基于BP神經(jīng)網(wǎng)絡和相關系數(shù)結(jié)合的股票價格預測

簡榮杰

摘 要：股票價格預測一直是困擾投資者的難題，為了提高股票價格的預測精度，本文提出一種基于BP神經(jīng)網(wǎng)絡和相關系數(shù)結(jié)合的股票價格預測方法。從股票數(shù)據(jù)中選取10個影響股票價格的因素，計算它們與股票價格的相關系數(shù)，從中提取關鍵因素，利用BP神經(jīng)網(wǎng)絡預測未來股票價格。將此方法用于華誼兄弟（300027）預測股票收盤價，結(jié)果表明，相對于未提取關鍵因素的BP神經(jīng)網(wǎng)絡，此方法提高了股票價格的預測精度。

關鍵詞：股票價格 預測 相關系數(shù) BP神經(jīng)網(wǎng)絡

中圖分類號：F832 文獻標識碼：A 文章編號：2096-0298（2017）10（b）-024-02

隨著人們投資意識不斷增強，越來越多的人投資股票，股市已成為我國投資者重要的投資理財場所。然而在股票投資中風險和收益并存，為了規(guī)避風險，獲得最大收益，股票價格預測成為投資者最關心的問題之一。

股市是一個復雜的非線性動力系統(tǒng)，由于BP神經(jīng)網(wǎng)絡具有很強的非線性適應能力，所以可以用它來預測股票價格。關于此類問題，已有學者做了一定的研究。這些研究從不同角度利用BP神經(jīng)網(wǎng)絡預測股票價格，說明了BP神經(jīng)網(wǎng)絡對股票價格有較好的預測效果，但是這些研究大多沒有對影響股票價格的因素進行篩選提取關鍵因素，從而影響了預測精度。針對此不足，本文先利用相關系數(shù)，提取影響股票價格的關鍵因素，再利用BP神經(jīng)網(wǎng)絡預測股票價格。

1 相關系數(shù)

相關系數(shù)是由統(tǒng)計學家Karl Pearson設計的統(tǒng)計指標，是研究變量之間線性相關程度的量。定義如下：

2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種多層前饋型網(wǎng)絡。它由輸入層、隱藏層和輸出層組成，能夠?qū)崿F(xiàn)任何復雜的非線性映射，可用于處理非線性預測問題。BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)見圖1。

訓練BP神經(jīng)網(wǎng)絡的算法稱為BP算法。BP算法的學習過程具體如下：將樣本輸入神經(jīng)網(wǎng)絡，得到網(wǎng)絡輸出，若輸出值達不到期望輸出時，則反向傳播誤差，根據(jù)網(wǎng)絡輸出與期望輸出的誤差調(diào)整網(wǎng)絡的權值的閾值，直到它們之間的誤差達到最小。

3 股票價格預測實證研究

本文股票數(shù)據(jù)來自同花順軟件，選取華誼兄弟（300027）1713個交易日開盤價、收盤價、最高價等10個變量的數(shù)據(jù)，日期2009年10月30日至2017年9月1日。從每日開盤價、收盤價、最高價等10個影響后一日收盤價的因素中提取關鍵因素，利用BP神經(jīng)網(wǎng)絡預測后一日收盤價，并與未提取關鍵因素的BP神經(jīng)網(wǎng)絡的預測結(jié)果進行比較。

3.1 提取影響后一日收盤價的關鍵因素

計算后一日收盤價與每日開盤價、收盤價、最高價等10個因素的相關系數(shù)，結(jié)果見表1。

從表1中可以看出，每日開盤價、收盤價、最高價和最低價與后一日收盤價的相關系數(shù)分別為0.9886、0.9913、0.9897和0.9903均大于0.8，說明每日開盤價、收盤價、最高價和最低價對后一日收盤價有很大影響，因此提取這4個因素作為關鍵因素。

3.2 數(shù)據(jù)預處理

在運用BP神經(jīng)網(wǎng)絡預測股票價格前，需對數(shù)據(jù)作歸一化處理。其主要作用有兩點：一是為了加快BP神經(jīng)網(wǎng)絡的收斂速度、縮短訓練時間；二是為了將不同的關鍵因素去量鋼化、縮小數(shù)值差別。歸一化的公式如下：

從圖2中可以看出，相對于未提取關鍵因素的BP神經(jīng)網(wǎng)絡，提取關鍵因素的BP神經(jīng)網(wǎng)絡預測效果更好。

為了更具體地比較兩個BP神經(jīng)網(wǎng)絡的預測效果，分別計算它們預測值與實際值的平均絕對誤差和平均絕對誤差率，結(jié)果見表2。

從表2中可以看出，提取關鍵因素的BP神經(jīng)網(wǎng)絡收盤價的預測值與實際值的平均絕對誤差為0.6949，平均絕對誤差率為2.40%；未提取關鍵因素的BP神經(jīng)網(wǎng)絡收盤價的預測值與實際值的平均絕對誤差為0.7598，平均絕對誤差率為2.76%。這一結(jié)果再次說明提取關鍵因素的BP神經(jīng)網(wǎng)絡預測效果更好。

4 結(jié)語

本文提出一種基于BP神經(jīng)網(wǎng)絡和相關系數(shù)結(jié)合的股票價格預測方法，并通過對華誼兄弟股票數(shù)據(jù)進行測試，結(jié)果表明，相對于未提取關鍵因素的BP神經(jīng)網(wǎng)絡，此股票價格預測方法提高了預測精度。為投資者預測股票價格提供了參考，具有一定的實際應用價值。

參考文獻

[1] 郝繼升，任浩然，井文紅.基于自適應遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡股票價格預測[J].河南科學，2017（02）.

[2] 陳嶷瑛，張澤星，李文斌.基于神經(jīng)網(wǎng)絡的股票價格預測模型[J].計算機應用與軟件，2014（05）.

[3] 常松，何建敏.基于小波包和神經(jīng)網(wǎng)絡的股票價格預測模型[J].中國管理科學，2001（05）.

[4] 齊曉娜，程維剛.基于遺傳LMBP神經(jīng)網(wǎng)絡模型的股票預測[J].無線互聯(lián)科技，2016（03）.

[5] 胡照躍，白艷萍.基于改進BP神經(jīng)網(wǎng)絡的股票預測[J].經(jīng)貿(mào)實踐，2016（02）.

[6] 鄭斯日古楞.灰色神經(jīng)網(wǎng)絡在股票價格預測中的應用[J].計算機仿真，2012（02）.

[7] 盛驟，謝式千，潘承毅.概率論與數(shù)理統(tǒng)計[M].高等教育出版社，2008.

[8] 聞新.智能故障診斷技術：MATLAB應用[M].北京航空航天大學出版社，2015.

[9] 王建國.基于BP神經(jīng)網(wǎng)絡的股票價格反轉(zhuǎn)點預測[J].現(xiàn)代計算機（專業(yè)版），2015（05）.

[10] 柳小桐.BP神經(jīng)網(wǎng)絡輸入層數(shù)據(jù)歸一化研究[J].機械工程與自動化，2010（03）.

[11] 張揚武.基于時間序列和神經(jīng)網(wǎng)絡相結(jié)合的股票預測研究[J].電腦知識與技術，2009（01）.

[12] 劉耦耕，李圣清，肖強暉.多層前饋人工神經(jīng)網(wǎng)絡結(jié)構(gòu)研究[J].湖南師范大學自然科學學報，2004（01）.