算法與SVR選股模型改進[J];統(tǒng)計研究;2013年05期

8 趙建;霍佳震;;基于遺傳算法的量化投資策略的優(yōu)化與決策[J];上海管理科學(xué);2011年05期

9 蔡紅;陳榮耀;;基于PCA-BP神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測研究[J];計算機仿真;2011年03期

10 歐陽金亮;陸黎明;;綜合改進BP神經(jīng)網(wǎng)絡(luò)算法在股價預(yù)測中的應(yīng)用[J];計算機與數(shù)字工程;2011年02期

相關(guān)博士學(xué)位論文 前1條

1 全志勇;幾類神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性及非線性逼近性的研究[D];湖南大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 石茜子;基于BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測模型應(yīng)用分析[D];暨南大學(xué);2017年

2 白凱敏;神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)在量化投資中的應(yīng)用[D];山東大學(xué);2016年

3 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

4 單玉隆;ARIMA模型與遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在GDP預(yù)測中的應(yīng)用[D];蘭州大學(xué);2014年

5 趙晨;動態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預(yù)測中的應(yīng)用[D];復(fù)旦大學(xué);2014年

6 喬建偉;BP神經(jīng)網(wǎng)絡(luò)在股票投資分析中的應(yīng)用[D];電子科技大學(xué);2013年

7 汪敏;建立在中國股市的數(shù)量化投資模型實證分析[D];復(fù)旦大學(xué);2013年

8 劉海s

本文編號：2656760