基于神經(jīng)網(wǎng)絡(luò)模型的股票預(yù)測與研究

趙長城+耿釵

摘 要：為了了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而正確預(yù)測股價(jià)走勢，首先應(yīng)用Clementine軟件基于神經(jīng)網(wǎng)絡(luò)對上證綜合指數(shù)建立了一期預(yù)測模型和多期預(yù)測模型，以此來解決歷史因素對次日收盤指數(shù)的影響。經(jīng)過多次實(shí)驗(yàn)，在對大量實(shí)驗(yàn)結(jié)果進(jìn)行分析比較的基礎(chǔ)上，選擇出了精度較高的神經(jīng)網(wǎng)絡(luò)模型，利用該模型進(jìn)行預(yù)測和檢驗(yàn)，得到了較好的預(yù)測結(jié)果，以此解決股民入市時(shí)機(jī)選擇問題。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；一期預(yù)測模型；多期預(yù)測模型；股票

中圖分類號(hào)：F830 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2014）10-0097-03

一、引言

隨著中國市場經(jīng)濟(jì)建設(shè)的高速發(fā)展，人們的投資意識(shí)日益增強(qiáng)，而作為市場經(jīng)濟(jì)的重要組成部分——股票市場，也正逐步走向成熟與規(guī)范。它從誕生的那天起就牽掛著數(shù)以千萬投資者的心，越來越多的投資者把眼光轉(zhuǎn)向了股票市場，而高風(fēng)險(xiǎn)高回報(bào)是股票市場的特征，因此投資者們時(shí)刻在關(guān)心股市、分析股市并試圖預(yù)測股市的發(fā)展趨勢。

對于未來股票市場走勢的判斷情況，直接影響了股民的投資決策。而股票價(jià)格的影響因素很多，單憑簡單的人為經(jīng)驗(yàn)判斷往往不夠而且錯(cuò)誤率較高，而傳統(tǒng)的技術(shù)分析方法，也已經(jīng)不能滿足投資者對股票市場海量數(shù)據(jù)的分析要求?；谏窠?jīng)網(wǎng)絡(luò)模型具有的學(xué)習(xí)能力強(qiáng)，預(yù)測精度高，以及對海量數(shù)據(jù)的強(qiáng)大處理能力和對于噪聲數(shù)據(jù)的抗干擾性等優(yōu)點(diǎn)，我們引入神經(jīng)網(wǎng)絡(luò)模型，以上證綜合指數(shù)為例來對股票市場進(jìn)行建模分析和預(yù)測，以此對股票市場進(jìn)行研究，了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而幫助眾多投資者正確預(yù)測股價(jià)走勢，做出理性的投資決策。

1.一期預(yù)測模型

我們將經(jīng)過預(yù)處理之后的每個(gè)工作日的上證綜合指數(shù)相關(guān)數(shù)據(jù)作為輸入變量，將次日收盤指數(shù)作為輸出變量，利用 Clementine軟件建立神經(jīng)網(wǎng)絡(luò)模型，首次建模采用系統(tǒng)默認(rèn)設(shè)置對訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，系統(tǒng)默認(rèn)采用快速（Quick）訓(xùn)練方法的簡單模型進(jìn)行訓(xùn)練，采用1個(gè)隱藏層3個(gè)隱結(jié)點(diǎn)，最終輸出預(yù)測精度為96.136%。經(jīng)過多次修改訓(xùn)練方法和調(diào)整高級選項(xiàng)參數(shù)，并比較各個(gè)模型的精度，我們最終在采用多重（Multiple）方法進(jìn)行訓(xùn)練時(shí)得到最高的預(yù)測精度，為96.281%。其中，共有2個(gè)隱藏層，一個(gè)隱藏層有27個(gè)隱藏結(jié)點(diǎn)，另一個(gè)隱藏層有18個(gè)隱藏結(jié)點(diǎn)。

