（企业管理专业论文）人工神经网络在股市预测中的应用研究.pdf

摘要 股票市场作为一个高风险高收益的投资领域，其运作是一个复杂的非线性系统，容 易受到多方面的影响。在这个领域，投资者为了追求投资收益的最大化和投资风险的最 小化，不断地探索其内在规律，寻找其有效的分析方法和工具。因此，股票预测方法的 研究具有极其重要的理论意义和应用价值。 股票市场具有很强的随机性和非线性，而人工神经网络是一个非线性的动态系统， 可在任意精度内实现变量间的非线性关系的映射，具有良好的自适应、自学习能力和良 好的泛化能力，神经网络的这种特性能够满足股市预测要求。试验证明，利用神经网络 对股市建模可以取得比较好的预测效果。 本文基于神经网络的系统建模方法，构建了股票价格预测模型，应用神经网络进行 股票价格的实际值的预测，并应用实例验证了模型的可行性和有效性。本文在建模过程 中，将l e v e n b e r g m a r q u a r d t 算法和试凑法相结合，有效地解决参数选择难的问题，和 同类算法相比，提高了运算速度和精确度。 本文对人工神经网络在投资预测上的优缺点得出了一些有价值的结论： 1 人工神经网络可以实现较精确的预测。人工神经网络可以模拟技术分析和基本分 析，也可以将技术分析与基本分析相结合，进行综合分析。 2 人工神经网络模型在建立过程中，自动化程度相对较高，许多内部过程可以自动 完成。 关键词：人工神经网络：股票；预测；m a t l a b a b s t r a c t a sa l li n v e s t m e n tf i e l dw i t hh i g hr i s ka n dh i g hp r o f i t ，t h eo p e r a t i o no ft h es t o c km a r k e t i sac o m p l e xa n dn o n l i n e a rs y s t e m ，a n di tc a ne a s i l ya f f e c t e db yv a r i o u sa s p e c t s i nt h i sa r e a ， i n v e s t o r st r yt h e i rb e s tt om a x i m i z et h ei n v e s t m e n tr e t u r n sa n dm i n i m i z et h ei n v e s t m e n tr i s k s ， a n de x p l o r ei t si n h e r e n tl a w sp e r s i s t e n t l y , t h e nl o o kf o rt h ee f f e c t i v ea n a l y s i sm e t h o d sa n d t o o l s t h e r e f o r e ，t h er e s e a r c ho fs t o c kp r e d i c t i o ni se x t r e m e l yi m p o r t a n t ，m e t h o d sh a sg r e a t t h e o r ys i g n i f i c a n c ea n da p p l i c a t i o nv a l u e t h es t o c km a r k e th a sh i g hr a n d o m n e s sa n dn o n - l i n e a r i t y , a n dt h ea r t i f i c i a ln e u r a l n e t w o r ki san o n l i n e a rd y n a m i cs y s t e m ，i tm a yr e a l i z et h ev a r i a b l en o n l i n e a rr e l a t i o n s m a p p i n ga m o n gv a r i a b l e si n t h ef r e ep r e c i s i o n ，a n di th a sg o o ds e l f - a d a p t a t i o n ，l e a r n i n g a b i l i t ya n dg o o dg e n e r a l i z a t i o na b i l i t y , i tc a l lm e e tt h er e q u i r e m e n to ft h ep r e d i c t i o nt ot h e s t o c km a r k e t 。