基于BP神经网络的股票价格模型研究综述

摘要

研究股票价格的运行规律是进行金融理论分析与实证分析的重要基础,建立有效的、高精度的股票价格预测模型具有重要的实际意义和理论价值。随着学术界成果的不断更新,传统线性模型对于股票价格预测的缺陷逐渐显露,非线性预测模型的优势日渐明显。其中,处于大数据时代下的BP神经网络模型成为更受学者欢迎的佼佼者。该模型具有非线性映射能力强和容错能力强等优点,能够提高预测精度。而其本身也存在变量选择困难和无法用于训练深层神经网络等缺点。加之股票价格的影响因素过多使其变化规律具有复杂的随机性和非线性。可见,单一的预测方法无法涵盖股票价格的全面有效信息。本文通过阅读相关文献,认为将具有能够弥补BP模型中缺陷的运算方法或模型结构与BP模型相结合,可以扬长避短,能够更有效地研究股票价格的运行规律和趋势走向。随着大数据时代的繁荣,新的机器学习算法层出不穷,如何更好地进行股票价格的预测仍是各界学者持续探讨的话题。