2.多期預(yù)測模型

由上一節(jié)一期預(yù)測模型可以看出，利用前一工作日的數(shù)據(jù)來建模并預(yù)測下一個(gè)工作日的上證收盤指數(shù)，預(yù)測精度是比較高的。但根據(jù)常識(shí)我們知道，股票的次日收盤指數(shù)不僅可能受到前一日大盤情況的影響，還可能會(huì)受到前幾日甚至更遠(yuǎn)時(shí)期大盤情況的影響，這也是為什么股民在參考大盤指數(shù)的時(shí)候，一方面要看前一工作日大盤走向，另一方面要研究近期以來大盤走向的原因。因此，我們有必要利用多期數(shù)據(jù)來建立次日收盤指數(shù)預(yù)測模型，以期找到更優(yōu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

（三）樣本檢驗(yàn)及結(jié)果

我們將2013年10月24日至11月27日的數(shù)據(jù)作為校驗(yàn)樣本，通過以上建立的各期最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，并通過擬合真實(shí)的收盤指數(shù)和各個(gè)神經(jīng)網(wǎng)絡(luò)模型預(yù)測的上證指數(shù)數(shù)據(jù)可以得到如圖1的結(jié)果。從結(jié)果上看，預(yù)測效果是比較理想的，多期預(yù)測模型雖然與真實(shí)值有波動(dòng)和偏差，但趨勢總體上趨于一致。特別是一期預(yù)測和十期預(yù)測模型，與真實(shí)上證指數(shù)走勢基本一致，與真實(shí)上證指數(shù)偏差較小。

但是，我們也必須看到，在預(yù)測值和真實(shí)值之間仍有一定的偏差，甚至出現(xiàn)了短暫性的趨勢錯(cuò)誤，我們僅以一期預(yù)測期與真實(shí)值的擬合圖形來看，圖中橢圓形區(qū)域部分內(nèi)，預(yù)測模型的結(jié)果與真實(shí)值之間出現(xiàn)了一定的偏差，如2013年10月31日真實(shí)收盤價(jià)是低于10月30日的收盤價(jià)，但根據(jù)一期預(yù)測模型預(yù)測的收盤價(jià)是高于10月30日的收盤價(jià)的。這是由于股票市場是一個(gè)很不穩(wěn)定的的非線性動(dòng)態(tài)變化系統(tǒng)，不僅受到國內(nèi)外經(jīng)濟(jì)因素的影響，而且政府的調(diào)控、人為的作用等都會(huì)影響股票市場的未來走勢，其內(nèi)部規(guī)律非常復(fù)雜，因此各種因素的變動(dòng)對神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果都會(huì)產(chǎn)生一定的干擾作用。但從整體上來看，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果相對還是很有效的。

通過神經(jīng)網(wǎng)絡(luò)對上證指數(shù)的預(yù)測研究，結(jié)合對各期模型預(yù)測精度的對比以及上頁圖1中對上證指數(shù)真實(shí)收盤和各期預(yù)測收盤價(jià)的擬合圖，我們發(fā)現(xiàn)次日預(yù)測和十期預(yù)測對于股票收盤價(jià)格的預(yù)測相較其他期的預(yù)測精度更高，誤差更小，預(yù)測結(jié)果更加準(zhǔn)確可信，因此神經(jīng)網(wǎng)絡(luò)模型更適合預(yù)測十期之內(nèi)的短期的股票價(jià)格漲跌情況。

三、小結(jié)

在股票系統(tǒng)的預(yù)測研究中，能否比較準(zhǔn)確地反映未來時(shí)期數(shù)據(jù)的變化趨勢是衡量一種預(yù)測方法是否有效的重要標(biāo)準(zhǔn)。從以上仿真的結(jié)果來看，本文建立的各期最優(yōu)神經(jīng)網(wǎng)絡(luò)模型比較如實(shí)地反映了股票市場的內(nèi)在價(jià)值規(guī)律并且具有較高的預(yù)測精度，對股票價(jià)格的短期預(yù)測能夠取得較好的效果，為投資者預(yù)測股票走勢提供了很好的參考。同時(shí)，投資者在利用以上最優(yōu)神經(jīng)網(wǎng)絡(luò)模型來預(yù)測未來股價(jià)變動(dòng)趨勢時(shí)，尤其要關(guān)注最近十天股市的漲跌情況，這樣更能準(zhǔn)確把握股票市場的變化趨勢，幫助預(yù)測災(zāi)難性的股價(jià)振蕩，降低投資風(fēng)險(xiǎn)，從而維護(hù)股票市場的穩(wěn)定，促進(jìn)中國經(jīng)濟(jì)的健康發(fā)展。

