（管理科学与工程专业论文）基于人工神经网络的股价预测模型研究.pdf

摘要 股票市场是一个高度复杂的非线性动态系统，其变化既有内在的规律性，同 时也受市场、经济、非经济等诸多因素的影响。建立在数理统计基础上传统定量 预测方法在对股市的研究中预测效果不是很显著，而神经网络具有自组织、自适 应等特点，能自动从历史数据申提取有关金融活动中的知识，因而非常适用于解 决股票预测领域中的非线性时间序列问题。 本文以股市的可预测性为基础，对股市部分影响因素进行量化，融合传统证 券技术分析方法，使用本文提出一种混合训练算法，建立基于人工神经网络的股 价预测模型，并对部分大盘股、个股的收盘价进行预测，评价预测模型的有效性。 首先，本文对股市的可预测性进行阐述、对影响股市的各种因素进行分析， 并对国内外的证券分析方法、股市预测方法及人工神经网络的股价预测研究的最 新发展进行综述。 其次，从误差反传算法在预测中存在的问题入手，提出一种混合训练算法。 该算法从隐含层神经元个数的确定方法、权重和阀值的初始值域、误差函数和自 适应学习速率等方面对误差反传算法进行改进，以达到提高网络的收敛速度的目 的：同时引入遗传算法，在权重更新过程中采取权重进化计算，使网络跳过局部 极小点，达到全局最小点。 再次，本文根据非线性时间序列预测原理，提出股价预测模型。该预测模型 以使用混合训练算法的三层神经网络为基础。根据部分可量化股价影响因素，选 取预测模型的输入变量。并以此为基础，设计并开发了股价预测系统。 最后，本文使用股价预测系统，以股价预测实验初步检验了本文提出的股价 预测模型的有效性。对上证a 殷指数进行预测，并且以成交量为噪声项进行对 比实验；并对深市个股深发展a 的股票收盘价的涨跌值、涨跌率为预测目标进 行股票预测。 关键词：人工神经网络；股价预测模型；误差反传算法；权重进化；混合算法 a b s t r a c t s t o c km a n e ti sah i g h l yc o m p l i c a t en o n l i n e a rs y s t e m i t sv a r i a t i o nh a si t so w l 2 r e g u l a t i o n ，b u ta l s oi si n f l u e n c e db ym a n y o t h e rf a c t o r ss u c ha sm a r k e t ，e c o n o m ya n d n o n e c o n o m y w h i l e t r a d i t i o n a lp r e d i c t i o nt e c h n i q u e sa r eb a s e do ns t a t i s t i c sa n dm e e t d i 跖c u l t i e si ns t o c km a r k e t a n a l y s i s ，n e u r a l n e t w o r k s e n j o y t h ev i r t u e o f s e l f - o r g a n i z a t i o n a n da d a p t a b i l i t ya n dc a nl e a r nt h ee c o n o m i c a lk n o w l e d g ef o r m h i s t o r i c a ld a t a s oi ti ss u i t e dt os o l v ep r o b l e m si ns t o c km a r k e tp r e d i c t i o n as t o c kp r i c ep r e d i c t i o nm o d e li sf o u n d e do na r t i f i c i a ln e u r a ln e t w o r kw i t ha h y b r i dt r a i n i n ga l g o r i t h mi nt h ep a p e r t h em o d e li s b a s e do nt h ep r e d i c t a b i l i t yo f s t o c km a r k e ta n dq u a n t i t a t i n gp a r to ft h ei n f l u e n c ef a c t o r si ns t o c km a r k e ta n du s i n g t h et r a d i t i o n a ls t o c kt e c h n i c a la n a l y s i sm e t h o d f i r s t l y , i t i ss t a t e dt h a tt h es t o c km a r k e ti s p r e d i c t a b l e a n dt h ei nt h ep a p e r i n f l u e n c ef a c t o r si ns t o c km a r k e ta r el i s t e di nt h ep a