基于BP神经网络的股票数据预测模型

杨利霞

+ z) z9 W" @: L$ S
/ ~3 b- B8 k5 u8 y9 ~* q基于BP神经网络的股票数据预测模型
: t' G* g8 L2 f
  P! a* j+ a# U: V- {/ Z8 i
4 a0 n& b7 |# `4 I7 q* Q
- f9 {$ [( f/ [/ Q: @
) {7 T( l& R* }5 L' ]6 O( e) J8 u  K! i需求分析和网络结构设计

根据我们对自然神经系统的构造和机理的认识，神经系统是由大量的神经细胞（神经元）构成的复杂的网络，人们对这一网络建立一定的数学模型和算法，设法使它能够实现诸如基于数据的模式识别，函数映射等带有“智能”的功能，这种网络就是神经网络。其中，BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差反向传播算法训练的多层前馈网络。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事先揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。是目前应用最广泛的神经网络模型之一。因此理解BP网络结构和权值调整算法对学习其他神经网络具有重要作用。

针对150组股票数据进行拟合（详细数据请见《附件1》），选取其中的开盘、最高、最低、收盘和成交次数五组数据，用当日的这五组数据来预测次日的收盘数据，从而等效建立一个股票数据预测模型。采用包括输入层、隐含层和输出层的三层BP网络结构，如图1所示，输入层包含五个神经元，隐含层包含三个神经元，输出层为一个神经元。其中，隐含层神经元的激活函数采用非对称型Sigmoid函数，函数表达式为：file:///C:\Users\ADMINI~1\AppData\Local\Temp\ksohtml8836\wps1.png，输出层神经元的激活函数采用线性函数，表达式为：file:///C:\Users\ADMINI~1\AppData\Local\Temp\ksohtml8836\wps2.png。将150组数据分为三等份，其中两份作为训练样本，用来对网络进行训练学习；另外一份作为测试样本，用来检验所训练出的网络的泛化能力。采用BP算法对隐含层和输出层权值进行修正，以达到计算输出和实际样本输出相差最小，最终实现较精确预测的目的。