付世鳳 趙莉 蔡文君

摘要：文章以證券行業(yè)的歷史數(shù)據(jù)作為原始數(shù)據(jù)集，采用BP神經(jīng)網(wǎng)絡(luò)算法找出股票運(yùn)行規(guī)律和走勢(shì)情況，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析，結(jié)果表明該預(yù)測(cè)結(jié)果正確率比較高。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);股票行情

中圖分類號(hào)：TP393? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）18-0201-02

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

證券業(yè)是信息化比較早的行業(yè)，其行業(yè)數(shù)據(jù)實(shí)時(shí)更新，積累了大量的歷史數(shù)據(jù)，如果證券從業(yè)人員能針對(duì)這些歷史數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)股票的運(yùn)行規(guī)律和走勢(shì)情況，這會(huì)在證券從業(yè)人員作未來市場(chǎng)決策時(shí)起非常重要的作用。

1業(yè)務(wù)分析

證券行業(yè)的業(yè)務(wù)數(shù)據(jù)主要由證券交易過程中產(chǎn)生的數(shù)據(jù)組成，其中與本文預(yù)測(cè)目的有關(guān)的就是行情數(shù)據(jù)，某支股票的歷史收盤價(jià)是預(yù)測(cè)的重要依據(jù)：其中的以gi表示股票在i日的股價(jià)，股票價(jià)格的變化應(yīng)該是存在某些規(guī)則，如果某天的股價(jià)為gn，那么g1，g2....gn-1表示它前面n-1天的股價(jià)，gn與g1，g2....gn-1之間應(yīng)該存在某種關(guān)系，而找出這種關(guān)系是解決問題的關(guān)鍵，本文擬采用BP神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)。

2 BP神經(jīng)網(wǎng)絡(luò)算法原理

1）BP神經(jīng)網(wǎng)絡(luò)算法模型[1]

BP神經(jīng)網(wǎng)絡(luò)算法是模擬人神經(jīng)網(wǎng)絡(luò)工作原理具自學(xué)習(xí)、自適應(yīng)性的一種高效算法。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是由很多節(jié)點(diǎn)構(gòu)成，這些節(jié)點(diǎn)分成三類，一部分屬于輸出層記為I1 I2 I3 I4，一部分屬于隱藏層記為 Y5 Y6? Y7 Y8 ，一部分屬于輸出層記為O9，每個(gè)節(jié)點(diǎn)在接收到輸入信號(hào)后會(huì)處理成輸出信號(hào)，且在此結(jié)構(gòu)中節(jié)點(diǎn)并不孤立存在，它們相互之間存在關(guān)聯(lián)，形成一個(gè)網(wǎng)絡(luò)，具體如下：

a）I1 I2 I3 I4是輸入節(jié)點(diǎn)，其輸入不做處理即輸出：

Out_I1=Input_I1 ;Out_I2=Input_I2;

Out_I3=Input_I3 ;Out_I4=Input_I4;

b）Y5 Y6? Y7 Y8是隱藏層節(jié)點(diǎn)其輸入需做處理后輸出：

Input_Y5=Out_I1*W15+Out_I2*W25+Out_I3*W35+Out_I4*W45 +θ5;

Input_Y6=Out_I1*W16+Out_I2*W26+Out_I3*W36+Out_I4*W46 +θ6;

Input_Y7=Out_I1*W17+ Out_I2 *W27+ Out_I3 *W37+ Out_I4 *W47+θ7;

Input_ Y6=Out_I1*W18+ Out_I2 *W28+ Out_I3*W38+ Out_I4 *W48+θ8;

Out_Y5=f（input_Y5）;

Out_Y6=f（input_Y6）;

Out_Y7=f（input_Y7）;

Out_Y8=f（input_Y8）;

其中f是處理函數(shù);Wij是指第i個(gè)節(jié)點(diǎn)到第j個(gè)節(jié)點(diǎn)的權(quán)值，以Y5節(jié)點(diǎn)為例，它的前續(xù)節(jié)點(diǎn)有I1 I2 I3 I4，這些節(jié)點(diǎn)的輸出信息都可以作為 Y5節(jié)點(diǎn)的輸入，但是所占權(quán)重不同，而權(quán)重分別就是W15 W25 W35 W45。

c）O9是輸出層節(jié)點(diǎn)，其輸入需做處理后輸出：

Input_O9=Out_Y5 *W59+ Out_Y6 *W69+ Out_Y7 *W35+ Out_Y8 *W89+θ9;

Out _O9=f（input_O9）;

Out _O9是該節(jié)點(diǎn)計(jì)算出的實(shí)際輸出，該節(jié)點(diǎn)的理論輸出可由訓(xùn)練集得到，記為Out_O9，這兩者之間值并不相等，也就是經(jīng)由實(shí)際神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算出的值存在誤差，決定這個(gè)誤差的就是Wij即節(jié)點(diǎn)之間的權(quán)值，所以需要對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)值不斷修正，以使誤差縮小到一個(gè)可以允許的范圍，這個(gè)過程就是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程。