p e rt h es t o c ka n a l y s i sm e t h o d s a n ds t o c km a r k e tf o r e c a s tm e t h o d sh o m ea n da b o a r da r ee x p o u n d e d s e c o n d l y ，t h eh y b r i dt r a i n i n ga l g o r i t h m i s p r o p o s e do nt h e b a s eo ft h ee r r o r b a c k p r o p a g a t i o na l g o r i t h m sd i s a d v a n t a g ea n a l y s i s i nt h e p a p e r t h ep r o p o s e d a l g o r i t h mi m p r o v e t h en e t w o r kc o n v e r g e n c es p e e df r o mt h ea s p e c t st h a ta r et h e n e l l r o on u m b e r so ft h eh i d d e nl a y e r , t h er a n g e so fi n i t i a lw e i g h t sa n di n i t i a lt h r e s h o l d ， e r r o rf u n c t i o na n dt h es e l f - a d j u s t e ds t u d 3 , r a t e t h eg e n e t i ca l g o r i t h mi si m p o r t e dt o m a k ew e i g h te v o l u t i o nc o m p u t a t i o ni n t h e t r a i n i n ga l g o r i t h m i no r d e rt oa v o i d p l u n g i n g t h el o c a lm i n i m u m n e x t ，t h es t o c kp r i c ep r e d i c t i o nm o d e li sp r o p o s e d o nt h eb a s eo fn o n l i n e a rt i m e s e r i e sp r e d i c t i o nt h e o r y t h em o d e li sb a s e do r lt h et h r e e l a y e rf e e d - f o r w a r dn e t w o r k w i t hah y b r i da l g o r i t h m i n p u tv a r i a b l e si nt h em o d e la r e s e l e c t e da c c o r d i n gt ot h e r e l a t m t yo ft h es t o c kp r i c ei n f l u e n c ef a c t o r s a c c o r d i n gt ot h e m o d e l t h es t o c kp r i c e p r e d i c t i o ns y s t e m i sd e s i g n e da n dd e v e l o p e d f i n a l l y , t h ev a l i d i t y o ft h em o d e li st e s t e d b y t h es t o c k p r i c ep r e d i c t i o n e x p e r i m e n t sw h o s ep r e d i c t i o no b j e c t i v e i ss t o c kc l o s ei n d e xo ri t sa m p l i t u d ew i t h s h a n g h a i ai n d e x e sa n ds h e n f a z h a n a k e y w o r d s ：a r t i f i c i a in e u r a in e t w o r k ：s t o c kp r i g ep r e d i c t i o nm o d e i ：b a c k p r o p a g a t i o na i g o r i t h m ；w e ig h te v o i u t i o n ：h y b r i da i g o r i t h m 基于人工神经网络的股价预测模型研究 1 引言 1 1 问题的提出 在近二十年来，许多重要的理论改变了金融市场的研究领域。传统的资本市 场理论已经被广泛接受，金融分析方法也取得了巨大的进步( p o d d i n g 和 r e c h k u g l e r ，1 9 9 6 ) 。