爱华网基于BP神经网络的股票价格分析
摘要：本文从技术分析的角度分析股票市场的变动，以深沪A股在2012年五月份的具体数据作为实例，采用BP神经网络对股票价格进行预测。将关于每支股票的基本数据信息作为候选输入变量，再从中筛选出与股票价格变化相关性比较强的变量作为输入变量，从而建立一个三层的BP神经网络进行预测。
关键词：BP神经网络 股票价格预测 MATLAB软件
1. 引言
1.1课题背景
人类进入21世纪已经超过了十个年头，我们的生活已经离不开信息化的产品以及各种各样的金融产品，而信息与金融二者之间的关系又是密不可分的。在股票投资的市场中，投资者想要处于不败之地，就必须时刻留意其购买或者有意向收购的股票价格的浮动以判断买卖股票的适当时机。因此，科学地分析每支股票的变动趋势，对其进行价格预测具有重要的意义。股票市场是一个及其不稳定的系统，而且其中每支股票的价格变动呈非线性状态，这样的复杂性决定了投资者不可能仅仅从股价指数及其平均数这些简单的数据得出股价的变动趋势。影响股票价格的因素是多种多样的，其中主要取决于公司的基本面数据，公司财务状况，管理层经营能力等等公司基本因素，此外还与宏观经济走势，国家金融政策以及投资者的投资心理等等非线性因素有关。基于股价的技术分析学派的观点，股票市场上的历史是会不断循环重演的，而且国家对于经济的调控以及人类的投资心理是有规律可循的的。因此，为了尽可能做出合理的投资选择，我们可以适当地利用每支股票的基本数据以及技术指标的历史资料，采用建立数学模型的方法对股票进行一定程度上的价格预测。BP神经网络是一[牛宝宝日记本]种目前来讲应用范围最广泛的数学模型之一。它具有学习和储存大量输入-输出模式映射关系，而无需事前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，它具有十分强的自学习能力以及自适应能力，适用于分析一些非线性关系的系统结构，正因如此，BP神经网络模型成为不少有关预测的实验研究中的选择。
1.2 研究现状
随着BP 神经网络信用风险管理模型应用的增多，许多学者逐渐认识到BP 神经网络信用风险模型在处理财务数据时存在的问题，采取一系列的措施对BP 神经网络信用风险模型进行了改进，特别是对于权值设定的改进做了大量的工作。Back 等建议将遗传算法与神经网络结合起来协同工作，但没有实际讨论引入遗传算法后带来的实际效果; Piramuthu 采用符号特征样本的技术处理输入数据取得了较为明显的效果，但是符号特征样本技术则存在较为主观的人为因素影响。国内学者在引进神经网络以后，也为神经网络模型的优化进行了卓有成效的努力。如许佳娜、西宝采用层次分析法对神经网络模型的改进，以及郭英见、吴冲采用DS 证据理论将神经网络和SVM 的输出结果进行的融合，都在一定程度上增强了神经网络模型的判别准确率，但他们在神经网络的权值修改上仍然没有找到很好的设定规则。
2. BP神经网络在股票价格预测上的应用
2.1 BP神经网络介绍
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前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。
近年来，人工神经网络因为其理论简明，学习精确度搞，并且具有监督功能，它在财务金融上的应用逐渐普遍了起来，例如债券评等，期货交易，破产倒闭预测等等。其基本架构如图一所示。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。输入层表示类神经网络的输入
变量，处理单元数目岁问题需要而定。隐含层用于处理单元之间的交互影响，其处理单元数目并无标准法则，大多以试验方式做抉择，且使用非线性转换函数，可以有多个隐含层，但是已经有研究发现，最多只需要用到三层隐含层就可以解决各种复杂的分类问题。而输出层则表示类神经网络的输出变量，处理单元的 数目随问题而定，用非线性转换函数确定。各层之间实现完全连接，每一层节点的输出只影响下一层节点的输出，且各层节点的作用是不同的：输入层接受外界信息；输出层对输入层信息进行判别和决策；中间隐层用来表示或存贮信息。在网络训练阶段用准备好的样本数据依次通过输入层，隐含层和输出层，比较输出结果和期望值，判断其有没有达到要求的误差程度或者训练次数，通过这样的方法来调节权值，以便使网络成为具有一定适应能力的模型。BP神经网络机构图如下：
X
Y1
XYj
X Ym
图1
BP算法的基本思想是：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即作为修正各神经元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，也就是网络的学习训练过程。在训练过程中，只要训练结果大于预定阀值，或反复训练数小于规定反复训练次数，就继续进行下去，这是是周而复始地进行的，权值不断调整的过程。此过程一直进行到网络输出误差减少到可接受的程度，或进行到预先设定 的学习次数为止。网络学习过程一般使用最速下降法，即每当输入一个训练范例，网络即小幅调整加权值的大小，而调整的幅度与误差