t h et e s ts h o w st h a tm o d e l i n gt h es t o c km a r k e tw i t ht h en e u r a ln e t w o r km e t h o d c a no b t a i nb e t t e rp r e d i c t i o nr e s u l t b a s e do nt h em o d e l i n gm e t h o d sw i t hn e u r a ln e t w o r ks y s t e m ，t h et e x tb u i l d sas t o c k p r i c ef o r e c a s t i n gm o d e l ，a n du s e st h en e u r a jn e t w o r kt op r e d i c tt h ea c t u a lv a l u eo ft h es t o c k p r i c e ，a n dv e r i f i e st h ef e a s i b i l i t ya n dt h ev a l i d i t yo fm o d e lt h r o u g he x a m p l e s d u r i n gt h e m o d e l i n gp r o c e s s ，t h i sa r t i c l et r i e st oc o m b i n i n gt h el e v e n b e r g m a r q u a r d ta l g o r i t h m sa n d e x a m i n a t i o na r i t h m e t i c ，a n dc a ns o l v et h ep r o b l e mo fp a r a m e t e r ss e l e c t i o ne f f e c t i v e l y , c o m p a r i n gt os i m i l a ra l g o r i t h m s ，a n di ti m p r o v e st h ec o m p u t i n gs p e e da n da c c u r a c y t h et e x th a sd r a w ns o m ev a l u a b l ec o n c l u s i o n so nt h ea d v a n t a g e sa n dd i s a d v a n t a g e st o t h ea r t i f i c i a ln e u r a ln e t w o r ki nt h ei n v e s t m e n tp r e d i c a t i o n 1 t h ea r t i f i c i a ln e u r a ln e t w o r kc a na c h i e v em o r ea c c u r a t ef o r e c a s t s a r t i f i c i a ln e u r a l n e t w o r kc a nn o to n l ys i m u l a t et e c h n i c a la n a l y s i sa n df u n d a m e n t a la n a l y s i s ，b u ta l s ou n i f i e s t h et e c h n i c a la n a l y s i sa n dt h eb a s i ca n a l y s i s ，c a r r i e so nt h eg e n e r a l i z e da n a l y s i s 2 i nt h ec o u r s eo fs e t t i n gu pt h ea r t i f i c i a ln e u r a ln e t w o r km o d e l ，t h ea u t o m a t i ci n t e n s i t y i sr e l a t i v e l yh i g h ，a n dal o to fi n t e r n a lc o u r s ec a nb ef i n i s h e da u t o m a t i c a l l y k e yw o r d s ：a r t i f i c i a ln e u r a ln e t w o r k s ：s t o c k ；p r e d i c t i o n ；m a t l a b i i 湖北大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所 取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任 何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的 法律后果由本人承担。 学位论文使用授权说明 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即： 按照学校要求提交学位论文的印刷本和电子版本；学校有权保存并向国家有 关部门或机构送交论文的复印件和电子版，并提供目录检索与阅览服务：学校可以 允许采用影印、缩印、数字化或其它复制手段保存学位论文；在不以赢利为目的的 前提下，学校可以公开学位论文的部分或全部内容。( 保密论文在解密后遵守此规 定) 作者签名 指导教师 日期：珈3 f 五占 日期：础、玷 第1 章绪论 第1 章绪论 1 1 本研究的背景与选题的意义 金融市场被形象地比喻成一个国家的晴雨表和体温计。