投资者也变得更加依赖高级的计算机算法和技术，利用这 些技术使投资者在投资决策中获得更大收益。 从事证券分析的专业人员使用基于基本分析法和技术分析法的交易策略、原 则和理念为广大投资者提供辅助的投资决策支持。一部分有创新思想的投资者倾 向于采用新技术改善投资决策的效果。人工神经网络( a r t i f i c i a ln e u r a l n e t w o r k s ，a n n s ) 被应用到金融领域。人工神经网络提供了一种新颖的技术，从 理论讲，它可以在一定的精度范围内模拟任何非线性连续函数。人工神经网络的 新颖性在于它可以在不了解数据产生原因的前提下，对非线性过程建模。人工神 经网络被应用到债券投资和其他金融领域并取得了一定的成果。而在这些研究领 域中存在很多假设，对决定资产价格的本质的相关信息不十分明确。人工神经网 络有很大的适应性，它提供了大量的网络类型、学习算法、检验过程。 股票交易是现代经济活动中常见的风险投资活动，与相对安全但收入稳定的 其它金融投资活动相比，这是一种为了获得高收益而主动承受高风险的投资活 动。股市具有复杂的非线性动力学特性，使得对其预测异常困难，而神经网络作 为非线性动力学系统，具有动力学特性与时间序列的动态特性相吻合的良好特 征，能够很好地解决环境信息不十分明确、知识背景不清楚的应用问题，因而， 对于股市这样的非线性经济系统的走势，应用人工神经网络这种强有力的非线性 工具进行研究并进行预测具有着实在的价值、内在的一致性和可行性。 1 2 研究意义 ( 1 ) 基于人工神经网络的股价预测模型研究有利于增强证券投资决策的科 学性。随着金融理论的发展和人工神经网络的技术的成熟，人工神经网络技术在 金融预测中的应用逐渐增多。在非线性时间序列预测中，人工神经网络实现了非 基于人工神经网络的股价预测模型研究 线性关系的隐式表达，不需要建立复杂系统的显式关系式；并且神经网络的容错 性强，可以处理信息不完全的预测问题；同时，由于神经网络具有一致逼近的能 力，训练后的神经网络在样本上输出期望值( 误差在允许范围内) ，在非样本点 上，表现出神经网络的联想记忆功能。因此，基于人工神经网络的股价预测模型 研究与传统的金融预测方法相比更科学，同时预测精度也有很大的提高。 ( 2 ) 基于人工神经网络的股价预测模型研究有利于降低投资者的投资风险。 在股票交易中，收益与风险并存，收益最大化、风险最小化是所有股票投资者追 求的目标。使用人工神经预测理论，综合使用基本分析方法和技术分析方法，在 误差允许范围内对股票价格进行科学预测和分析，和单独使用传统的证券分析方 法相比，更易于规避股市风险，为股票投资者的投资决策提供辅助的决策支持。 ( 3 ) 基于人工神经网络的股价预测模型具有很强的实用价值。股票指数的 变化是模糊的或不完善的，变化的规律是不清晰或易变的，变化的结果是高度容 错的，具有复杂的动态非线性特征，因而用传统的方法进行预测困难很大，而神 经网络预测方法作为非线性工具，与股市所具有的非线性动力学特性相吻合，非 常适合解决这类难题。而预测模型的建立过程是样本驱动的过程，非专业的股票 投资者可以将新获得的数据作为样本，对神经网络进行训练，很容易的建立新的 预测模型，吸收新的信息来提高预测精度，同时神经网络并行处理能力强，可以 快速的完成神经网络的训练和预测模型的建立，并对股市的未来走势进行预测， 使用方便快捷，对于非专业的中小投资者的投资决策来说，具有很强的实用性。 1 3 国内外研究综述 1 3 1 关于股市可预测性的分析 市场有效性假设( e 删，e f f i c i e n c ym a r k e th y p o t h e s i s ) 是现代金融经济 理论的基石之一。几十年来，关于证券市场有效性的讨论几乎没有中断过。法马 ( 1 9 7 0 ) 指出，市场有效性一般可以区分为以下三个层次：( 1 ) 弱有效形式，即价 格反映了所有的历史信息，或者说所有历史的信息在市场上是同质等量分布，没 有人能依靠过去的信息来赚钱；( 2 ) 半强有效形式，即价格不仅能反映过去的信 息，而且还反映了所有公开的信息；( 3 ) 强有效形式，即价格反映所有可得的信 息，包括公开的和内幕信息在内的所有信息都以无成本的方式为交易者所知道 基于人工神经网络的股价预测模型研究 根据市场有效性假设，对股票价格建立预测模型是没有意义的。而经典文献 争议最大之处就集中在股票收益的可预测性上。按照技术分析的假设，市场价格 总是以既定的趋势变化和演进，而这些趋势是可以预测的。显然，技术分析的概 念与市场有效性概念是相互矛盾的，即若市场有效，价格反映了所有可得的信息， 则技术分析不可能获得额外收益。这一结论实际上立足于静态层面，而另一方面， 技术分析的有效性是个伴随着证券市场弱有效形式一半强有效形式一强有效 形式的弱进程概念。即证券市场有效性越强，技术分析的有效性相对越弱。反之， 在有效性越弱的证券市场，技术分析的有效性相对就越强。法马指出，市场有效 性本身是不能检验的，对价格是否恰当的反映了信息的检验必须在一个资产定价 模型中进行”1 。即使发现了收益行为的某个异例，它既可能是由于市场无效，也 可能是由于采用的均衡模型有问题”。 