基于遗传神经网络的股市预测

发布时间：2020-09-14 17:18

　　随着经济的发展和人们投资意识的转变，股票已成为现代人生活中的一个重要组成部分，股票投资已成为社会公众谈论的中心之一，而股市的健康发展和繁荣也成为管理者和投资者关心和研究的重点。股票投资的收益与风险往往是成正比的，即投资收益越高，可能冒的风险越大。因此，股市预测方法的研究具有极其重要的应用价值和理论意义。但是股价系统内部结构的复杂性、外部因素的多变性决定了这项任务的艰巨性，而传统的预测工具已不能满足这种需要。本文在深入分析股票投资理论和股价预测方法的基础上，提出了利用神经网络进行股市建模的方法。股票市场是一个极其复杂的非线性动力学系统，而神经网络具有很强的非线性逼近能力和自学习、自适应等特性，实验证明，利用神经网络对股市建模可以取得比较不错的短期预测成果。根据股票市场高度非线性特点及基本BP算法在权值调整过程中存在的收敛速度慢、易陷入局部极小点的缺点，本文提出了一种遗传BP算法。遗传BP算法利用遗传算法进行全局搜索，注重搜索未知区域，处理速度快而对精度要求不高，不易陷入局部极小点，而利用BP算法搜索有最优点的区域，提高搜索速度和精度。理论分析和实验结果表明，神经网络用于股票市场的预测是可行和有效的，有着良好的前景，而遗传BP算法提高了速度和可靠性。通过大量的股市预测实验，本文研究了各种参数对于预测结果的影响，并提出了改进的方向。
【学位单位】：北京工业大学
【学位级别】：硕士
【学位年份】：2003
【中图分类】：TP183;F830.91
【部分图文】：

预测情况,学习步长

图 4.3 上证收盘指数的预测情况从预测结果看，所选用的网络结构可以比较理想的逼近上证收盘指数的运行情况，拟和相对误差小于 1%，预测相对误差 3.4%，正确趋势率在 90%以上，具有较高的精度。可见，神经网络经过大量和充分的训练，确实在外部形式上拟和了数据，在股市数据内部总结出了所蕴藏的变化规律。4.2.3 关于算法参数的实验1．学习步长的实验学习步长太小导致权的修改量非常小，因而使学习非常缓慢，这意味着过长的学习时间，而采用大的学习步长，虽然可以加快学习速度，但却可能导致在稳定点附近的持续振荡，难以收敛，所以步长的确定是一个很关键的问题。遗传算法参数：种群规模 15，变异概率 0.001，每代 BP 算法学习 5 次。

序列,预测结果,股票价格

2．回溯时间的实验回溯时间长短的选择问题是研究时间序列问题时都要遇到的问题。股市的变化是一个时间序列问题。任一时刻股票价格的变化都是前一段时间影响行情的各种因素共同作用的结果。因此，不论用传统的统计方法还是新兴的技术，在研究股票价格变化规律，预测价格变化动态时，都要选取前一段时股市数据进行研究。遗传算法参数：种群规模 15，变异概率 0.001，每代 BP 算法学习 5 次网络结构：采用三层神经网络，输入指标为收盘价、成交量和相对强弱回溯学习期为 N，隐层节点为 80 个，输出节点为 1 个，学习速率为 0.005。时间段：选择 2001 年 9 月 3 日至 2002 年 2 月 27 日之间的 109 天数据和年 2 月 28 日至 2002 年 5 月 21 日之间的 57 天数据为训练和检验集。样本学习结束的条件：（1）SSE＜0.01（2）遗传代数 2000 代我们分别选取回溯期为 5 天、10 天、20 天进行实验。

预测结果

回溯期为10天的预测结果

【相似文献】