金融市场的变化直接反应了 一个国家的经济动态。金融市场中的股票市场最具有代表意义。股票市场作为一个高风 险高收益的投资领域，其运作是一个复杂的非线性系统，容易受到多方面的影响。在投 资领域，投资者为了追求投资收益的最大化和投资风险的最小化，不断地探索其内在规 律，寻找其有效的分析方法和工具。 各方对股票市场未来行情的预测成为一个热门的研究课题。中国的股票市场是一个 新兴加转轨的市场，本身具有成立时间短，制度不完善，不稳定的特征。在学术领域， 投资预测的研究方法以较为传统的统计理论为主。人工神经网络是一个非线性的动态系 统，理论上可在任意精度内实现变量间的非线性关系的映像，具备解决非线性问题能力、 网络自学习能力和系统拟合能力。因此，神经网络的这种特性能够较好地满足经济预测 的要求。 在信息不对称和信息不完全的条件下，股票市场的数据不能完全有效地反应市场的 行为。利用人工神经网络的非线性及动态的特点，可以逼近股票价格随时间变换的这种 函数，从而可以应用神经网络对股票市场的交易进行模仿和学习。本研究尝试应用神经 网络的理论，构建基于神经网络的模型，分析中国股票市场的内在规律，预测中国股票 大盘指数的走势。 选题的意义 ( 一) 理论意义：拓展了金融时间序列预测理论和预测方法。大部分传统的预测模 型是基于线性理论，基于向量的预测，属于线性预测工具，对数据的特性要求比较高， 大部分模型只适用于短期预测，并且预测的精度有限。神经网络模型是基于非线性理论， 该方法是基于矩阵的预测，在数据的选取方面，没有太多限制。神经网络的鲁棒性( 指 容错性和稳定性) 可以消除大部分的随机性因素，降低噪声，在一定程度上可以提高预 测的精度。金融证券市场是一个高度的非线性和随机性市场。随着非线性理论和非线性 工具的发展，神经网络为探索金融市场规律研究找到了一条新途径。 ( 二) 现实意义：有利于挖掘金融证券市场的内在规律和走势，为相关人员提供决 策依据。证券市场具有很强的时效性，且受多种因素的影响，很多因素是无法用数据精 湖北大学硕士学位论文 确表示。本文尝试应用神经网络技术于大盘指数的走势预测，为先关人员提供一种思路 与方法。人工神经网络既可以模拟技术分析和基本分析，又可以将技术分析和基本分析 相结合，进行综合分析。此外，人工神经网络可以集成在软件中，帮助投资者进行决策， 实现收益的最大化和风险的最小化。 1 2 国内外研究现状 股票市场作为高风险高收益的投资领域，一直倍受投资者的关注，国内外的研究者 先后提出了一系列的定价理论和投资组合模型，一些研究者将计量统计方法应用于股市 建模，如多元回归、a r m a 以及g a r c h 等时间序列预测模型。虽然这些理论极大地 开阔了投资者的投资理念及加深了对风险和收益的辨证理解，但对实际操作却缺乏明确 的指导：对于如何寻找满意的套利组合却没有明确的方案。 在7 0 年代和8 0 年代对各种时间序列预测模型进行了大量的实证研究，将预测目标 的历史资料按照时间的顺序排列成为时间序列，然后分析它随时间的变化趋势，外推预 测目标的未来值。这样，就把影响预测目标变化的一切因素由“时间 综合描述。自 2 0 世纪9 0 年代初至今，人工智能得到了很大的发展，特别是神经网络的研究取得了划 时代的发展，并且应用于各个领域。神经网络和进化计算逐渐成为研究热点并成功应用， 但由于其自身算法的一些缺陷，还在不断完善和发展之中。 1 9 8 7 年，l a p e d e s 等人首先应用神经网络进行预测，他们用非线性神经网络对由计 算机生成的时间序列仿真资料进行了学习和预测【。由于人工神经网络是由简单单元构 成，具有良好的非线性特性，灵活有效的自我学习能力，对非线性系统具有较强的模拟 能力，所以，一经提出，人工神经网络预测方法就受到了高度的重视。 在金融领域，以欧美为中心，很多学者开展了神经网络的研究与应用。 k i m o t o a s a k a w a ，y o d aa n dt a k e o k a 等人于1 9 9 0 年开发了t o k y os t o c ke x c h a n g ep r i c e i n d e xc t o p i x ) 预测系统，应用了m o d u l a rn n 系统研究了各种市场因素之间的联系【2 l ； 同年i o m i j o 应用当前n n 进行了股市市场预测； s h a u n i n nw u ( 1 9 9 3 ) 等人综合运用了 传统预测与智能预测方法，提高了预测性能【3 j ；c h e n ( 1 9 9 4 ) 等利用神经网络预测了史坦 普5 0 0 种指数的变化 4 1 ；j o v i n a r o m a n ( 1 9 9 6 ) 等人介绍了神经网络在投资，组合决策以及 股市预测等金融领域中的应用【5 】：h a m i d ( 1 9 9 8 ) 等预测了德黑兰股市指数【6 】；y a s e r s a b u m o s t a f a ( 2 0 0 1 ) 等人介绍了神经网络在金融工程应用中有待解决的问题，其中特别 指出输入变量的选取是一难点【7 l ：d r m a t t h i a ss c h u r m a n n ( 2 0 0 0 ) 等人比较了神经网络与传 2 第1 章绪论 统数理统计方法在股市预测领域中的应用，结果证明，神经网络具有较好的预测结果1 8 】： 德伯克( 1 9 8 9 ) 和鲍尔( 1 9 9 4 ) 的著作中都论述了遗传算法在股票价格预测问题的应用，基 于人工智能的遗传算法在股市预测中得到广泛应用f 9 j 【1 0 j f l l j 。 