參考文獻(xiàn)：

[1] 殷洪才，趙春燕.基于神經(jīng)網(wǎng)絡(luò)股票預(yù)測的研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2007，（3）.

[2] 鄭文.數(shù)據(jù)挖掘在股票分析中的應(yīng)用[D].上海：復(fù)旦大學(xué)，2012.

[3] 李穗豐.數(shù)據(jù)挖掘在證券分析中的應(yīng)用[D].廣州：中山大學(xué)，2008.

[4] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001：39-54.

[5] 魏文軒.改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J].統(tǒng)計(jì)與決策，2013，（15）：70-72.

[6] 龍建成，李小平.基于神經(jīng)網(wǎng)絡(luò)的股票市場趨勢預(yù)測[J].西安電子科技大學(xué)學(xué)報(bào)，2005，（3）：460-463.

[責(zé)任編輯 吳明宇]endprint

摘 要：為了了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而正確預(yù)測股價(jià)走勢，首先應(yīng)用Clementine軟件基于神經(jīng)網(wǎng)絡(luò)對上證綜合指數(shù)建立了一期預(yù)測模型和多期預(yù)測模型，以此來解決歷史因素對次日收盤指數(shù)的影響。經(jīng)過多次實(shí)驗(yàn)，在對大量實(shí)驗(yàn)結(jié)果進(jìn)行分析比較的基礎(chǔ)上，選擇出了精度較高的神經(jīng)網(wǎng)絡(luò)模型，利用該模型進(jìn)行預(yù)測和檢驗(yàn)，得到了較好的預(yù)測結(jié)果，以此解決股民入市時(shí)機(jī)選擇問題。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；一期預(yù)測模型；多期預(yù)測模型；股票

中圖分類號(hào)：F830 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2014）10-0097-03

一、引言

隨著中國市場經(jīng)濟(jì)建設(shè)的高速發(fā)展，人們的投資意識(shí)日益增強(qiáng)，而作為市場經(jīng)濟(jì)的重要組成部分——股票市場，也正逐步走向成熟與規(guī)范。它從誕生的那天起就牽掛著數(shù)以千萬投資者的心，越來越多的投資者把眼光轉(zhuǎn)向了股票市場，而高風(fēng)險(xiǎn)高回報(bào)是股票市場的特征，因此投資者們時(shí)刻在關(guān)心股市、分析股市并試圖預(yù)測股市的發(fā)展趨勢。

對于未來股票市場走勢的判斷情況，直接影響了股民的投資決策。而股票價(jià)格的影響因素很多，單憑簡單的人為經(jīng)驗(yàn)判斷往往不夠而且錯(cuò)誤率較高，而傳統(tǒng)的技術(shù)分析方法，也已經(jīng)不能滿足投資者對股票市場海量數(shù)據(jù)的分析要求?；谏窠?jīng)網(wǎng)絡(luò)模型具有的學(xué)習(xí)能力強(qiáng)，預(yù)測精度高，以及對海量數(shù)據(jù)的強(qiáng)大處理能力和對于噪聲數(shù)據(jù)的抗干擾性等優(yōu)點(diǎn)，我們引入神經(jīng)網(wǎng)絡(luò)模型，以上證綜合指數(shù)為例來對股票市場進(jìn)行建模分析和預(yù)測，以此對股票市場進(jìn)行研究，了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而幫助眾多投資者正確預(yù)測股價(jià)走勢，做出理性的投資決策。

