- 相關推薦
基于Elman網絡的上證股市開盤價預測研究
摘要：股價預測一直是金融領域經久不衰的研究領域。由于影響股價變動的因素有很多，造成了股票價格預測的復雜性。為了更好的預測上證股市在短期內的開盤價，本文采用了處理時間序列數據更具優越性的Elman神經網絡，對上證股市連續一段時間內的開盤價進行了預測，實驗結果表明本文采用的方法具有較高的預測精度，較為穩定的預測效果和較快的收斂速度。這表明該預測模型對于股市開盤價的短期預測是可行和有效的。
關鍵詞：股價預測;Elman神經網絡;時間序列
1.引言
在股市中，影響股票交易和股價波動的因素有很多。對于單支股票來說，股價不但受到該企業經營業績的影響還受到其他外界因素諸如財政政策、利率變動、經濟周期和人為操作的影響，對整個股市來說，其開盤價的波動情況就更為復雜了。因此，股票市場可以被看做是一個復雜的非線性系統。由于受到多方面的限制限制，傳統的統計建模方法并不適合這樣的復雜非線性系統，難以揭示其內在的規律。人工神經網絡的發展，為股票市場建模與預測提供了新的方法。人工神經網絡具有自組織、自適應和自學能力以及具有非線性、非局域性、非定性和非凸性等特點[1]。這些特點使其具有分類和預測的功能，常常被用來對股票系統進行預測和分析。目前在股市的預測應用中大多數采用的是靜態前饋神經網絡和RBF神經網絡[2，3]，但股票市場是動態變化的，需要采用一種動態神經網絡才可以更為有效的反映系統的動態特性。Elman回歸網絡是一種典型的動態神經元網絡，具有適應系統時變特性的能力，特別適合處理時間序列問題。
本文用Matlab工具箱建模，建立一個六個輸入，一個輸出的Elman神經網絡預測模型，利用上證股市280個交易日的開盤價作為原始數據，對Elman神經網絡進行訓練、仿真，并預測后51天的開盤價。通過計算其與實際開盤價的相對誤差，表明了本文構建的預測模型具有較好預測效果。
Elman神經網絡是Elman于1990年首先針對語音處理問題而提出來的，它是一種典型局部遞歸網絡。由于Elman神經網絡在處理貫序數據輸入輸出具有優越性，得到了廣泛的應用[4]。Elman網絡，如圖1所示是一個兩層的網絡，其隱含層神經元到輸入層神經元之間還存在一個反饋連接通道，這種反饋連接通道在神經網絡術語中稱為回歸連接。由于存在回歸連接，因此Elman網絡可以記憶過去的狀態，特別適合處理時間序列問題。
式中：k表示時刻，是輸出層的輸出向量;是n維中間層結點單元向量;是輸入層輸入向量，反饋狀態向量;是中間層到輸出層的連接權值;輸入層到中間層的連接權值;是輸出神經元的傳遞函數，采用purelin函數。是中間層神經元的傳遞函數，采用tansig函數[5]。Elman神經網絡的學習算法采用的是優化的梯度下降算法，通常使用誤差平方和函數作為學習指標函數。
2.數據的選取與預處理
本文的股價預測中，不考慮股市的其他經濟指標，而只是是采用過去的股價預測下期的股價，因此相當于一個時間序列問題，可以使用Elman神經網絡進行求解。本文選取2012年6月30日至2013年12月1日的上證開盤價進行預測分析，總共選取337條開盤價格。根據前N期的開盤價格預測下一期開盤價，其映射函數可以表示為：
對于給定的開盤價數據，先將其劃分為訓練樣本和測試樣本，使得測試樣本晚于訓練樣本，與股價的產生順序相吻合。以訓練樣本為例，抽取組成第一個樣本，其中為自變量，為目標函數值，抽取組成第二個樣本，其中為自變量，為函數值，依此類推形成網絡的訓練矩陣。為了保證網絡的性能和穩定性，還需要對數據進行歸一化處理，經過如此的處理便將原始數據構成了可供Elman網絡處理的樣本集。
3.模型預測實驗結果和數據分析
