基于BP网络的股票数据预测模型

基于BP网络的股票数据

预测模型

姓名：江政

班级：控制2015级

学号：2015028081100015

2016 年6月 26日

需求分析和网络结构设计

根据我们对自然神经系统的构造和机理的认识，神经系统是由大量的神经细胞（神经元）构成的复杂的网络，人们对这一网络建立一定的数学模型和算法，设法使它能够实现诸如基于数据的模式识别，函数映射等带有“智能”的功能，这种网络就是神经网络。其中，BP （Back Propagation ）神经网络是1986年由Rumelhart 和McCelland 为首的科学家小组提出，是一种按误差反向传播算法训练的多层前馈网络。BP 网络能学习和存贮大量的输入—输出模式映射关系，而

其他神经网络具有重要作用。

针对150组股票数据进行拟合（详细数据请见《附件1》），选取其中的开盘、最高、最低、收盘和成交次数五组数据，用当日的这五组数据来预测次日的收盘数据，从而等效建立一个股票数据预测模型。采用包括输入层、隐含层和输出层的三层BP 网络结构，如图1所示，输入层包含五个神经元，隐含层包含三个神经元，输出层为一个神经元。其中，隐含层神经元的激活函数采用非对称型Sigmoid 函数，函数表达式为：))exp(1/(1)(x x f -+=，输出层神经元的激活函数采用线性函数，表达式为：x x f =)(。将150组数据分为三等份，其中两份作为训练样本，用来对网络进行训练学习；另外一份作为测试样本，用来检验所训练出的网络的泛化能力。采用BP 算法对隐含层和输出层权值进行修正，以达到计算输出和实际样本输出相差最小，最终实现较精确预测的目的。

图1 预测模型的网络结构

MATLAB源程序（版本不限）

clear all

clc

clf

%采用三层BP网络结构

%输入层神经元数为5，隐含层神经元数为3，输出层神经元数为1

%最大迭代次数

maxcishu=5000;

%e为计算输出和样本实际输出差

%在内存中开辟maxcishu个存储空间

e=zeros(maxcishu,1);

% 输入数据维度5，输入节点数5

% maxp当日最高价序列

% minp当日最低价序列

% sp当日开盘价

% ep当日收盘价

% tnum当日成交量

% 调用数据

%shuju=xlsread('dm.xlsx', 'B1:K151');

shuju=importdata('dm.xlsx');

sp=shuju.data(:,1)';

maxp=shuju.data(:,2)';

minp=shuju.data(:,3)';

tnum=shuju.data(:,10)';

ep=shuju.data(:,4)';

%将数据集按照2:1分为训练样本集，和测试样本集

jishu=length(ep);

jishu=ceil(jishu/3*2) ;

%测试样本集是2/3处到最后一个

spt=sp(jishu+1:end);

maxpt=maxp(jishu+1:end);

minpt=minp(jishu+1:end);

tnumt=tnum(jishu+1:end);

ept=ep(jishu+1:end);

%训练样本集

sp=sp(1:jishu);

maxp=maxp(1:jishu);

minp=minp(1:jishu);

tnum=tnum(1:jishu);

ep=ep(1:jishu);

%记录下每组的最大值最小值，为训练样本集的归一化准备

maxp_max=max(maxp);

maxp_min=min(maxp);

minp_max=max(minp);

minp_min=min(minp);

ep_max=max(ep);

ep_min=min(ep);

sp_max=max(sp);

sp_min=min(sp);

tnum_max=max(tnum);

tnum_min=min(tnum);

% 目标数据为次日的收盘价，相当于把当日收盘价时间序列向前挪动一个单位goalp=ep(2:jishu);

%数据归一化,将所有数据归一化到(0 1)

guiyi=@(A)((A-min(A))/(max(A)-min(A)));

maxp=guiyi(maxp);

minp=guiyi(minp);

sp=guiyi(sp);

ep=guiyi(ep);

tnum=guiyi(tnum);

% 后面的目标数据goalp个数是ep向前移动一位得到，所以最后一组的目标数据缺失

% 所以，要把除了目标数据goalp以外的所有数据序列删除最后一个

maxp=maxp(1:jishu-1);

minp=minp(1:jishu-1);

sp=sp(1:jishu-1);

ep=ep(1:jishu-1);

tnum=tnum(1:jishu-1);

%需要循环学习次数loopn，即训练样本的个数

loopn=length(maxp);

%为了方便表示将5个行向量放到一个5*loopn的矩阵中simp中,每一列是一个样本向量

simp=[maxp;minp;sp;ep;tnum];