基于Bp神经网络的股票预测

3. 股票预测BP网络模型的建立

3.1 数据的采集和预处理

本文选择了中国银行（601988）2013/11/1-2014/5/15的收盘价和中国汽研（601965）2013/4/1-2014/5/12的收盘价作数据采集。

根据模型建立的需要，BP神经网络要求样本集合理区间为[0，1]或[-1，1]，所以要对样本集进行归一化处理。

'xk?归一化公式为：

xk?xminxmax?xmin Matlab中归一化处理数据可以采用premnmx ，

postmnmx ， tramnmx 这3个函数。本文用了premnmx归一化函数和postmnmx反归一化函数。 premnmx

语法：[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t) 参数：

pn： p矩阵按行归一化后的矩阵

minp，maxp：p矩阵每一行的最小值，最大值 tn：t矩阵按行归一化后的矩阵

mint，maxt：t矩阵每一行的最小值，最大值

作用：将矩阵p，t归一化到[-1,1] ，主要用于归一化处理训练数据集。 postmnmx

语法： [p,t] = postmnmx(pn,minp,maxp,tn,mint,maxt)

参数：minp，maxp：premnmx函数计算的p矩阵每行的最小、最大值mint，maxt：premnmx函数计算的t矩阵每行的最小值，最大值

作用：将矩阵pn，tn映射回归一化处理前的范围。postmnmx函数主要用于将神经网络的输出结果映射回归一化前的数据范围。

3.2 训练网络的设计

在有合理的结构和恰当的权值条件下，三层前馈网络可以逼近任意的连续函数，这样，就提供了一个设计BP神经网络的基本原则。较少的隐含层，可以实现样本空间的超平面划分，选择两层BP网络就可以实现有效的预测了。本文将采用单隐含层的网络设计，分为单隐含层和输出层两个网络层次，如图所示。

本文将连续五天的价格作为一组输入，将第六天的价格作为输出目标。既用前五天的价格来预测第六天的价格。所以输入层神经元数目是5。输出层的节点数取决于两个方面：输出数

据类型和表示该类型所需的数据大小；同时，根据经典的道氏理论，股票价量分析中最重要的指标就是收盘价。本文所建的股票预测模型，就是针对单只股票的走势进行预测，所以，将股票的收盘价作为该预测模型的唯一输出向量，这样，网络输出层的神经元数目即为1。 BP网络隐含层节点数的多少和BP网络预测精度之间有很大相关性，节点数太少，神经网络的训练能力就会变弱，无法完成精确预测。节点数太多，神经网络训练时间变长且网络可能出现过度拟合现象。所以选择合适的节点数才能使BP网络的性能得到最大发挥，但目前还没有统一的标准来确定隐含层的节点数，所以本文经过多次试验多次比较最终确定了隐含层节点数为12。

传递函数是BP网络的重要组成部分，必须是连续可微的；BP网络通常采用S型的对数或正切函数。本预测模型采集到的原始数据，经过归一化处理后输入、输出向量均在区间[-1,1]范围内，符合S型的对数或正切函数的取值区间。因此，隐含层传递函数选择tansig，输出层传递函数选择purelin，训练函数采用traingdm。 训练参数设为：

net_1.trainParam.show = 50; 限时训练迭代过程 net_1.trainParam.lr = 0.05; 学习率

net_1.trainParam.mc = 0.9; 附加动量因子 net_1.trainParam.epochs = 20000; 最大训练次数 net_1.trainParam.goal = 1e-3; 训练要求精度

训练过程如图：

关于性能函数的设计，本文采用典型的前项反馈网络误差性能函数为均方误差函

数mse：

4. 股票预测分析

4.1中国银行预测分析

在MATLABr2014a 中用函数xlsread 导入已经下载好的中国银行（601988）2013/11/1-2014/5/15的收盘价作为输入样本，进行BP网络训练。

网络结构：

BP神经网络的仿真结果：

图中红色线为预测曲线，蓝色线为实际曲线，可以看出模拟出的曲线大致上与实际曲线相同，

但有些地方明显误差偏大，很可能是由于训练样本的数目过少和训练次数不够而导致。

此图为实际值与预测值的误差曲线，可以明显看出误差确实比较大，所以此图预测结果不尽人意。

误差训练情况：

梯度：