BP神经网络在股票预测中的应用研究

BP神经网络在股票预测中的应用研究

姚培福 许大丹

(昆明理工大学 信息工程与自动化学院)

摘要：分析研究了BP算法，并提出了一些相应的改进措施。将改进的BP算法应用于股票数据分析，即利

用BP网络很强的非线性映射功能，模拟影响股票的相关因素与股票开盘价、收盘价之间的关系，建立了基于BP神经网络的股票预测系统。用2004年的沪市证券数据进行了验证，结果表明此方法不仅收敛速度快、预测精度高，而且具有一定应用价值。

关键词：BP算法；改进措施；非线性；股票预测；应用价值

1 引言

股票市场是一个十分复杂的非线性动态系统，易受政治形式、金融政策、公司状况和重大消息等多方面因素的影响。人们在长期实践和研究的基础上总结出一套股票预测方法，它们基本上是建立在统计基础上的，如移动平均线法、点数图法、K线圉法等，但传统的股票预测方法很难揭示其内在规律。神经网络作为一种新型空间映射手段，仅借助样本数据，就可以对系统实现由R空间到R空间的高度非线性映射。因此，作为一种强有力的用于非线性动态系统预测和建模的工具，神经网络可以很好地对股票价格的短期走势进行预测。本文采用BP神经网络对股票价格的短期走势进行分析研究。

[2]

n

m

[1]

传播两个阶段组成。正向传播时，数据信号从输入层

󰂍󰂍󰂍输出层 输入，经隐层处理后再从输出层输出。若输出层未能得到期望的输出则转入反向传播阶

󰂍󰂍󰂍󰂍󰂍󰂍图1 BP网络 隐层 输入层 段，将输出误差按某种形式沿网络反向传播，并按误差函数的负梯度方向不断地修正各层的连接权值和阈值，使得误差信号最终达到精度要求，从而实现输入输出的非线性映射。具体算法描述如下：

（1）正向传播阶段

① 输入结点的输入：Xj ② 隐结点的输出： yi=f(

∑W

j

ijXj+θi)

2 BP神经网络

人工神经网络是人脑的抽象，是由大量的神经元广泛连接并以其对各连接权值的分布来表示特定的概念和知识而组成的网络。人工神经网络具有学习能力、记忆能力、计算能力以及各种智能处理功能，它在不同程度和层次上模仿了人脑神经系统的信息处理、存贮及检索功能。人工神经网络的模型很多，目前用得最多且最成熟的是BP神经网络。标准的BP网络由三层神经元组成，分别为输入层、隐层、输出层，如图1。 2.1 BP算法描述

BP网络的算法由信号的正向传播和误差的反向

[3]

其中Wij为连接权值，θi为结点阈值。

③ 输出结点输出：Ol=f(

∑Ty+θ)

lii

l

j

其中Tli为连接权值，θl为结点阈值。

（2）反向传播阶段

沿着误差函数负梯度方向修改权值使网络收敛，输出层的权值修改∆Tli为：

∆Tli

=

∂E(t)

=−[Ol′(t)−Ol(t)]{[Ol(t)[1−Ol(t)]}yi(t) ∂Tli(t)

其中E(t)为误差函数，Ol′(t)为期望输出。

Tli(t+1)=Tli(t)−η∆Tli 所以修改后的输出层权值为：

其中η为步长经验值。

2006年第1期广东自动化与信息工程 7

同理求得隐层的权值修改

∆Wij=

∂E(t)

=−{yi(t)⋅[1−yi(t)]}⋅xj(t)⋅(

∂Wij(t)

l

∆Wij

为：

date−1

∑

δlTli) X'=i=0

∑X(n−i)'

date

X(t)=

X'(t)−X'

X

'

+0.5

其中δl为第l个节点为输出误差函数E(t)的灵敏度。

修改后的隐层权值为：Wij(t+1)=Wij(t)−η∆Wij 其中η为步长经验值。 2.2 BP算法的改进

BP算法在使用中存在两个重要的问题，即收敛速度慢，目标函数存在局部极小。在解决这两个问题时，本文主要采取以下措施：

1加快迭代收敛公式：为加快权值的修正，在迭○

3.3输出结点定义

人工神经网络输出结点数目为1，取股价变化趋势的阈值a=0选的一段时间涨跌的平均值；预测步长k=1。输出结点Y(t)定义如下：Y(t)=0时，预测股价在t+1开始的单日涨幅或跌幅不超过a，即预计处于下跌趋势；Y(t)=1时预计股价在t+1开始的单日内处于上涨趋势，上升幅度累计超过a。 3.4网络的其它参数确定

隐层结点数为6，结点作用函数为S函数，即

f(s)=

11+e−s代公式中，增加修正项，即Wij(k+1)=Wij(k)+ηδiXj+αWij(k)−Wij(k−1)。其中，α()；学习系数为0.7。学习时要求输出误差

