# z2 H4 I: l; u2 v/ x( v* ?
4 Q2 b7 } [4 D: z% W
基于BP神经网络的股票数据预测模型" i" I9 P" M! x
: E) A0 s p- v
9 H& N4 m# c( ~3 H) k( K3 b" S5 t. J, [2 G& ?. H
8 f+ B* b$ C7 |. \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。 + @: ~2 j6 n2 Q# a7 A- y
" v/ [- ?# o8 r8 z
|