基于GA-BP神经网络的多日股票价格预测

摘要

本文以预测多日股票价格为目标建立遗传算法优化BP神经网络模型(GA-BP神经网络模型).BP神经网络能根据股票历史数据找出股票市场波动的内在规律来预测将来一段时间内的股票价格变化.但是在BP神经网络中权值的更新调整都与初始权值相关,初始权值取值不当可能会使网络陷入局部极小而导致预测精度不高.由于遗传算法是一种不容易陷入局部最优陷阱的启发式全局搜索算法,刚好能够弥补BP神经网络此方面的不足.故而利用遗传算法优化其初始权值和阈值能够提高BP神经网络预测精度.现有的对股价的预测的研究中,基本都是利用多天的数据来预测未来一天的价格,预测长度有限.而中国的证券市场实行的是T+1交易制度,即投资者买入股票后当天不能把股票卖出,至少要在买入股票后的下一个交易日才能卖出.对于大部分的投资者来说,仍然无法准确判断未来第二天的股票价格趋势,无法把握买入或者卖出的最佳时机,实际参考价值有限. 本文在构建GA-BP神经网络模型时,将换手率作为一个预测股票价格的输入指标,利用多天的多个指标预测未来连续多日的股票价格.首先是将连续三天的开盘价、最高价、最低价、收盘价和换手率作为输入变量先利用遗传算法得到最优初始权值和阈值,再构建BP神经网络分别预测未来连续两天的开盘价、最高价、最低价和收盘价,其预测误差小于已有研究的误差.接下来将计算得到的预测收益率作为判断依据进行模拟投资检验模型.结果表明模拟投资和深证成指投资累计收益提高了50%多,前者所要承担的投资风险比后者要小.其次是先提取11个常用指标的主成分再以连续四天的主成分作为输入变量利用遗传算法得到最优初始权值和阈值,然后构建BP神经网络分别预测未来连续两天的开盘价、最高价、最低价和收盘价,其预测误差更小.实证分析显示模拟投资的夏普比率比深证成指投资的夏普比率大,而且前者的累计收益比后者的累计收益提高了50%多,表明模拟投资承担的风险更小,得到的收益更高.总之,本文建立的GA-BP模型改进了以往的结果,具有更高的实际参考价值.

目录

声明

引言

1 研究背景和意义

2 研究发展及国内外文献综述

3 本文研究创新点及章节安排

第一章 预备知识

1.1 BP 神经网络

1.1.1 BP神经网络的拓扑结构

1.1.2 BP神经网络的训练过程

1.1.3 BP神经网络的不足及改进

1.2 遗传算法

1.2.1 遗传算法的概念和原理

1.2.2 遗传算法基本要素

1.2.3 遗传算法基本流程

1.3 遗传算法优化 BP 神经网络

1.4 主成分分析

第二章 预测多日股票价格的GA-BP神经网络模型

2.1 数据的选取与处理

2.1.1 样本数据的选取

2.1.2 数据的归一化

2.2.1 BP神经网络的构建

2.2.2 遗传算法参数的选取

2.3 实验结果

第三章 GA-BP神经网络模型的投资效率分析

3.1 模拟投资

3.2 深证成指收益

3.3 结果分析

第四章 基于主成分分析的GA-BP神经网络预测多日价格

4.1 数据说明

4.2 主成分分析

4.3 构建 GA-BP 网络模型用于价格预测

4.3.1 GA-BP网络的数据管理

4.3.2 GA-BP网络的参数设置

4.4 实验结果与投资效率分析

4.4.1 实验结果

4.4.2 投资效率分析

第五章 总结

参考文献

在学期间发表的学术论文

致谢