m a t s u b a ( 1 9 9 2 ) 等人应用神经网络建模对日本股市进行了预测，对日经指数做了 预测，结论是神经网络在股市短期预测具有较好的效果l 切。c h a k r a b o r t y ( 1 9 9 7 ) 等人关于 神经网络多变量时间序列预测的文章中，用简单的神经网络模型进行了预测，结果比统 计学方法好得多1 1 3 l 。y u e h u ic h e n ( 2 0 0 7 ) 将神经网络和遗传算法相结合的人工智能方法， 建立了股指预测模型，结论是该模型具有较为精确的结果【1 4 l 。y i h s i e nw a n g ( 2 0 0 7 ) 通过 神经网络和g a r c h 相结合，在股指预测方面具有较好的稳定性1 1 5 】。c h i h h s i u n g t s e n g ( 2 0 0 8 ) 利用神经网络对台湾股指的走势进行了预测，在文中，与e g a r c h 模型进 行了对比，结论是神经网络具有较高的稳定性1 1 6 l 。 我国进行股票价格非线性预测的主要成果有：徐迪等( 1 9 9 7 ) 对四川长虹的股价作 了预测，选取1 9 9 6 年0 1 月3 0 日1 9 9 6 年0 2 月1 2 日共1 0 日的数据，应用指数平滑， 自回归，神经网络进行比较，平均相对误差，相对误差的标准差，最大相对误差三个指 标神经网络的结果均最优【r 7 1 。李焕荣等( 2 0 0 0 ) 采用小天鹅两周样本，应用b p 神经网 络预测的一种改进算法，取得了比较好的效果，提高了收敛速度和预测精度，减少了输 入参数和样本量【1 8 l 。郑丕谔等( 2 0 0 0 ) 选取上证综合指数：训练样本1 5 0 个交易日 1 9 9 7 0 7 0 2 1 9 9 8 0 2 1 8 检验样本3 0 个交易日1 9 9 8 1 0 1 0 一1 9 9 8 1 1 2 5 。伊利股份：训 练样本1 3 0 个交易日1 9 9 7 0 6 1 0 一1 9 9 7 1 2 2 2 ，检验样本3 0 个交易日，采用径向基 ( r b f ) 神经网络取得了很好的预测效果【1 9 1 。吴徽等( 2 0 0 1 ) 预测了沪市综合指数，训 练样本1 0 0 个( 1 9 9 8 0 7 2 7 1 9 9 8 1 2 2 1 ) 交易日，检验样本3 0 ( 1 9 9 8 1 2 2 3 1 9 9 9 0 2 2 4 ) 个交易日，利用b p 神经网络预测股票市场涨跌，训练精度9 8 ，预测精度 9 5 1 2 0 1 。吴成东( 2 0 0 2 ) 在德国学者b e m df r e i s l e b e n 研究的基础上，综合考虑了历史价格 因素、经济因素及政策技术因素，取得较好的预测效果【2 1 l ；陈义安等( 2 0 0 3 ) 选取7 5 个( 2 0 0 1 1 0 0 8 2 0 0 2 0 1 1 8 ) 交易日数据，通过神经网络和b p 神经网络建模，b p 神 经网络最优 z z l 。胡洁、曾祥金( 2 0 0 7 ) 用b p 神经网络的改进l e v e n b e r g m a r q u a r d t ( l m ) 算法对上证指数收盘价进行了训练和仿真，并将此改进算法与标准b p 算法及其他三种 改进算法进行了比较，结果表明，该算法稳定、快捷、预测准确，适合应用于对实时性要 求比较高的股票市场1 2 3 1 。唐娜等( 2 0 0 7 ) 用灰色g m ( 1 ，1 ) 模型拟合系统的发展变化趋 势，在此基础上建立预测系统波动变化趋势的灰色马尔可夫模型，并将此模型应用在股 3 湖北大学硕士学位论文 票指数预测。同时，对灰色g m ( 1 ，1 ) 模型，新陈代谢g m ( 1 ，1 ) 模型以及灰色马尔可夫模 型进行比较，实例表明灰色马尔可夫模型不仅可以弥补马尔可夫模型的局限，又可以弥 补灰色模型的不足，表明该模型具有较高的精度和应用价值【2 4 1 。王京宝( 2 0 0 7 ) 利用r b f 神经网络对股票价格进行预测，将反映股票价格的开盘价、收盘价、最高价、最低价作 为神经网络的输入变量，利用r b f 神经网络自适应算法对网络进行训练，建立起神经网 络模型。研究表明，该方法具有一定的预测能力【矧。杨君岐等( 2 0 0 7 ) 基于e l m a n 神经 网络原理，建立了对股票长期价格变化、中期价格变化、短期价格变化进行分析预测的 动态模型，并阐述了在m a t l a b 开发环境中的实现方法。最后以浦发银行2 0 0 5 年1 2 月及 2 0 0 6 年1 月收盘价为分析原始数据，进行了的仿真计算，证明本模型是切实可行的l 驯。 蒋艳霞等( 2 0 0 7 ) 利用基于人工智能的数据挖掘技术，进行了股票收益预测方面的应用 研究，证明人工智能的方法有效性1 2 7 1 。 