早期对价格的可预测性的检验包括1 9 3 7 年出现的顺序逆序检验，1 9 6 1 年 出现的过滤法( f i i t e rr u l e s ) 检验，g r a n g e r a n dm o r g a n s t e r n ( 1 9 6 3 ) 的谱 分析方法和2 0 世纪6 0 年代国外广泛使用的序列相关分析法检验等，这些检验方 法通称为传统的检验方法。用它们对西方股票市场进行检验，检验结果总体上是 承认随机游走假设的，承认价格不具有可预测性。 随着金融理论和计量方法的发展，人们把随机游走模型又划分为不同层次， 在现代检验方法下，人们发现股票市场价格并不服从随机游走假设，价格的变化 具有一定的可预测性n 。 文献 3 中分别从价格时序、成交量两个角度对技术分析有效性检验的成果 进行了综述。对市场中正反馈交易机制的研究成果证明，这种技术分析方法是有 价值的，尽管在考虑交易成本后的情况尚不得而知。g k o u t m o s ( 1 9 9 7 ) 对澳大 利亚、比利时、德国、意大利、日本和英国的股票市场进行了类似的研究，得到 的结论与前者一致。在文献 5 中，改进了传统的均衡模型，总供给固定，噪声 来源于信息质量，或者说信号分布的准确性。成交量提供了交易者信息质量的情 报，成交量序列和价格水平序列一样具有信息价值，并帮助交易者推断出资产的 潜在价值m 。 文献 8 使用上海股市有史以来的指数数据和香港联交所的同期恒生指数， 建立两地股市的预测模型，并对沪、港股市技术指标的协整性检验。证明了技术 分析指标能够在一定精度的前提下，解释股票价格的变动，说明技术分析是有效 的。 a n d r e ws k a b a r 和l a nc l o e t e 在文献 9 中以道琼斯工业指数( d o wj o n e s 基于人工神经网络的股价预测模型研究 i n d u s t r i a la v e r a g e ) 、n a s d a q 指数、s p 5 0 0 指数为研究对象，选取了1 9 9 6 年 7 月1 日到2 0 0 1 年6 月3 0 日共5 年股指的每日收盘价作为样本进行分析。结果 证明一些金融时间序列不完全是随机的，而且与市场有效性相反，基于历史价格 的交易策略能够取得比“买入一持有”策略更高的回报。 综上所述，目前研究表明：股市具有可预测性，证券分析的技术分析方法是 有效的。 1 3 2 股市影响因素分析 股票市场价格波动是股市运行的基础，也是股票投资者关注的焦点。股价的 波动受各种经济因素和非经济因素的影响，分析这些因素的影响，可为投资者做 出正确的投资决策提供一定的依据。虽然影响股价波动的因素很多，但股价有其 内在价值，股价围绕其内在价值波动，内在价值决定论是基本分析法的基础；股 价随投资者对各种因素的心理预期的变化而波动，心理预期理论是技术分析的基 础；股价波动是各种因素形成合力作用的结果。 影响股票价格的因素比较多，可根据内容和性质分为宏观经济因素、微观经 济因素、市场因素和非经济因素等四个方面。 ( 1 ) 宏观经济因素 宏观经济因素从不同的方向直接或间接地影响到公司的经营及股票的获利 能力和资本的增值，从不同的侧面影响居民收入和心理预期，而对股市的供求产 生相当大的影响。宏观经济因素包括：经济周期、通货变动、国际贸易收支、国 际收支、利率、财政政策、产业政策、监管政策等方面。 ( 2 ) 微观经济因素 在影响股价波动微观经济因素中，上市公司是决定自身股价的主要因素。 公司业绩反映当前企业的经营水平，体现为股票的现价，而公司成长性则反 映企业未来发展前景，决定股价的长期走势。 评价公司业绩时，要着重考虑公司净资产、盈利水平、股票拆细和股本扩张、 增资和减资、营业额、公司的派息等相关信息。分析公司的成长性，要从公司所 处行业、竞争地位及经济效率三方面考虑。 ( 3 ) 市场因素 市场是反映股票供求的环境，且使供求相交，最终形成股票价格的条件，因 此市场的供求、市场投资者的构成、市场总体价格波动、交易制度和工具、市场 基于人工神经网络的股价预测模型研究 心理因素等都会影响到股价。市场因素包括：供求关系、投资者构成、总体价格、 交易制度、市场操纵、市场心理预期等方面。 ( 4 ) 非经济因素 就股市而言，一般意义上的非经济因素主要是指自然灾害、战争以及政治局 势变动等等。这些事件一旦发生就会影响股价的波动。这种影响有两个特点：一 是暂时性的影响；二是从总体上通过对经济的影响间接实现的。 1 ) 自然灾害。自然灾害对股价影响产生于灾害对实物资产的损害。灾害发 生时，影响了生产，股价随之下跌，但是另一方面，灾后的重建，刺激生产的扩 张，相关行业的股价会有一定程度的上升。 2 ) 战争。战争期间社会生产力严重破坏，所有经济活动都会围绕战争展开， 造成对股市极大的影响。 3 ) 政治局势变动。变动因素包括：国家主要领导人的更替，政府换届，国 际重大政治活动等等。例如我国大陆和台湾两岸关系紧张，会对股市投资者产生 心理影响“”。 1 3 3 证券分析方法 证券市场是个复杂且难以预测的系统，影响股价变动的因素非常多，是个典 型非结构性及非线性的系统。股票价格指数和平均数仅仅为人们提供了一种衡量 股票价格变动历史的工具，然而，人们更关心的是如何预测股票价格的未来趋势， 以及买卖股票的适当时机。