1.一期預(yù)測模型

我們將經(jīng)過預(yù)處理之后的每個(gè)工作日的上證綜合指數(shù)相關(guān)數(shù)據(jù)作為輸入變量，將次日收盤指數(shù)作為輸出變量，利用 Clementine軟件建立神經(jīng)網(wǎng)絡(luò)模型，首次建模采用系統(tǒng)默認(rèn)設(shè)置對訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，系統(tǒng)默認(rèn)采用快速（Quick）訓(xùn)練方法的簡單模型進(jìn)行訓(xùn)練，采用1個(gè)隱藏層3個(gè)隱結(jié)點(diǎn)，最終輸出預(yù)測精度為96.136%。經(jīng)過多次修改訓(xùn)練方法和調(diào)整高級選項(xiàng)參數(shù)，并比較各個(gè)模型的精度，我們最終在采用多重（Multiple）方法進(jìn)行訓(xùn)練時(shí)得到最高的預(yù)測精度，為96.281%。其中，共有2個(gè)隱藏層，一個(gè)隱藏層有27個(gè)隱藏結(jié)點(diǎn)，另一個(gè)隱藏層有18個(gè)隱藏結(jié)點(diǎn)。

2.多期預(yù)測模型

由上一節(jié)一期預(yù)測模型可以看出，利用前一工作日的數(shù)據(jù)來建模并預(yù)測下一個(gè)工作日的上證收盤指數(shù)，預(yù)測精度是比較高的。但根據(jù)常識(shí)我們知道，股票的次日收盤指數(shù)不僅可能受到前一日大盤情況的影響，還可能會(huì)受到前幾日甚至更遠(yuǎn)時(shí)期大盤情況的影響，這也是為什么股民在參考大盤指數(shù)的時(shí)候，一方面要看前一工作日大盤走向，另一方面要研究近期以來大盤走向的原因。因此，我們有必要利用多期數(shù)據(jù)來建立次日收盤指數(shù)預(yù)測模型，以期找到更優(yōu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

（三）樣本檢驗(yàn)及結(jié)果

我們將2013年10月24日至11月27日的數(shù)據(jù)作為校驗(yàn)樣本，通過以上建立的各期最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，并通過擬合真實(shí)的收盤指數(shù)和各個(gè)神經(jīng)網(wǎng)絡(luò)模型預(yù)測的上證指數(shù)數(shù)據(jù)可以得到如圖1的結(jié)果。從結(jié)果上看，預(yù)測效果是比較理想的，多期預(yù)測模型雖然與真實(shí)值有波動(dòng)和偏差，但趨勢總體上趨于一致。特別是一期預(yù)測和十期預(yù)測模型，與真實(shí)上證指數(shù)走勢基本一致，與真實(shí)上證指數(shù)偏差較小。

但是，我們也必須看到，在預(yù)測值和真實(shí)值之間仍有一定的偏差，甚至出現(xiàn)了短暫性的趨勢錯(cuò)誤，我們僅以一期預(yù)測期與真實(shí)值的擬合圖形來看，圖中橢圓形區(qū)域部分內(nèi)，預(yù)測模型的結(jié)果與真實(shí)值之間出現(xiàn)了一定的偏差，如2013年10月31日真實(shí)收盤價(jià)是低于10月30日的收盤價(jià)，但根據(jù)一期預(yù)測模型預(yù)測的收盤價(jià)是高于10月30日的收盤價(jià)的。這是由于股票市場是一個(gè)很不穩(wěn)定的的非線性動(dòng)態(tài)變化系統(tǒng)，不僅受到國內(nèi)外經(jīng)濟(jì)因素的影響，而且政府的調(diào)控、人為的作用等都會(huì)影響股票市場的未來走勢，其內(nèi)部規(guī)律非常復(fù)雜，因此各種因素的變動(dòng)對神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果都會(huì)產(chǎn)生一定的干擾作用。但從整體上來看，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果相對還是很有效的。