称为松弛因子。

如果误差函数值下降，则α取大于1或更大的值(如α取1.7)；如果误差函数值不变或上升，则取0<α<1(如α取0.7)。

2修改作用函数： f(x)=○

预测时输出层的输出大于0.5判为1；小于或d≤0.1。等于0.5判为0。

3.5预测ST星源股票涨跌

已知2004年ST星源股票的历史数据见表1。

1+e−λ(x−θ)1

。θ是阈值，

表1原始数据

开盘价收盘价成交量 成交额 最高 最低涨跌幅

4.8 4.85 15985.0772.29 4.91 4.7 0.0232 4.9 4.85 14071.0688.71 4.95 4.81 0.0 4.84 4.82 9461.0 454.89 4.87 4.78 -0.00624.82 4.85 13225.0646.91 4.98 4.8 0.0062 4.84 4.82 6960.0 335.69 4.88 4.8 -0.00624.82 4.72 8753.0 418.12 4.85 4.71 -0.02074.7 4.67 10766.0498.36 4.73 4.5 -0.01064.67 4.71 11660.0553.56 4.81 4.63 0.0086 4.65 4.75 9631.0 453.08 4.8 4.61 0.0085 4.81 4.79 11204.0537.02 4.83 4.75 0.0084 4.79 4.85 12843.0622.78 4.9 4.79 0.0125 4.84 4.85 23241.01145.68 5.0 4.82 0.0 4.85 4.85 7781.0 375.54 4.88 4.8 0.0 4.85 4.89 13885.0676.64 4.92 4.83 0.0082 4.94 4. 91 17829.0879.24 4.99 4.88 0.0041 4.9 4.89 8119.0 446.0 4.95 4.85 -0.00414.91 4.83 8598.0 418.11 4.94 4.83 -0.01234.83 4.64 15336.0722.51 4.83 4.63 -0.03934.64 4.65 11005.0510.18 4.72 4.55 0.0022 4.6 4.6 8334.0 384.07 4.67 4.58 -0.01084.6 4.56 8565.0 393.47 4.63 4.56 -0.00874.56 4.47 12402.0559.14 4.59 4.45 -0.0197

θ>0时使S曲线沿水平右移。λ<1时，使S曲线变

3学习系数η的自适应调整，计算公式为○

得平缓。

E

η(n+1)=η(n)×

(n−1)。其中，n为迭代次数。当权值使EE(n)远离稳定点(偏大)时，学习系数η取较大值，而当接近稳定点时，η取较小值。

3 BP神经网络在股票预测中的应用

3.1 ANN输入结点的确定

股价走势呈波浪形式展开，具有周期性。技术分析中，分析周期的选择是否恰当，对预测结果有直接影响，通常技术分析周期采用5日、10日、20日等。由于时间、任务量及便于选择等原因，这里选择为1日，即date=1。 3.2数据的预处理

数据预处理是将从股市得到的数据转化为能被ANN识别的输入数据。设ANN从n日开始预测股价涨跌，股票最近已成交的原始数据序列

将2004年ST星源股票的历史数据按照3.2中的数据处理方法进行处理。建立三层模型：输入结点为开盘价、收盘价、成交量、成交额、最高和最低；输出结点为涨跌幅；学习误差为0.1。将处理后的数据作为训练样本导入数据库，运行系统得到网络连接权

{X(t)},{X(t)}为

'

处理后输入ANN的数据序列。作如下处理

8

姚培福 许大丹：BP神经网络在股票预测中的应用研究

值、阈值及预测样本的预测结果，分别见图2和图3。

图2 训练结果

图3 预测结果

4 结论

通过实例表明：利用改进的BP算法不仅解决了常用BP算法的问题，而且预测的精度更高。又通过验证分析股票预测系统，得出：该系统在输人数据选择恰当时，用于股票短期走势预测，结果令人满意；三层BP神经网络更适合股票市场的预测，更能反映长期数据的内在联系。因此该方法为股票数据分析提供了一种新的研究思路，能够为决策者提供有一定价

值的客观信息。 参考文献

[1] 龙建成,李小平. 基于神经网络的股票市场趋势预测.西安

电子科技大学学报,2005 (3): 460~463

[2] 董德耀.神经网络与计算智能. 杭州: 浙江大学出版

社,2002:105~126

[3] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清

华大学出版社,2000:182~224

[4] 蒋宗礼.人工神经网络导论. 北京:高等教育出版

社,2001:39~54

The Research in Stock Forecast Based on BP Neural Network

Yao Peifu Xu Dadan

（The Faculty of Information Engineering and Automation, KunMing University of Science and Technology）

Abstract: This paper analysis the BP algorithm, proposes some improved methods and make use of the BP network’s strong

functions to establish a stock forecast system. Finally, the testing results indicate that not only the convergent rate is quick, but also the forecast is precision.

Key words: BP Algorithm; Improved Methods; Nonlinear; Stock Forecast; Applied Value

作者简介：

姚培福，男，1981年出生，昆明理工大学硕士。主要研究方向：数据挖掘及人工神经网络的应用。

2006年第1期广东自动化与信息工程 9