两类组合BP神经网络模型在股价预测中的应用

发布时间：2021-11-06 10:19

　　股票价格的变化的受到多种因素的影响,单一的模型难以准确的对其变化规律做出准确的预测分析。本文以2019年6月24日—2020年4月28日间的比亚迪（SZ002594）股票价格作为研究样本,通过两种不同组合模型来分别进行训练样本和预测股价的变化。结果表明基于BP-GM（1,1）模型的预测精度更高,对股价的动态分析能提供更有益的参考。 

【文章来源】：现代商贸工业. 2020,41(26)

【文章页数】：3 页

【部分图文】：

原始数据的自相关系数图

图1简要展示了BP神经网络的建模过程。灰色预测模型和ARIMA模型一般适用于相对平稳的数据集,BP神经网络可以处理非平稳数据的分析预测。组合预测模型就是按照某种有效的方式,把2类模型结合得到新的预测模,从而来提高整体模型的分析能力和可靠程度。灰色预测模型和ARIMA模型对于非平稳的数据的适用性就不太好,而BP神经网络它非常依赖于训练数据,神经网络的训练误差和测试误差会随着层数的增加而增大。神经网络的损失函数一般不是凸函数,在训练时有陷入局部极小值的风险。

对原始数据的训练集首先进行自相关分析,然后偏自相关分析,参考图6可以知道训练集的自相关图为拖尾,确定q=0,训练集的偏自相关图在1、3、4、11、15阶时超出了虚线,通过运行代码可知当p=15时所得的AIC值最小为654.7。图5 原始数据的自相关系数图

【参考文献】：
期刊论文
[1]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍.  数学的实践与认识. 2011(04)

硕士论文
[1]基于BP神经网络模型的股票择时研究[D]. 华宇.沈阳工业大学 2019
[2]基于R语言神经网络的汇率分析及预测[D]. 薛鑫.南京大学 2019
[3]基于BP神经网络的股价预测应用研究[D]. 沈波.湖南大学 2010



本文编号：3479657