从预测方法本身看，股票价格预测模型可以分为两大类，即定性预测模型和定量预 测模型。定性预测模型中以d e l p h i 法为代表，其在股票市场也有相近的用法，如投资 者在媒体上听各类股评家及机构对后市的预测，对投资者而言就相当于作了一个d e l p h i 法的调查。定量预测模型中又可分为因果回归预测模型、时间序列预测模型、非线性动 力学预测模型、以时间序列驱动的各类人工智能技术预测模型及智能预测支持系统等。 其中时间序列预测模型、非线性决定性预测模型以及以时间序列驱动的各类人工智能技 术预测模型及智能预测支持系统等在股票市场上最为常用【冽1 3 1 】 总结国内外相关文献，有关股票市场预测的不足主要体现在以下几个方面： ( 1 ) 股票预测的建模方法有待改进。股票市场是个多变量非线性动态系统，目前学 术上还没有较好的建模方法。同时，股票市场具有一定程度的不确定性和混沌性，因此， 那些试图通过建立精确模型来进行股票预测的方法，其预测效果不是很理想。 ( 2 ) 股票预测的影响因素难以提取。股票市场中各种影响因素之间的相关性错综复 杂，主次关系变化不定，数量关系难于提取，因此，应用常规的预测方法对股市做出定 量分析非常困难。 ( 3 ) 股票预测的精度难以达到要求。对股票市场进行预测时，需要处理的信息量和 计算量往往十分巨大，对预测算法的性能要求也非常高，一般的预测方法基于线性或者 近似线性的假设，很难满足对股票市场进行精确预测的要求。 神经网络应用于股市预测时，需要研究如下问题： ( 1 ) 如何把对象信息用于网络辩识。对于不同的非线性对象，如何选择神经网络模 4 第1 章绪论 型和结构，如：隐含层层数，隐含层节点个数，网络参数设定等。 ( 2 ) 如何选择最优算法。在神经网络算法方面，需要研究算法的快速性和收敛性等。 一些常见的神经网络算法为非线性优化方法，通常存在局部最优的问题，因此需要研究 更好的算法。 ( 3 ) 如何提高网络的泛化能力。神经网络的泛化能力即网络的推广能力。网络的推 广能力直接决定了建模方法的优劣。 1 3 本研究的主要内容及安排 本文的具体研究路径如图1 - 1 所示。 本文的章节安排如下： 第1 章介绍本论文的研究背景和研究意义，总结国内外研究现状，确定论文的基本 出发点。最后，阐述本研究的具体内容和研究方法。 第2 章介绍几类常用的股票预测方法。本章主要介绍四大类股票预测方法，比较各 自的优缺点，本研究选用非线性预测方法进行股票价格的实际值的预测。 第3 章介绍神经网络的基本原理，针对本文所研究的对象，重点介绍b p 神经网络 的基本知识和运行步骤。神经网络的算法和泛化能力直接决定了建模的优劣。本研究尝 试用l m 算法和试凑法以提高网络的性能。 第4 章介绍b p 网络设计的基本程序，以及如何利用m a t l a b 语言实现。m a t l a b 语言被称为第四代计算机语言。基于人工智能的神经网络，可以借助m a t l a b 的神经 网络工具箱，快速地建模和优化模型。 第5 章用实例验证设计的b p 神经网络，应用3 1 0 天的上证收盘指数进行实证研究， 对神经网络建模的有效性和可行性进行分析。 第6 章总结全文，概括了本文的主要工作和创新点，并且提出了进一步研究的展望。 1 4 研究的思路与方法 具体的研究方法包括： 第一，文献阅读的研究方法。在研究过程中，通过大量阅读国内外文献，在吸取前 任研究成果的基础上，建立相应的模型和解决参数的选择。 第二，系统分析法。本研究将经济学( 主要是金融学) ，管理学，预测学和计算机 科学融合起来，达到研究的目的。 5 湖北大学硕士学位论文 第三，实证分析的研究方法。通过实例主要解决一下两个问题：一是模型的有效性 和可行性：二是针对不同类型的数据提出一些修正的方法。本研究借助l v u c i l a b6 5 中的神经网络工具箱对模型进行了实证研究。 图1 - 1 本文的研究路径 6 第2 章股票价格预测 第2 章股票价格预测 2 1 股票价格预测的基础性假设 由于股票市场中高风险与高收益并存的特性，有效进行股市预测成为众多投资者的 一大愿望。目前，从资产市场获利能力的角度分析，主要有两大学派。第一个学派认为 没有人能通过历史和现有信息获得超过平均交易收益的利润。他们的主要理论包括随机 行走假设和有效市场假设。随机行走假设声称股市价格是纯粹的随机波动，是不可预测 的。过去价格不影响价格波动。有效市场假设认为市场充分反映所有的自由可利用信息， 而且一旦新的信息出现，价格会充分及时地调整。如果这是真的，那么预测就没有任何 意义，因为市场会对这些可利用信息做出反应和补偿。在实际的市场中，一些人在他们 得到信息后就会立刻对信息做出反应，而另一些人会等待信息的进一步证实。那些等待 的人直到趋势明确确定之后才会做出反应。因此，实际市场并不是一个完全的有效市场。 另外一派观点认为投资市场是可以预测的，并可以利用得到的预测指导有效的投资决策 和防范风险。他们一方面通过证明市场并非是完全有效的，或通过其它理论证明市场有 效假说的欠缺来反驳不可预测论，另一方面也研究各种预测方法进行预测的理论与实践 研究。 