通過神經(jīng)網(wǎng)絡(luò)對上證指數(shù)的預(yù)測研究，結(jié)合對各期模型預(yù)測精度的對比以及上頁圖1中對上證指數(shù)真實(shí)收盤和各期預(yù)測收盤價(jià)的擬合圖，我們發(fā)現(xiàn)次日預(yù)測和十期預(yù)測對于股票收盤價(jià)格的預(yù)測相較其他期的預(yù)測精度更高，誤差更小，預(yù)測結(jié)果更加準(zhǔn)確可信，因此神經(jīng)網(wǎng)絡(luò)模型更適合預(yù)測十期之內(nèi)的短期的股票價(jià)格漲跌情況。

三、小結(jié)

在股票系統(tǒng)的預(yù)測研究中，能否比較準(zhǔn)確地反映未來時(shí)期數(shù)據(jù)的變化趨勢是衡量一種預(yù)測方法是否有效的重要標(biāo)準(zhǔn)。從以上仿真的結(jié)果來看，本文建立的各期最優(yōu)神經(jīng)網(wǎng)絡(luò)模型比較如實(shí)地反映了股票市場的內(nèi)在價(jià)值規(guī)律并且具有較高的預(yù)測精度，對股票價(jià)格的短期預(yù)測能夠取得較好的效果，為投資者預(yù)測股票走勢提供了很好的參考。同時(shí)，投資者在利用以上最優(yōu)神經(jīng)網(wǎng)絡(luò)模型來預(yù)測未來股價(jià)變動(dòng)趨勢時(shí)，尤其要關(guān)注最近十天股市的漲跌情況，這樣更能準(zhǔn)確把握股票市場的變化趨勢，幫助預(yù)測災(zāi)難性的股價(jià)振蕩，降低投資風(fēng)險(xiǎn)，從而維護(hù)股票市場的穩(wěn)定，促進(jìn)中國經(jīng)濟(jì)的健康發(fā)展。

參考文獻(xiàn)：

[1] 殷洪才，趙春燕.基于神經(jīng)網(wǎng)絡(luò)股票預(yù)測的研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2007，（3）.

[2] 鄭文.數(shù)據(jù)挖掘在股票分析中的應(yīng)用[D].上海：復(fù)旦大學(xué)，2012.

[3] 李穗豐.數(shù)據(jù)挖掘在證券分析中的應(yīng)用[D].廣州：中山大學(xué)，2008.

[4] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001：39-54.

[5] 魏文軒.改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J].統(tǒng)計(jì)與決策，2013，（15）：70-72.

[6] 龍建成，李小平.基于神經(jīng)網(wǎng)絡(luò)的股票市場趨勢預(yù)測[J].西安電子科技大學(xué)學(xué)報(bào)，2005，（3）：460-463.

[責(zé)任編輯 吳明宇]endprint

摘 要：為了了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而正確預(yù)測股價(jià)走勢，首先應(yīng)用Clementine軟件基于神經(jīng)網(wǎng)絡(luò)對上證綜合指數(shù)建立了一期預(yù)測模型和多期預(yù)測模型，以此來解決歷史因素對次日收盤指數(shù)的影響。經(jīng)過多次實(shí)驗(yàn)，在對大量實(shí)驗(yàn)結(jié)果進(jìn)行分析比較的基礎(chǔ)上，選擇出了精度較高的神經(jīng)網(wǎng)絡(luò)模型，利用該模型進(jìn)行預(yù)測和檢驗(yàn)，得到了較好的預(yù)測結(jié)果，以此解決股民入市時(shí)機(jī)選擇問題。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；一期預(yù)測模型；多期預(yù)測模型；股票

中圖分類號(hào)：F830 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-291X（2014）10-0097-03

一、引言

隨著中國市場經(jīng)濟(jì)建設(shè)的高速發(fā)展，人們的投資意識(shí)日益增強(qiáng)，而作為市場經(jīng)濟(jì)的重要組成部分——股票市場，也正逐步走向成熟與規(guī)范。它從誕生的那天起就牽掛著數(shù)以千萬投資者的心，越來越多的投資者把眼光轉(zhuǎn)向了股票市場，而高風(fēng)險(xiǎn)高回報(bào)是股票市場的特征，因此投資者們時(shí)刻在關(guān)心股市、分析股市并試圖預(yù)測股市的發(fā)展趨勢。