现在大多数股市分析人员采用基本分析法或技术分析 法预测股市的走势，而对于专业的投资机构，则会采取数量方法帮助他们进行复 杂的投资组合分析。 ( 1 ) 基本分析法 基本分析，又称基本面分析，是证券投资分析师根据经济学、金融学、财务 管理学及投资学等基本原理，对决定证券价值及价格的基本要素如宏观经济指 标、经济政策走势、行业发展状况、产品市场状况、公司销售和财务状况等进行 分析，评估证券的投资价值，判断证券的合理价位提出相应的投资建议的一种分 析方法。 基本分析的理论基础是任何金融资产的“真实”( 或“内在”) 价值等于这项 资产所有者预期的现金流量的现值。 基本分析的内容主要包括宏观经济分析、行业分析与区域分析以及公司分析 基于人工神经网络的股价预测模型研究 三大内容。宏观经济分析主要探讨各项经济指标和经济政策对证券价格的影响。 行业分析与区域分析是介于经济分析与公司分析之间的中观层次的分析。公司分 析是基本分析的重点，侧重对公司的竞争能力、盈利能力、经营管理能力、发展 潜力、财务状况、经营业绩以及潜在风险等进行分析，借此评估和预测证券的投 资价值、价格及其未来变化的趋势。 ( 2 ) 技术分析法 技术分析是仅从证券的市场行为来分析证券价格未来变化趋势的方法。证券 的市场行为可以有多种表现形式，其中证券的市场价格、成交量、价和量的变化 以及完成这些变化所经历的时间是市场行为最基本的表现形式。 技术分析的理论基础是建立在以下的三个假设之上的。这三个假设是：市场 的行为包含一切信息，价格沿趋势移动，历史会重复。 技术分析理论的内容就是市场行为的内容。粗略的进行划分，可以将技术分 析理论分为以下几类：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。 技术分析法可以分为图像分析方法和统计分析方法，图像分析法以图像为分 析工具，统计分析法是对价格、交易量等市场指标进行一定的统计处理“1 。 1 3 4 股市预测方法 目前，投资分析专家使用的股市预测方法除了基本分析法和技术分析法外， 还有时间序列分析法、经济计量方法、灰色预测方法、神经网络预测方法。 ( 1 ) 时间序列分析法 这种方法主要是通过建立股价及综合指数之间的时间序列相关辩识模型预 测股市未来变化。基本方法有：移动平均法、指数平滑法、季节性( 周期) 变化、 平稳随机分析( 包括自回归模型a r 、移动平均模型m a 和自回归移动平均模型 a r m a x 等三种方法) 、非平稳随机分析( 包括自回归综合移动平均模型a r i m a 、季 节性模型和x l l 模型等三种) 。 ( 2 ) 经济计量方法 经济计量方法是股票常用的定量预测方法。用经济计量方法对某一经济过程 进行预测可以分为两个阶段：建模阶段和预测阶段。在建模阶段，对于具体的经 济计量模型的选择要考虑到相关的经济理论、可获得的统计数据的具体情况、预 测精度的要求、预测经费的限制等制约因素。在预测阶段，要确信经济的未来运 基于人工神经网络的股价预测模型研究 行相对于既定的模型在预测跨度区间内不发生大的结构性变动。 ( 3 ) 灰色预测方法 所谓灰色预测法，是指虽然我们知道自变量和因变量之间可以满足某种数学 关系和满足某种特定条件，但是由于历史数据的不全面和不充分或某些变量尚不 清楚和不确定，使预测处于一种半明半暗的状态。随着事件的发展、数据的逐步 积累，一些不确定的因素逐步明确，其预测将逐渐由暗变明。这种方法的预测的 理论基础主要是灰色系统理论和模式识别理论。 ( 4 ) 神经网络预测方法 神经网络是一种最新的时间序列分析法。r e f e n e s 等人将神经网络预测方法 和多重线性回归方法在股票市场预测中的应用进行了比较研究，指出神经网络的 平滑内插特性使其能较好的拟合数据并能更好地泛化，其预测精度比统计预测方 法有较大的提高。d u t t a 和m a r q u e z 等人曾将神经网络与线性回归这两种方法做 过比较，其结论是神经网络能得到与线性回归相近或更好的结果。 1 3 5 基于人工神经网络的股价预测的最新进展 可以根据不同的角度，将目前国内外基于人工神经网络的股价预测研究分 类。 ( 1 ) 按照在所使用的神经网络的结构类型的不同，目前的股价预测研究大 致可以分为以下五类。 误差反传神经网络( b a c k p r o p a g a t i o nn e u r a ln e t w o r k ，b p n n ) 自从误差反传神经网络( 也称多层前向网络) 在1 9 8 6 年被提出后就被广泛 的应用，因为它可以在复杂的、有噪声的环境下寻找到相对精确的结果。“。文献 1 4 1 7 中根据预测目标和研究对象的不同选择相应的变量，使用误差反传算法 训练网络，对金融市场的进行预测。文献 1 8 2 0 对误差反传算法进行改进，应 用于对股票价格的涨跌趋势进行预测，取得比较满意的预测结果，也在一定程度 上证明了股市不完全满足随机游走( r a n d o mw a l k ) 理论，说明股市具有可预测 性。 模糊神经网络( f u z z yn e u r a l n e t w o r k ，f n n ) 文献 2 1 使用基于适应性神经元的模糊推理系统，设计5 层网络结构对上证 指数进行趋势预测。