股票价格的可预测性问题与有效市场假说密切相关，如果有效市场假说成立，那么 就意味着股票市场的价格已经完全体现了信息的影响，价格变化服从随机游走，任何人 不能凭借历史信息从股票市场中攫取超额的利润，这也就意味着股票价格的预测无意 义。从中国股票市场的特征来看，文献f 3 2 - 1 3 6 l 的研究表明，中国的股票市场和上证指数 不存在市场的有效性，中国的股票市场尚未达到弱形有效，也就是说，中国股票市场的 股票价格时间序列并非序列无关，而是序列相关的，也就是说，历史数据对股票价格的 形成起作用，因此可以通过对历史信息的分析预测价格。 2 2 股票预测方法 股票预测方法主要有以下几大类： 2 2 1 证券投资分析法 证券投资分析法主要有基本分析和技术分析。 7 湖北大学硕士学位论文 基本分析法通过研究影响股市走势的基本要素，着重于对一般经济情况以及上市公 司的经营管理状况、行业动态等因素进行分析，以此来研究股票的内在价值，考虑股票 的投资行为。基本分析法把分析的重点放在股票的内在价值上，认为影响股票价值的因 素主要包括：宏观经济指标、利率水平、汇率变动、行业因素、政治因素等。其目的是 为了判断股票的现行价位是否合理，并描绘出它的长远发展空间。因而它是长线投资者 所采用的最主要的分析方法。基本分析法能够比较全面地把握证券价格的基本走势，但 是预测时间跨度相对较长，对市场的短线操作缺乏指导意义。基本分析主要适用于：( 1 ) 周期相对比较长的股票价格预测；( 2 ) 相对成熟的股票市场；( 3 ) 预测精确度要求不高的 领域。中国的股票市场不是一个成熟的市场，而是新兴的与转轨的市场，基本因素对股 票的作用存在着不稳定性，因此，使用基本分析法比较困难。 技术分析法是通过图表和技术指标的纪录，研究市场过去及现在的行为反应，以推 测未来价格的变动趋势，是市场行为的经验总结。其依据的指标主要是由股价、成交量 和涨跌指数等数据计算而得的。 技术分析法主要分为四大类： ( 1 ) 基本图形理论：分时图、日线图、周线图、点数图、以及有关形态和趋势的判 断。 ( 2 ) 量价关系：技术分析十分重视成交量的变化。交易量不仅会验证趋势，也是趋势 反转的信号。成交量的突然放大预示着原先趋势的终结和相反趋势的开始。 ( 3 ) 波浪理论和移动平均线理论。波浪理论认为，股价的波动与在自然中的潮汐现 象极其相似，在多头市况下，每一个高价都会是后一波的垫底价，在空头市况下，每一 个底价都会是后一波的天价。采用统计学上的“移动平均 理论，将每天的股价进行移 动平均，得到一个趋势值，作为判断股价走势的依据。 ( 4 ) 各项技术指标：k d ，p s y ，b r 等相对强弱指数( r s i ) 。 技术分析最重要的假定有如下三条：( 1 ) 全信息假定，是技术分析的立足点。( 2 ) 有 趋势假定。( 3 ) 可重复性假定。 技术分析适用于短期的行情预测，要进行周期较长的分析必须结合其他的分析方 法。k 线理论、切线理论、形态理论、技术指标理论、波浪理论和循环周期理论等是技 术分析理论的主要内容。 基本分析与技术分析是人们经过长期实践和研究总结出的一条可行的方法，但是股 市是个多因素决定的复杂的非线性系统，同时我国的股市仍然不是一个体制稳定的系 8 第2 章股票价格预测 统，这些因素使得传统的分析方法面临了较大的困难。 2 2 2 时间序列预测分析法 股票价格的时间序列分析法主要是基于统计理论，使用回归分析手段，建立自回归 模型( a r ) 、移动平均模型( m a ) 、自回归移动平均模型( a r m i ) 和奇次非平稳模型 ( a r i m a ) 等统计模型，其中a r i m a 模型是比较成熟的模型1 3 7 1 。用来对股价( 开盘价、收盘 价、最高价、最低价) 及综合指数进行预测，通过选择模型的参数和辨识模型的系数实 现对时间序列的拟合，进而用拟合好的模型对未来进行预测。然而，由于影响股票价格 的因素很多，同时时间序列预测法从假设条件出发，模型构造的主观性强，假设条件往 往与现实差距较大，因此这些方法的预测效果并不理想。 2 2 3 方向预测 在金融预测的模型中，方向预测具有极大的应用价值。实践表明，依据价格变化方 向制定的交易战略更为有效，并且能带来更高的利润。因为一个精确的预测，由于其根 据实际观察值的偏差来调整，可能不是价格方向变化的好的预测。而在一般情形下，交 易者买卖股票的决策更直接的受到他们对价格方向变化预测的影响。 2 2 4 非线性预测 股票价格的非线性预测方法主要模糊逻辑预测法、遗传算法、基于小波分析股票价 格预测、基于行为金融学的股票价格预测、神经网络的方法、以及结合了混沌动力学理 论的方法。 神经网络具有强大的非线性映射能力，同时可对于背景知识不清楚的环境做出输入 输出的响应，因此在金融时间序列的预测中得到了广泛的应用。目前，主要应用的神经 网络的形式有b p 网络、径向基网络、广义自回归网络、小波神经网络等。除了神经网 络的结构不同，还有算法的不同，神经网络理论和应用的发展使得股票价格的非线性预 测有了很大的发展空间。 神经网络进行股票价格预测，主要有两个研究方向：一个方向是应用神经网络进行 股票价格的实际值的预测。