對于未來股票市場走勢的判斷情況，直接影響了股民的投資決策。而股票價(jià)格的影響因素很多，單憑簡單的人為經(jīng)驗(yàn)判斷往往不夠而且錯(cuò)誤率較高，而傳統(tǒng)的技術(shù)分析方法，也已經(jīng)不能滿足投資者對股票市場海量數(shù)據(jù)的分析要求?；谏窠?jīng)網(wǎng)絡(luò)模型具有的學(xué)習(xí)能力強(qiáng)，預(yù)測精度高，以及對海量數(shù)據(jù)的強(qiáng)大處理能力和對于噪聲數(shù)據(jù)的抗干擾性等優(yōu)點(diǎn)，我們引入神經(jīng)網(wǎng)絡(luò)模型，以上證綜合指數(shù)為例來對股票市場進(jìn)行建模分析和預(yù)測，以此對股票市場進(jìn)行研究，了解股價(jià)運(yùn)行的規(guī)律和內(nèi)在機(jī)制，從而幫助眾多投資者正確預(yù)測股價(jià)走勢，做出理性的投資決策。

1.一期預(yù)測模型

我們將經(jīng)過預(yù)處理之后的每個(gè)工作日的上證綜合指數(shù)相關(guān)數(shù)據(jù)作為輸入變量，將次日收盤指數(shù)作為輸出變量，利用 Clementine軟件建立神經(jīng)網(wǎng)絡(luò)模型，首次建模采用系統(tǒng)默認(rèn)設(shè)置對訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，系統(tǒng)默認(rèn)采用快速（Quick）訓(xùn)練方法的簡單模型進(jìn)行訓(xùn)練，采用1個(gè)隱藏層3個(gè)隱結(jié)點(diǎn)，最終輸出預(yù)測精度為96.136%。經(jīng)過多次修改訓(xùn)練方法和調(diào)整高級選項(xiàng)參數(shù)，并比較各個(gè)模型的精度，我們最終在采用多重（Multiple）方法進(jìn)行訓(xùn)練時(shí)得到最高的預(yù)測精度，為96.281%。其中，共有2個(gè)隱藏層，一個(gè)隱藏層有27個(gè)隱藏結(jié)點(diǎn)，另一個(gè)隱藏層有18個(gè)隱藏結(jié)點(diǎn)。

2.多期預(yù)測模型

由上一節(jié)一期預(yù)測模型可以看出，利用前一工作日的數(shù)據(jù)來建模并預(yù)測下一個(gè)工作日的上證收盤指數(shù)，預(yù)測精度是比較高的。但根據(jù)常識(shí)我們知道，股票的次日收盤指數(shù)不僅可能受到前一日大盤情況的影響，還可能會(huì)受到前幾日甚至更遠(yuǎn)時(shí)期大盤情況的影響，這也是為什么股民在參考大盤指數(shù)的時(shí)候，一方面要看前一工作日大盤走向，另一方面要研究近期以來大盤走向的原因。因此，我們有必要利用多期數(shù)據(jù)來建立次日收盤指數(shù)預(yù)測模型，以期找到更優(yōu)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

（三）樣本檢驗(yàn)及結(jié)果

我們將2013年10月24日至11月27日的數(shù)據(jù)作為校驗(yàn)樣本，通過以上建立的各期最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，并通過擬合真實(shí)的收盤指數(shù)和各個(gè)神經(jīng)網(wǎng)絡(luò)模型預(yù)測的上證指數(shù)數(shù)據(jù)可以得到如圖1的結(jié)果。從結(jié)果上看，預(yù)測效果是比較理想的，多期預(yù)測模型雖然與真實(shí)值有波動(dòng)和偏差，但趨勢總體上趨于一致。特別是一期預(yù)測和十期預(yù)測模型，與真實(shí)上證指數(shù)走勢基本一致，與真實(shí)上證指數(shù)偏差較小。

