神经网络 股市 基于神经网络的股票预测

2022年5月2日发

(作者：一代人见证)

维普资讯

Ｒ　散　静。　

｛、悃　缱　

技术经济与管理研究　１９９８年弟４期　

基于神经网络的　

０一　股　票指数预测　

厶　厶　

李焕荣李瑛　

一

、神经网络预翻原理　

１．神经网络预测的原理　下　１弋　

人工神经网络，简称ＡＮＮ是一类模拟人脑功能的新的信息加工处理系统，其理论基础　

是神经网络的数学模型seo关键字。神经网络系统中包古大量的基本信息处理单元东宁网，称为神经元或节　

点。神经元本身仅做简单的信息加工处理444ke，而神经元之间则是有十分复杂和丰富的相互联接　

关系怎样处理公关危机，其中的联接强度用一种可变的权值表示网站建议。根据一定的学习规则．通过改变神经元之间　

的联接强度以适应所处理的问题，因而神经网络具有学习功能seo自学网。神经网络对于处理那些因果　

关系不明确、知识背景不清楚、推理规则不确定的问题尤其具有独到之处西安推广公司。因为在神经网络　

模型中，信息隐古在由大量神经元连磺起来的网络中，不需要显式描述；结构的并行性，使　

其可同时处理多种定量关系；非线性转怏函数买链，为非线性问题的处理提供了有力工具；网络　

具有自学习，可训练新增数据调整模型　对动态过程具有自适应性南充网站建设。因此．作者认为，通过　

神经网络模型的拟合bbaidu，提取尽可能的信息数据的分析，可以较好的预测股票指数变动的趋势。　

２．神搓网络预舅模型　

八十年代以来，迅速恢复的人工神经网络研究，在许多学科的应用已取得了很大的进　

展烟台百度推广，其中应用最为广泛的是“误差反传”的ＢＰ网络模型网络seo，该模型是一种有监督学习模型roi是什么意思，　

具有很强的自组织、自适应能力易汇资讯。它通过对有代表性的样本进行学习训练后qiao baidu com，能掌握研究系　

统的本质特征福州网站制作。　

３．神蛙网络预舅模型的优点　

用神经网络进行复杂序列的非线性预测具有传统预测方法所没有的很多优点：　

（１｝实现了非线性关系的隐式表达，不精要建立复杂系统的显式关系式；　

（２）容错性强购买外链，可以处理信息不完全的预测同题，而信息不完全的情况在实际中经常遇到；　

（３）由于神经网络具有一致逼近的效果营销策略，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），在非样本点上搜索引擎优化服务，表现出网络的联想记忆功能；　