这方面研究的基本原理是，应用神经网络强大的非线性逼近 能力，将决定股票价格的各因素作为输入矩阵，而将股票价格作为输出的目标矩阵，以 历史数据作为训练数据对网络进行训练，训练的结果实际上就是拟合了一个输入一输出 9 湖北大学硕士学位论文 之间的非线性映射，然后利用这个输入输出的函数关系，进行新的输入，得到的输出 就是预测结果。随着网络的发展和算法的改进，预测的精度在不断改进。另一个方向就 是利用神经网络的分类功能对股票价格的方向变化做出预测。其实现过程为：首先确立 和股票价格涨跌有关的变量作为输入矩阵，将实际的方向变化的集合作为输出集进行训 练，训练好的网络就可以应用，同上一种情况相近的是，输入新的输入矩阵，只不过得 到的输出是分类结果：涨或者跌。本论文应用神经网络做第一个方向的研究。 1 0 第3 章神经网络的基本原理 第3 章神经网络的基本原理 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k , a n n ) ，亦称为神经网络( n e u r a ln e t w o r k , n n ) ，是由大量处理单元( 神经元n e u r o n s ) 广泛互联而成的网络，是对人脑的抽象、简 化和模拟，反映人脑的基本特性。人工神经网络的研究是从人脑的生理结构出发来研究 人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理 学、计算机科学等学科的一种技术【3 9 j f 柏1 。 人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具 有存储和应用经验知识的自然特性，它与人脑的相似之处概括为两个方面：一是通过学 习过程利用神经网络从外部环境中获取知识；二是内部神经元( 突触权值) 用来存储获取 的知识信息。 虽然a n n 与真正的生物神经网络有差别，但由于它汲取了生物神经网络的部分优 点，因此具有一些固有的特性。 第一：a n n 是由很多小的处理单元互相连接而成的，每个处理单元的功能简单， 但大量简单的处理单元集体的、并行的活动得到预期的识别、计算的结果，具有较快的 速度。 第二：a n n 具有非常强的容错性，即局部的或部分的神经元损坏后，不会对全局 的活动造成很大的影响。 第三：a n n 的记忆信息是存储在神经元之间的连接权值上，从单个权值中看不出 存储信息的内容，因而是分布式的存储方式。 第四：a n n 的学习功能十分强大，它的连接权值和连接的机构都可以通过学习得 到。 人工神经网络是近年来的热点研究领域，涉及到电子科学与技术、信息与通信工程、 计算机科学与技术、电气工程、控制科学与技术、管理学和经济学等诸多学科，其应用 领域包括：建模、时间序列分析、模式识别和控制等，并在不断的拓展。 3 1 神经网络的理论基础 3 1 1 神经元模型 神经网络是由大量的处理单元( 神经元) 互相连接而成的网络。神经元是神经网络 湖北大学硕士学位论文 操作的基本信息处理单位，每个构造起网络的神经元模型模拟一个生物神经元，如图 3 - 1 所示： u i z l z 2 图3 - 1 神经元结构模型 资料来源：飞思科技产品研发中一t l , 神经网络理论与m a t l a b 7 实现j 匕京：电子工业出版社2 0 0 5 ：2 1 其中，诈为神经元f 的内部状态，瞑为阂值，z ，为输入信号，w , j 表示与神经元x 连 接的权值，表示某一外部输入的控制信号。 j f 警一+ 惭m e i 奶( f ) ；，阻f ( f ) 】 图3 - 2 给出了一个典型的b p 神经网络示意图，也是本研究要采用的一种神经网络。 输入 、 卒申经元 f a = = = = 1 l 竖 h = f ( w p + b ) 图3 - 2b p 神经网络模型 一个典型的神经元模型主要有以下五部分组成。 ( 1 ) 输入 p - ，p 2 ，p r 代表神经元的尺个输入。在神经网络模型中，输入可以用一个尺1 维的 列矢量p 来表示( 其中：r 表示转置) 。 1 2 第3 章神经网络的基本原理 p _ 【p l , p 2 ，仇】r ( 2 ) 网络权值和阈值 嘶t 1 ，暇。z 代表网络权值，表示输入与神经元之间的连接强度；6 为神经元阈值， 可以看作是输入恒为1 的网络权值。在神经网络中，神经元的网络权值可以用一个1 r 维的行矢量来表示： 矽一【，岷：盘，6 】 阈值6 为1 1 的标量。 在神经元模型中，不论是网络权值还是阈值都是可调的。正是基于神经网络权值和 阈值的动态调节，神经元乃至神经网络才得以表现出某种良好的特性。网络权值和阈值 的可调性是神经网络学习的基本内涵之一。 ( 3 ) 求和单元 求和单元完成对输入信号的加权求和，即 肛荟p f 帕 这是神经元对输入信号处理的第一个过程。在神经网络中，该过程可以通过输入矢 量和权值矢量的点积形式加以描述，即 n w p + 6 ( 4 ) 传递函数 在神经元模型中，厂表示神经元的传递函数或激发函数，它用于对求和单元的计算 结果进行函数运算，得到神经元的输出，这是神经元对输入信号处理的第二个过程。 ( 5 ) 输出 输入信号经神经元加权求和及传递函数作用后，得到最终的输出为： 口一，( w p + 6 ) 3 1 2 神经元传递函数 神经元的输出用函数厂表示，根据神经元输出特性的不同，可采用不同的传递函数， 一般利用以下函数表达式来表现网络的非线性特性。 