2）BP神經(jīng)網(wǎng)絡(luò)算法的流程[2]

神經(jīng)網(wǎng)絡(luò)訓(xùn)練是一個(gè)重復(fù)的過程，需要不斷從訓(xùn)練集中取出記錄向量進(jìn)行訓(xùn)練，將取出每一個(gè)記錄向量分成輸入向量和輸出向量?jī)刹糠?，輸入向量作為輸入層?jié)點(diǎn)的值，輸出向量作為輸出層節(jié)點(diǎn)的理論值，通過運(yùn)轉(zhuǎn)網(wǎng)絡(luò)來獲得輸出層節(jié)點(diǎn)的實(shí)際值，所以首先可求出輸出層節(jié)點(diǎn)的誤差，然后根據(jù)誤差以及特定參數(shù)調(diào)整權(quán)值，新的權(quán)值不斷迭代舊的權(quán)值，直到迭代后某次誤差足夠小或者迭代次數(shù)達(dá)到最大即停止，權(quán)值修正過程與計(jì)算節(jié)點(diǎn)輸出的過程正好相反[3]，是一個(gè)反向的過程。Errj是第j個(gè)節(jié)點(diǎn)的誤差，誤差計(jì)算和權(quán)值修正的順序應(yīng)該符合剛才的反向過程，最先計(jì)算的應(yīng)該是第9個(gè)節(jié)點(diǎn)，即Err9，能更新的權(quán)值有W59 W69 W79W79;其次計(jì)算Err5、Err6、Err7、Err8能更新的權(quán)值有W15 W25W35 W45W16 W26 W36W46 W17 W27 W37 W47 W18 W28 W38 W48具體公式如下：

Errj= Out _Oj- Out _Oj”

Wij（k+1）= Wij（k）+ △Wij = Wij +（1-α）*L* D（k）+α* D（k-1）

D（k）= Wij（k）-Wij（k-1）

其中參數(shù)α為彈性因子，L為學(xué)習(xí)率，k為迭代次數(shù)。

3 BP神經(jīng)網(wǎng)絡(luò)在股票行情預(yù)測(cè)的過程

本文主要研究對(duì)股票變化趨勢(shì)作出預(yù)測(cè)，預(yù)測(cè)是數(shù)據(jù)挖掘研究的分支之一，在數(shù)據(jù)挖掘中要發(fā)現(xiàn)預(yù)測(cè)型知識(shí)可以簡(jiǎn)單遵循三個(gè)步驟[4]：

（1）從歷史數(shù)據(jù)中提取出與數(shù)據(jù)挖掘有關(guān)的數(shù)據(jù)，再分割成兩部分，一部分作為訓(xùn)練集，一部分作為測(cè)試集。

（2）選擇合適的算法對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練的過程也就是找出股票運(yùn)行規(guī)律的過程，本文擬采用BP神經(jīng)網(wǎng)絡(luò)算法來完成。

（3）對(duì)發(fā)現(xiàn)的規(guī)律進(jìn)行評(píng)估，即用測(cè)試集的數(shù)據(jù)來驗(yàn)證找出規(guī)律的正確性。

（4）根據(jù)歷史數(shù)據(jù)找出的規(guī)律對(duì)未來的走勢(shì)進(jìn)行預(yù)測(cè)。

3.1數(shù)據(jù)處理[5]

（1）數(shù)據(jù)準(zhǔn)備

本文得到的數(shù)據(jù)來從證券交易所的數(shù)據(jù)倉(cāng)庫(kù)中直接導(dǎo)出，且已經(jīng)刪除某些無效記錄，該數(shù)據(jù)集中包括200個(gè)交易日的數(shù)據(jù)信息，包括證券代碼、證券名稱、昨日收盤價(jià)、今日開盤價(jià)以及k指標(biāo)、最近成交價(jià)、成交數(shù)量、成交金額、成交數(shù)量等內(nèi)容。

（2）數(shù)據(jù)清理

在數(shù)據(jù)準(zhǔn)備階段準(zhǔn)備的數(shù)據(jù)集中涉及的數(shù)據(jù)項(xiàng)不是都可以直接進(jìn)行訓(xùn)練，其中的某些錯(cuò)誤數(shù)據(jù)以及與數(shù)據(jù)挖掘無關(guān)的數(shù)據(jù)應(yīng)該清理掉，得到干凈的數(shù)據(jù)進(jìn)行訓(xùn)練才行，因?yàn)槟承╁e(cuò)誤的數(shù)據(jù)混入其中，可能會(huì)對(duì)整個(gè)過程產(chǎn)生“干擾”，對(duì)結(jié)果產(chǎn)生干擾，例如：因股價(jià)每日變動(dòng)劇烈，往往前一日跌了數(shù)百點(diǎn)，隔日馬上漲回?cái)?shù)百點(diǎn)，這種變動(dòng)極端的經(jīng)常出現(xiàn)，對(duì)分析是相當(dāng)不利的。為了消除此種股價(jià)震動(dòng)的噪聲，本研究以中位數(shù)的方式，來取得當(dāng)日股價(jià)的平均價(jià)格，其公式如下： 假設(shè)i日股價(jià)形態(tài)為Xi=（Oi，Hi，Li，Ci）， 其中Oi為開盤價(jià)，Hi為最高價(jià)，Li為最低價(jià)，Ci為收盤價(jià)，則i日的股價(jià)平均水準(zhǔn)為[6]： Pi=MEDIAN（Oj， Hj，Lj，Cj）