文献 2 2 使用多目标遗传算法进行特征选择。文献 2 3 、 2 4 将遗传算法和模糊神经网络相结合对三层前向网络( f e e df o r w a r dn e t w o r k ， 基于人工神经网络的股价预测模型研究 f f n n ) 进行模糊化，对股市买卖策略进行研究。文献 2 5 、 2 6 均根据各自提出 的模糊规则设计网络结构，并使用遗传算法来更新权重，以实现上证指数及个股 的预测。 小波神经网络( w a v e l e tn e u r a ln e t w o r k ，w n n ) 在文献 2 7 、 2 8 中，基本上都配合遗传算法进行最优小波包分解的选择， 并训练神经网络，对股指的走势进行预测，并取得了比较满意的预测效果。 径向基网络( r a d i a l - b a s i sn e u r a ln e t w o r k ，r b n n ) “”1 因为这种类型的网络不存在局部最优的问题，使得其在非线性时间序列预测 中得到广泛应用，则由于遗传算法有广泛的全局寻优能力，因此在预测应用中， 经常配合使用。文献 2 8 、 2 9 、 3 0 采用遗传算法来优化网络结构，利用权重 的调节作用，使得聚类进行修正，淘汰掉距离较远的中心，使得聚类更加准确。 回归神经网络( r e c u r r e n tn e u r a ln e t w o r k ，r n n ) o ” 文献 3 2 使用四层回归神经网络，以五个不同的股票市场( 加拿大、香港、 日本、英国、美国) 的历史交易数据预测下一年的股票回报，为个人投资决策提 供参考，做出了成功的探索。 ( 2 ) 按照预测目标的不同，目前的股价预测研究大致可以分为以下五类。 当日股指预测 这种预测的预测目标是当日某点的股票交易价，采用的样本数据主要包括当 日每个指定时间点的交易的价格、累积的交易量等。文献 3 3 、 3 4 通过与其他 预测模型( 自回归移动平均模型a r m a x 、线性拟合模型) 的对比实验，得出结论 认为非线性人工神经网络模型的优越性。 股价趋势预测 股价趋势预测是以某日收盘价为预测目标，根据预测目标与样本的时间间隔 的不同，可以细分为短期增长预测”1 、长期预测、滚动预测“”“”。在建立预 测模型时，选取的输入变量也不尽相同，常见的有：内幕数据“、股市基本变量 ( 如开盘价、成交量等) 、技术指标变量、会计比率”3 3 、先验知识“。 股票投资策略“”“州“”o 此类预测与股价趋势预测有很多相似之处，但股票投资策略更侧重于对股价 涨跌的转折点的预测，选择时机决定当日或一段时间内的股票买卖策略，往往以 此为基础，建立股票交易决策支持系统。 股票系统风险预测”“” 股票的系统风险是指个股受整体市场变化的影响，它衡量的是整个市场大势 基于人工神经网络的股价预测模型研究 运动引起的股票收益率波动性。系统风险占总风险的比例反映了股市发展成熟水 平的一个方面。例如在股市发展的初期，政府干预的频繁和管理政策缺乏连续性 和稳定性，使市场参与者难以形成稳定的政策预期，遇到利多消息就蜂拥而上， 遇到利空消息则疯狂抛售。因此此类预测也具有很强的实际意义。 股票收益预测“2 “1 文献 4 3 以交易量和股息为基本变量，使用神经网络模型与线性模型对每月 股票总收益进行预测，对比实验结果作者发现神经网络预测模型的预测准确性更 高，预测结果表明，股票收益与影响因素之间是一种非线性关系。 ( 3 ) 按照学习算法和引入理论的不同，目前的股价预测研究大致可以分为 以下七类。 改进的误差反传算法 由于误差反传算法的提出较早，并且国内外学者对误差反传算法的应用研究 比较深入，在预测中取得了较为满意的较果，但是由于误差反传算法自身的缺点， 使得对误差反传算法的改进成为研究热点。 遗传算法。”“ 由于遗传算法具有全局寻优性，它与神经网络的训练算法相结合，使得人工 神经网络预测模型的实用性、准确性有所提高。文献 2 6 、 3 0 分别使用遗传算 法训练模糊神经网络、径向基网络，根据相应的网络特性，对股指的涨跌进行预 测，由于使用了遗传算法提高了相应的网络的性能。 模糊规则 文献 5 6 使用模糊规则的学习方法来训练误差反传网络，通过研究表明这种 应用提供了一个重要的解决方法，但是这还不够，还需要对模糊系统、回归分析 做进一步的研究。 带a g e n t 的学习算法” 文献 5 7 以人类学习的一般特性为基础，建立一个带智能a g e n t 的预测模 型，使用交互式学习，并且经常更新知识，使得a g e n t 能够快速适应高非线性问 题的行为特性。 模式识别技术( p a t t e r nr e c o g n i t i o nt e c h n i q u e s ) ”。 模式识别技术在应用中，一般使用不同的网络结构，对股价的上涨、下跌、 稳定性进行分析预测，以买一卖一持仓的交易策略作为网络的输出，对股市进行预 测。文献 6 1 为便于更加有效的股票交易，提出一系列阀值交易规则，这些交易 规则是使用模式识别技术对交易的可能性进行估计，并通过实验表明：在股市涨 基于人工神经网络的股价预测模型研究 跌趋势及投资交易的最大收益的预测方面，该技术比水平估计模型( l e v e l g s t i m a t i o nm o d e l ) 的预测效果好得多。 