1 3 湖北大学硕士学位论文 ( 1 ) 阈值型，为阶跃函数 厂以，一 三竺：吕 ( 2 ) 分段线性型 f 1 乏比2 f ( u i ) - 口“f + 6 h js0 c “2 l 0 心 - - j ( l e a r n i n gw i t h o u ta t e a c h e r ) ，包括强化学习( r e i n f o r c e m e n tl e a n i n g ) - 与无监督学习( u n s u p e r v i s e dl e a r n i n g ) 或称为自组织学( s e l f - o r g a n i z e dl e a r n i n g0 在神经网络发展过程中曾出现过许多学习 规则，如：联想式学习( h e b b 学习规则) 、误差传播式学 - j ( s 学习规则) 、概率式学 - j 、 竞争式学习和遗传算法等。 ( 1 ) 在有教师学 - j 的方式中，将网络的输出和期望输出进行比较，根据两者之间的 误差调节网络的权值，最终使误差最小。 1 4 第3 章神经网络的基本原理 ( 2 ) 无教师学习方式中，训练数据集中只有输入而没有目标输出，训练过程中神经 网络自动地将输入数据的特征提取出来，并将其分成若干类，训练后的网络能够识别训 练数据集以外新的输入类别，并相应获得不同的输出。 在本论文过程中，采用有教师的学习方式训练神经网络。 3 2b p 网络 3 2 1b p 神经网络基本结构模型 b p 神经网络是由大量的神经元广泛互连而成，属于一种前馈型神经网络。各层的 神经元之间通过权值的大小来表征它们的连接强弱。b p 神经网络是前馈网中最常使用 的一种网络。通常是指基于误差反向传播算法( e 盯0 rb a c kp r o p o r g a t i o n ，b p 算法) 的多层 前向神经网络。这种网络计算简单，容错性好，应用较广。本文即采用b p 神经网络预 测时间序列。 b p 神经网络是典型多层网络，它分为输入层、隐含层和输出层，层与层之间连接 方式第i 层的输入只与第f 一1 层输出相连，各神经元接受前一层的输入，并输出给下一 层，没有反馈。b p 神经网络示意描述如图3 3 所示。输入对应每个训练样本的各属性取 值：输入赋给第一层( 输入层) 单元，这些单元的输出结合相应的权重，同时反馈给第二 层( 隐含层) 单元：隐含层的带权输出又作为输入再反馈给另一隐含层，最后的隐含层结 点带权输出反馈给输出层单元，该层单元最终给出相应样本的预测输出。只要中间隐含 层足够多，多层前向网络中的线性阈值函数，就可以充分逼近任何函数。改变隐层的权 系数，可以改变整个多层神经网络的性能。 设有一个加层的神经网络，并在输入层加有样本【，设第k 层的f 神经元的输入总 和表示为，输出；从第七一1 层的第，个神经元到第七层的第f 个神经元的权系数 为，各个神经元的激发函数为厂，则各个变量的关系可用下面有关数学式表示： 一厂( 哌) 一一。 1 5 湖北大学硕士学位论文 3 2 2b p 网络的学习过程 1 9 7 4 年，w e r b o s 提出了b p 学习理论，当时没有引起人们的注意。1 9 8 2 年，r u m e h a r t 和他的同事们成立了一个工作组，来研究并行分布式信息处理的方法，于1 9 8 5 年，提 出了著名的b p 算法1 4 1 1 。b p 算法的学习过程由两个阶段组成：信息的前向传播和误差的 后向传播。在前向传播的过程中，输入信息从输入层经过隐层单元逐层处理，并传向输 出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的 输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过多次修改各层神经元 的权值，使得误差信号最小。 输入层磊蠡输出层 图3 - 3 具有两个隐含层的b p 神经网络结构 b p 算法的基本思想是给网络赋给初始权值和阀值，前向计算网络输出，根据实际 输出与期望输出之间的误差，反向修改网络权值和阀值，如此反复训练使误差达到最小。 其中有两种信号在流通：工作信号，它是施加输入信号后向前传播直到在输出端产生 实际输出的信号，是输入和权值的函数。误差信号，网络实际输出与应有输出间的差 值即为误差，它由输出阻抗端开始逐层向后传播。 b p 算法的原理：反向传播算法分二步进行，即正向传播和反向传播。 正向传播时，输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐层 之后，则传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的 状态产生影响。在输出层把现行输出和期望输出进行比较，如果现行输出不等于期望输 出，则进入反向传播过程。 反向传播时，把误差信号按原来正向传播的通路反向传回，并对每个隐层的各个神 经元的权系数进行修改，期望误差信号趋向最小。 信息的正向传递 ( 1 ) 隐含层中第i 个神经元的输出为： 1 6 小，1 ( 荟鸲胪 2 ，s 1 ( 2 ) 输出层第k 个神经元的输