但是，我們也必須看到，在預(yù)測值和真實(shí)值之間仍有一定的偏差，甚至出現(xiàn)了短暫性的趨勢錯(cuò)誤，我們僅以一期預(yù)測期與真實(shí)值的擬合圖形來看，圖中橢圓形區(qū)域部分內(nèi)，預(yù)測模型的結(jié)果與真實(shí)值之間出現(xiàn)了一定的偏差，如2013年10月31日真實(shí)收盤價(jià)是低于10月30日的收盤價(jià)，但根據(jù)一期預(yù)測模型預(yù)測的收盤價(jià)是高于10月30日的收盤價(jià)的。這是由于股票市場是一個(gè)很不穩(wěn)定的的非線性動(dòng)態(tài)變化系統(tǒng)，不僅受到國內(nèi)外經(jīng)濟(jì)因素的影響，而且政府的調(diào)控、人為的作用等都會(huì)影響股票市場的未來走勢，其內(nèi)部規(guī)律非常復(fù)雜，因此各種因素的變動(dòng)對神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果都會(huì)產(chǎn)生一定的干擾作用。但從整體上來看，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果相對還是很有效的。

通過神經(jīng)網(wǎng)絡(luò)對上證指數(shù)的預(yù)測研究，結(jié)合對各期模型預(yù)測精度的對比以及上頁圖1中對上證指數(shù)真實(shí)收盤和各期預(yù)測收盤價(jià)的擬合圖，我們發(fā)現(xiàn)次日預(yù)測和十期預(yù)測對于股票收盤價(jià)格的預(yù)測相較其他期的預(yù)測精度更高，誤差更小，預(yù)測結(jié)果更加準(zhǔn)確可信，因此神經(jīng)網(wǎng)絡(luò)模型更適合預(yù)測十期之內(nèi)的短期的股票價(jià)格漲跌情況。

三、小結(jié)

在股票系統(tǒng)的預(yù)測研究中，能否比較準(zhǔn)確地反映未來時(shí)期數(shù)據(jù)的變化趨勢是衡量一種預(yù)測方法是否有效的重要標(biāo)準(zhǔn)。從以上仿真的結(jié)果來看，本文建立的各期最優(yōu)神經(jīng)網(wǎng)絡(luò)模型比較如實(shí)地反映了股票市場的內(nèi)在價(jià)值規(guī)律并且具有較高的預(yù)測精度，對股票價(jià)格的短期預(yù)測能夠取得較好的效果，為投資者預(yù)測股票走勢提供了很好的參考。同時(shí)，投資者在利用以上最優(yōu)神經(jīng)網(wǎng)絡(luò)模型來預(yù)測未來股價(jià)變動(dòng)趨勢時(shí)，尤其要關(guān)注最近十天股市的漲跌情況，這樣更能準(zhǔn)確把握股票市場的變化趨勢，幫助預(yù)測災(zāi)難性的股價(jià)振蕩，降低投資風(fēng)險(xiǎn)，從而維護(hù)股票市場的穩(wěn)定，促進(jìn)中國經(jīng)濟(jì)的健康發(fā)展。

參考文獻(xiàn)：

[1] 殷洪才，趙春燕.基于神經(jīng)網(wǎng)絡(luò)股票預(yù)測的研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2007，（3）.

[2] 鄭文.數(shù)據(jù)挖掘在股票分析中的應(yīng)用[D].上海：復(fù)旦大學(xué)，2012.

[3] 李穗豐.數(shù)據(jù)挖掘在證券分析中的應(yīng)用[D].廣州：中山大學(xué)，2008.

[4] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2001：39-54.

[5] 魏文軒.改進(jìn)型RBF神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J].統(tǒng)計(jì)與決策，2013，（15）：70-72.

[6] 龍建成，李小平.基于神經(jīng)網(wǎng)絡(luò)的股票市場趨勢預(yù)測[J].西安電子科技大學(xué)學(xué)報(bào)，2005，（3）：460-463.

[責(zé)任編輯 吳明宇]endprint