灰色理论与神经网络混合”2 “ 在股价预测的研究中，灰色预测模型和灰色关系分析等灰色理论也被应用到 实际的研究中。文献 6 2 应用灰色预测模型预测明日股票价格，使用7 个不同种 类的维度进行实验，观察模型的维度对预测准确性的影响。产生的数据被看作是 灰色关系分析和神经网络预测的新技术产生的指数。然后训l 练回归神经网络，预 测未来股票价格趋势，并通过实验证明了所提出的模型可以提供好的预测结果。 嵌入理论 文献 6 6 提出了一种将延迟一嵌入定理与人工神经网络相结合预测混沌数 据的基本方法，讨论了嵌入延迟时间和嵌入维的计算方法，并从信号处理的角度 分析了相空间重构同预测的关系，并以此确定神经网络的输入层结构；最后应用 于股票指数和价格的预测，结果表明这种方法对解决这类问题具有广阔的前景。 从目前的股价预测模型研究中值得改进的有以下几点： ( 1 ) 绝大多数提出的模型都是基于各自不同的前提，并且选择输入变量时 没有任何依据。然而在建模过程中，即使模型不同或者评价标准不同，输入变量 都应该是有效的。模型中包括不相关变量或略去重要变量均将对预测结果产生重 要影响，且使预测结果失去可信。显然，开发相应的变量选择方法是必要的。 ( 2 ) 根据不同的人工神经网络的特性，在股票预测中所研究的人工神经网 络的类型也逐渐增多。但是，仍需要研究决定哪种类型的人工神经网络更适合股 票预测。 ( 3 ) 一些高级技术和方法已被证明可以成功的建立有研究意义的新的混合 系统。例如：使用遗传算法来确定训练算法中的参数。同时网络结构中的各参数 的初始值的设定太过任意性，有必要改进初值的设定范围以提高人工神经模型的 预测速度。 1 4 本文的研究思路及研究工作 本文通过对股市可预测性的阐述、股市影响因素的分析以及证券分析方法和 股市预测方法的综述，论述了基于人工神经网络的股价预测模型研究的可行性。 本文基于股价预测研究现状，将从误差反传算法在预测中存在的问题入手，选择 并改进人工神经网络的激励函数、误差函数，合理缩小网络结构中的各神经元的 基于人工神经网络的股价预测模型研究 阀值及各神经元之间的权值的初始值域，同时将遗传算法引入权重更新过程，提 出基于误差反传算法和权重进化算法的混合训练方法，解决误差反传算法的收敛 速度慢、易于陷入局部极小点的问题，并在此基础上建立股价预测模型。以基于 人工神经网络的股价预测模型为技术基础，开发一套智能股价预测系统，最后结 合我国股市实际的历史交易数据对该股价预测模型的有效性进行分析。 本文的目的在于通过基于人工神经网络的股价预测模型的建立，为证券投资 者预测股票的价格走势，对投资者的投资决策提供辅助支持，进而提高证券投资 的技术性和科学性，降低中小投资者的投资风险，提高其个人收益。 本文将从以下几方面对股价预测模型进行研究： ( 1 ) 以股价预测为研究对象，选择合适的神经网络及训练算法。本文将侧 重于对训练算法的研究，分析误差反传算法存在问题，提出改进方案，并将引入 遗传算法，提出一种快速收敛、全局寻优的混合算法。 ( 2 ) 将以本文提出的混合训练算法为基础，建立基于人工神经网络的股价 预测模型；并将根据对股价影响因素的分析，选择与股价变动相关的数据作为输 入变量，增加预测模型可解释性。 ( 3 ) 将根据本文建立的股价预测模型，设计并开发一套股价预测系统。 ( 4 ) 本文将选取深沪两市部分股票，分别以股票收盘价、收盘价涨跌值、 收盘价涨跌率为预测目标进行股价预测实验，并对预测结果进行误差评价，分析 不同预测目标的预测效果的差异，进而评价本文提出的股价预测模型的有效性和 实用性。 基于人工神经网络的股价预测模型研究 2 基于混合训练算法的多层前向网络 2 1 人工神经网络概述 2 1 1 定义及典型模型 人工神经网络( a r t i f i c i a l n e u r a l n e t w o r k ，a n n ) ，也称为神经网络( n e u r a l n e t w o r k ，n n ) ，由大量的处理单元( 即神经元，n e u r o n s ) 广泛互连而成的网络， 是对人脑的抽象、简化和模拟，反映人脑的基本特性”“。 迄今为止，有3 0 多种人工神经网络模型被开发和应用，其中典型的模型有： ( 1 ) 自适应谐振理论( a r t ) ，由g r o s s b e r g 提出的，是一个根据可选参数 对输入数据进行粗略分类的网络。a r t l 用于二值输入，而a r t 一2 用于连续值输 入。a r t 的不足之处在于过份敏感，输入有小的变化时，输出变化很大。 ( 2 ) 双向联想存储器( b a m ) ，由k o s k o 开发的，是一种单状态互连网络， 具有学习能力。b a m 的缺点为存储密度较低，且易于振荡。 ( 3 ) h o p f i e l d 网，由h o p f i e d 提出的，是一类不具有学习能力的单层自 联想网络。h o p f i e l d 网模型由一组可使某个能量函数最小的微分方程组成。其 短处为计算代价较高，而且需要对称连接。 ( 4 ) b o l t z m a n n 机( b m ) ，由h i n t o n 等提出的，是建立在h o p f i e l d 网基础 上的，具有学习能力，能够通过一个模拟退火过程寻求解答。不过，其训练时间 比b p 网络要长。 ( 5 ) 误差反传网络( b p ) ，即多层前向网络，最初由w e r b o s 开发的反向传 播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望输出间的 最小均方差值。b p 网是一种反向传递并能修正误差的多层映射网络。当参数适 当时，此网络能够收敛到较小的均方差，是目前应用最广的网络之一。b p 网的 短处是训i 练时间较长，且易陷于局部极小。 ( 6 ) 对流传播网络( c p n ) ，由h e t h t n i e l s o n 提出的，是一个通常由五层 组成的连接网。c p n 可用于联想存储，其缺点是要求较多的处理单元。 ( 7 ) i a d a l i n e 算法，是a d a l i n e 算法的一种发展，是一组具有最小均方差 线性网络的组合，能够调整权值使得期望信号与输出间的误差最小。此算法是白 适应信号处理和自适应控制的得力工具，具有较强的学习能力，但是输入输出之 间必须满足线性关系。 ( 8 ) 认知机( n e o c o g n t i o n ) ，由f u k u s h i m a 提出的，是至今为止结构上最 为复杂的多层网络。通过无师学习，认知机具有选择能力，对样品的平移和旋转 不敏感。不过，认知机所用节点及其互连较多，参数也多且较难选取。 ( 9 ) 感知器( p e r c e p t r o n ) ，由r o s e n b l a t t 开发的，是一组可训练的分类 器，属于单层感知器，是最古老的a n n 之一，现已很少使用。 ( 1 0 ) 自组织映射网( s o m ) ，由k o h o n e n 提出的，是以神经元自行组织以校 正各种具体模式的概念为基础的。s o m 能够形成簇与簇之间的连续映射，起到矢 量量化器的作用。 2 1 2 人工神经网络应用的可行性及网络模型的选取 对股票价格预测模型进行研究发现，在本文研究所涉及的范围内，已积累了 大量的历史性数据和样本：所提供的数据组是多变的、伴有噪声的，但它们却描 述了确定的样本；同时，股价预测问题没有确定的求解方法；并且预测结果是从 一些高度关联的参数中导出的，而这些参数又没有确切的数量表示。通过1 3 4 节的论述，可以看出人工神经网络用于股价预测研究要比传统的统计方法、一般 计算方法优越。因此，本文使用人工神经网络进行研究是可行的。 人工神经网络模型的选取是由具体的应用任务决定的。表2 1 列出了各类人 工神经网络模型的基本性能“”。 表2 i 各种人工神经网络的基本性能 t a b l e2 tt h eb a s i cp r o p e r t i e so fa n n s 性能特点 训练方法 训 执判决信息实用 输出类型 模型类别有指导否练行信息容量性 图实 分 最时时 简复 有否低高低高 形数类佳 间间 盥 杂 a r t 快 由 b a m 快快 h o p f i e l d快 由 b m 慢慢 b p慢快 基于人工神经网络的股价预测模型研究 ( 续2 1 ) c p n 中快 m a d a l i n e中快 n e o c o g n t i o n中中 p e r c e p t r o n 由 快 s o m 由 快 本文的研究对象为股价预测模型，网络的输出为实数，并且要求实用性较强。 从表2 1 中可以看出：适合于股价预测的网络模型有b m 、b p 和c p n 。但由于 b m 学习过程中计算时间过长、对统计错误比较敏感；c p n 网络模型的输出只能 反映输入数据的统计特性，而不能像b p 网络模型那样可以反馈精确的信息，对 于股价预测这种要求精度比较商的问题，使用c p n 网络不太适合。因此本文选 取b p 网络模型( 即多层前向网络) 进行股价预测模型的研究。 2 2 多层前向网络 2 2 1 多层前向网络定义 图2 1 含有两个隐含层的前向神经网络 f i g u r e2 1 f e e d - f o r w a r dn e u r a ln e t w o r ks t r u c t u r ew i t ht w oh i d d e nl a y e r s 基于人工神经网络的股价预测模型研究 多层前向网络( m u l t i l a y e rf e e df o r w a r dn e u r a ln e t w o r k ) ，也称为误差 反传网络( b a c k p r o p a g a t i o nn e u r a ln e t w o r k ) 或多层感知器( m u l t i l a y e r p e r c e p t r o n s ) ，含有一个或更多的隐含层，其中计算节点被相应的称为隐含神经 元或隐含单元。多层前向网络由输入层、隐含层和输出层组成，其中隐含层可以 为一层或多层。图2 1 为含有两个隐含层的四层前向神