（４）由于神经网络具有并行处理能力，所以其预测速度快；　

（５）动态自适应能力强，可适应外界新的学习样本深圳百度竞价，使网络知识不断更新；　

（６）非专业人员根据新获得的数据番禺seo，容易建立新的预测模型，吸收新的信息来提高援测　

精度　

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　

度容错的成都网站优化多少钱，具有复杂的动态非线性特征网络营销的定义，因而用传统的方法进行预测困难很大，而神经网络　

预测方法具有上述优点，正好能够解决这些难题。　

二、股票指数的神经网络预测模型的建立和预测　

为了便于与《预测》ｌ９９６年第２期所载《股市行情的多元数据分析》一文提出的多元　

回归分析方法预测结果进行比较舟山网站建设，我们在此也采用ｌ９９５年７月３日至ｌ０月ｌ８日问７５个交　

・柏・　维普资讯

易日的上证指数及当日成交量作为样本进行神经网络训练和建模，对未来几日上证指数作出　

预测写博客工具，并比较两种预测方法应用于实际数据的能力。　

１．模型参数的确定　

训练后的神经网络模型作“单步”预测和“多步”预测又名永州站长网。“单步”预测是每步都使用历　

史数据网络舆情应对，仅预报第二天的股票指数：　“多步　预测是指已预测的股票指数作为网络输入，来　

预报多步后的将来值郴州seo。例如，单步预测为：用输入数据ｉ　刷关键词排行工具，…seo营销方式，ｉ东营建站，得到预测值为　，３步预　

测为：用输入数据ｉ－汉中建网站，…石家庄网络营销，　得到预测值为Ｅｌｓ如何进行品牌推广。下述的神经网络的单步预测和多步预测都是　

以这种方式完成的。　

我们将实际数据分为两组：前　个上证指数为训练集，从６６—７５日为检验集。对神经　

网络来说，若隐层数和各层内的节点数过多黑链接，则不仅会降低系统的性能，而且影响系统的效　

率。所以首先必须确定输入层神经元的数目。经过多次实验，本文采用５个输入神经元．至　

于隐古层神经元的个数冯耀宗，我们首先选定１５，用训练样本来学习网络发软件，然后减少隐单元数后再进　

行学习，通过观察训练误差变化的大小来调整隐单元数重庆产品推广。其原则是：若在减少隐单元数进行　

训练时过程平衡（即逐步收敛并达到较小的误差）且误差无显著增加google快速排名，则说明减少隐单元数是　

合适的；杏则表明隐单元数不宜减少在线刷ip，而应增加隐单元数直到满意为止。经过多次实验．最　

后得到适宜的网络模型为卜６—１网络模式。　

２．预测结果比较分析　

用神经网络模型进行单步预测和多步预测优化资讯，其结果见表１　

裹ｌ神经网络预测方法与多元回归分析方法的结果比较　

＾　＾　＾　＾　交易日期　

１Ｏ月２０日　

１Ｏ月２３日　

１Ｏ月２４日　

１Ｏ月２５日　

１Ｏ月２６日　

Ｘ　

７２６．３０　

７２３．１Ｏ　

７２３．６０　

７６０．４０　

７３１．５０　

ｘ　

７ｏ４．４８　

７２６．２０　

７２３．２５　

７２３．８１　

７５５．７０　

《　

７１７．４４　

７３３．∞　

７１６．８４　

７３７．４０　

７４１．３７　

《　

７０７．８５　

７２８．３３　

７１７．１５　

７１６．５８　

７４４．４８　

７１６．９８　

１Ｏ月２７日　

１Ｏ月３０日　

１Ｏ月３１日　

１１月１日　

１１月２日　

１１月３日　

７２２．４０　

７２２．７７　

７１７．３１　

７２３．３９　

７２１．８２　

７２７．７８　

７２９．３６　

７２１．９７　

７２２．５５　

７１７．５０　

７２５．６７　

７２５．５８　

７１５．０７　

７１９．７３　

７２１．７６　

７５１．７３　

７２５．４２　

７１８．５８　

７加．６２　

７ｌ６．Ｂ２　

７２６．６５　

７２９．０８　

７１８．０２　

７１９．２０　

７１８．９８　

＇７１５．２＂／　

相关系数ｐ　

均方误差ｄ　

平均相对误差　

Ｏ．１１　

１６．７４　

１．５８％　

Ｏ．６１　

９．９２　

１．Ｏ６％　

０．０７　

１６．７７　

１．７７％　

Ｏ．７８　

９．１６　

１．０２％　

表中seopassword，ｘ　和ｘ　分别为ｔ交易日的来来ｋ个交易日的上证指数收盘实际值ｘ的多元回　

归分析方法和神经网络方法的预测值。　

为了同多元回归分析方法的预测效果相比较．本文将多元回归模型预测的结果也列入表　

１中北京seo公司。ＡＮＮ预测法的预测值序列与实际数据序列相关程度较大（分别为０．６１和０．７８），而多　

元回归分析方法的预测值序列与实际数据序列极不相关（相关系数分　Ｕ为０．１ｌ和０．Ｏ７），所　

以神经网络预测基本上反映了股票指数的波动趋势，曲线的拟合程度优于多元回归分析方　

法旺道网站排名优化。并且从平均相对值误差和均方误差看，ＡＮＮ预测结果小于多元回归分析结果装饰公司软文，可见　

ＡＮＮ预测法的预测精度优于多元回归分析方法。总之移动互联网推广，通过上述分析比较可知，ＡＮＮ预测　

方法显然比多元回归分析方法更适用于股票指数的预测，ＡＮＮ预测法的预测结果是令人蒲　

意的落伍者。　

作者单位：广东江门五邑大学、江门体撞　

・４ｌ・