本文中利用Elman網絡進行股市開盤價預測的步驟如圖2所示：首先要進行原始數據的處理，處理方法上文已經做了詳細介紹本部分不再贅述。然后要進行Elman網絡的創建，確定輸入層，隱含層和輸出層的神經元的個數，利用訓練樣本對Elman網絡進行訓練，最后對經過訓練的網絡進行測試，完成預測過程。
利用MATLAB神經網絡工具箱中的函數，本文對2012年6月30日至2013年12月1日的上證指數開盤價進行了預測分析，創建的Elman網絡包含20個隱含神經元，最大迭代次數為2000次，誤差容限為0.0001，最多驗證失敗次數是5。
在神經網絡的訓練過程中，經過500次的訓練，網絡基本趨于穩定，基本收斂，誤差收斂過程如圖3所示。網絡訓練完成以后，就可以利用該訓練好的網絡進行股價的預測，預測的結果如圖4所示，從圖中的結果可以看到Elman網絡很好的預測了股價在未來短期的變化趨勢及變化空間。表1是測試樣本輸入到網絡后，計算得到的網絡輸出值與真實股價之間的相對誤差，從相對誤差來看得到比較理想的預測結果。
4.結束語
分析上述實驗結果可以看出，股市開盤價格也是遵循一定的規律的，在一定范圍內是可以可預測的，至少短期內的變化是可以較為準確的預測的。對于股價預測來說，長期的準確性是很難實現的，意義不大，股價在未來短期內的變化趨勢才會對投資具有參考意義。本文采用的Elman神經網絡實現了較好的短期預測效果，雖然預測股價的準確值方面還有所欠缺，但很好的預測了股價在短期內的變化趨勢，因此也具有一定的參考價值。
10.15%130.52%25-0.50%370.49%490.91%
2-1.55%142.00%26-1.55%380.57%500.07%
3-2.94%150.84%270.43%390.70%510.14%
4-1.51%16-0.39%281.51%40-0.27%
50.37%17-1.26%290.83%411.24%
6-0.43%18-1.15%301.26%42-0.78%
70.53%190.55%31-0.08%43-2.25%
80.52%20-1.40%32-1.68%44-2.54%
92.08%21-0.14%330.54%45-0.22%
10-0.60%220.33%34-0.93%460.29%
11-1.02%231.27%350.74%47-0.23%
120.23%240.71%36-0.58%480.29%
參考文獻：
[1]陳瑛，羅鵬飛.基于神經網絡的混沌時間序列建模及預測計算機工程與應用，2005，41(11)：77-79.
[2]禹建麗，孫增圻.基于神經網絡的股市建模與決策系統工程理論與實踐，2003，23(5)：15-19.
[3]姜靜清，梁艷春，孫延風，等.引入收益因素的RBF神經網絡及其應用吉林大學學報(信息科學版).2002.8.68-72.
[4]林春燕，朱東華.基于Elman神經網絡的股票價格預測研究計算機應用，2006，26(2)：476-484.
[5]葛哲學，孫志強.神經網絡理論與MATLAB R2007實現[M].北京：電子工業出版社，2007：136-141.
【基于Elman網絡的上證股市開盤價預測研究】相關文章：
基于廣義回歸神經網絡的經濟預測模型研究07-10
基于行為金融背離的股市風險量化研究08-01
基于廣義回歸神經網絡的黃金價格預測研究07-17
基于網絡的遠程測控系統的研究10-07
基于MoCA標準的家庭網絡研究07-19
基于ＡＳＰ網絡銷售系統的實現與研究10-23
基于灰色—回歸預測模型的鐵路客運量研究07-04
基于RBF神經網絡的水體富營養化預測07-24
中國股市與經濟增長：基于實證的觀點07-10