（3）數(shù)據(jù)分割

實(shí)施數(shù)據(jù)挖掘后所得的結(jié)果，需要評(píng)估分析，因?yàn)槟承┑玫降某跏嫉慕Y(jié)果可能是無效的或者只是滿足某個(gè)特定的數(shù)據(jù)集，所以需要把數(shù)據(jù)準(zhǔn)備階段處理好的數(shù)據(jù)集分割成兩部分：一個(gè)訓(xùn)練集和一個(gè)測(cè)試集，如果用訓(xùn)練集訓(xùn)練出的規(guī)律，利用測(cè)試集進(jìn)行測(cè)試，也能得到正確結(jié)果，可以認(rèn)為訓(xùn)練階段得到的規(guī)律是合理的。

3.2 BP神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練集進(jìn)行訓(xùn)練

（1）實(shí)驗(yàn)設(shè)計(jì)

設(shè)神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)有10個(gè)，輸出層節(jié)點(diǎn)3個(gè)，隱藏層并不固定，可以調(diào)整（個(gè)數(shù)陸續(xù)選取2，4，6個(gè)），并設(shè)置學(xué)習(xí)率為0.05，動(dòng)量因子0.9，選取100個(gè)交易日的行情數(shù)據(jù)進(jìn)行訓(xùn)練。

（2）實(shí)驗(yàn)結(jié)果

評(píng)估結(jié)果也證實(shí)選擇隱藏節(jié)點(diǎn)為4得到的預(yù)測(cè)效果也最好。

4結(jié)果分析

神經(jīng)網(wǎng)絡(luò)訓(xùn)練是一個(gè)復(fù)雜的過程，參數(shù)學(xué)習(xí)率，動(dòng)量因子的選取會(huì)直接影響訓(xùn)練效果，如何取定參數(shù)需要經(jīng)過大量實(shí)驗(yàn)驗(yàn)證，在實(shí)驗(yàn)階段，動(dòng)量因子及學(xué)習(xí)率取值相同的情況下，隱藏節(jié)點(diǎn)的個(gè)數(shù)分別選取2個(gè)、4個(gè)和6個(gè)，隱藏節(jié)點(diǎn)選取較小的2，得到6次實(shí)驗(yàn)的訓(xùn)練誤差比較大，所以將隱藏層個(gè)數(shù)增至4個(gè)，誤差相對(duì)變小，繼續(xù)將隱藏層節(jié)點(diǎn)數(shù)增至6個(gè)，但誤差并未繼續(xù)變小，證明隱藏個(gè)數(shù)并非越大越好，也并非越小越好，應(yīng)根據(jù)大量實(shí)驗(yàn)結(jié)果選取一個(gè)合適的數(shù)，原因是：隱藏層節(jié)點(diǎn)太少，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于簡(jiǎn)單，那么它的學(xué)習(xí)能力和分類能力就會(huì)降低，但是隱藏層節(jié)點(diǎn)太多，有會(huì)讓神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，網(wǎng)絡(luò)負(fù)荷過重，效率也會(huì)降低，推廣能力變差。據(jù)此得出結(jié)論：訓(xùn)練一方面要保證神經(jīng)網(wǎng)絡(luò)的分類能力，一方面也要保證神經(jīng)網(wǎng)絡(luò)的推廣能力。

參考文獻(xiàn)：

[1] 沈世鎰.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論及其應(yīng)用[M].北京：科學(xué)出版社，2000.

[2] 趙燕.基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)分析和研究[D].西安：長(zhǎng)安大學(xué)，2006.

[3] 袁曉東.神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測(cè)中的應(yīng)用[J].北京機(jī)械工業(yè)學(xué)院學(xué)報(bào)，2002，17（3）：70-74.

[4] 周曉宇，李慎之，戚曉芳，等.數(shù)據(jù)挖掘技術(shù)初探[J].小型微型計(jì)算機(jī)系統(tǒng)，2002，23（3）：342-346.

[5] Han J W，Kamber M.數(shù)據(jù)挖掘：概念與技術(shù)[M].2版.范明， 孟小峰， 譯.北京：機(jī)械工業(yè)出版社， 2007.

[6] 殷洪才，趙春燕.基于神經(jīng)網(wǎng)絡(luò)股票預(yù)測(cè)的研究[J].哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2007，23（3）：47-49，55.

【通聯(lián)編輯：代影】