1、IIIIIlIIIIIIIIIIIIIIMI rl IIIIIlI+H+IIIlY1 437272分类号：U D C：工学硕士学位论文(高校教师)密级：编号：基于神经网络和遗传算法的证券预测技术的研究硕士研究生 ：苏丹指导教师 ：蔡绍滨教授学位级别 ：工学硕士学科、专业 ：计算机应用技术所在单位 ：黑河学院论文提交日期：2007年4月2日论文答辩日期：2008年3月2日学位授予单位：哈尔滨工程大学哈尔滨工程大学硕+学位论文摘 要预测是科学管理的重要环节，是决策、规划的前提，在社会经济管理中，经常要对某一事物或系统的发展趋势进行预测和分析。而股票市场是经济的报警器，其作用不仅被政府所重视，而且受
2、到投资大众的普遍关注。起源于上世纪四十年代的人工神经网络是人工智能的一个分支，它在很多领域得到了广泛的应用。神经网络能学习贮存以往的历史经验知识，并能外推到未来，这是神经网络用于预测领域的理论依据。对于时间序列的股市预测，神经网络比其他数学模型更有效，而且精确度更高。遗传算法具有强大的搜索能力，因此可以用来解决很多常规方法无法解决的问题。遗传算法与神经网络结合后，使得神经网络的结构参数等达到最优，大大地增强了神经网络的性能，使智能计算得到了突飞猛进的发展。因此对遗传算法和神经网络的研究具有很重要的意义。本文基于股票市场高度非线性的特点，从遗传算法和神经网络的基本理论入手，提出了一种GABP算法
3、，来解决基本BP算法在权值调整过程中存在的收敛速度慢、易陷入局部极小点的不足。GABP算法具有遗传算法全局搜索的特点，注重搜索未知区域，同时也具有神经网络处理速度快、精度较高的特点。理论分析和实验结果表明，神经网络用于股票市场的预测是可行和有效的，有着良好的前景，而GA-BP算法进一步提高了运行的速度和可靠性。关键词：股市预测；遗传算法；神经网络；BP算法哈尔滨T程大学硕士学位论文AbstractForecasting is all important link in scientific management and premise beforepolicy-making and layou
4、tIt is necessary to forecast and analyze evolution trendof some systemsAnd stock market is all alarm，whose function is not only valuedby the government but also concerned by investors，Artificial neural network is an embranchment of artificial intelligent，whichwas originated in 1 940s and has been wi
5、ddy applied to many fields nowNeuralnetwork can reserve preening information and knowledge，which is the theoreticalbasis when used to forecast the futmeAs for time series forecast，neural networkis more efficient and precise than mathematical modelsFurthermore，witll thegreat searching ability,GA(gene
6、tic algorithm)can solve many problems thatother algorithms cant doGA Was combined with ANN，and improved thecapability of the ANN greatlyThe combination makes the Intelligent Computingdevelop rapidly So，studying the two subjects is very significantThis paper starts with the basic theory of GAThe thes
7、is presents GA-BPalgorithm based Oll the high-nonlinear speciality of stock market，and also takesthe shortcoming of basic BP algorithm that includes the slow convergence speedand local extrcmum into acotmtThe GA一-BP algorithm has the character of thewhole space searchThe GA pays attention to the unk
8、nown-area searchAt thesame time，it also has higll speed and relatively high precisionIt will not get intolocal extremumThe BP algorithm searches the area that includes the whole spaceminimumIt Can improve the speed and precisionTheoretical analysis andexperiment results show that the method of stock
9、 prediction using neural networkis feasible and efficientIt has favorable foregroundIt is also proved thatGA-BP algorithm Can improve the speed and credibilityKey words：stock prediction；Genetic Algorithm；Artificial Neural Network；BP Algorithm哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方
10、法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者(签字)： 苏丹日期：知扩年岁月：；日哈尔滨T程大学硕士学位论文11研究的背景第1章绪论我国证券发行市场是以1981年7月发行的国债为标志，1987年开办国债二级市场，80年代初一些企业逐步开始发行股票，1986年沈阳出现自发的股票交易市场。90年代在上海、深圳相继建立的证券交易所真正体现了证券市场规范集中的发展，证券投资逐渐成为现代经济生活中最常见的高
11、效益与高风险并存的活动，也逐步成为证券业及整个金融业的必不可少的组成部分。由于股市行情受经济、政治等因素的影响，其内部规律非常复杂，市场的突发消息较为频繁，变化周期无序，人为操纵的因素仍然比较大，高效益与高风险比较明显，使得市场经济体制不完备。股市对于国家的政策性导向非常敏感，经常出现暴涨暴跌的现象，证券公司积累的大量客户相关数据分散、缺乏聚集、合适的分析技术，不能有效地转换成支持客户服务的信息，因而关于股市分析与预测的研究一直为人们所关注。另外，股市的建模与预测所处理的信息量十分庞大，对算法有很高的要求。正是其复杂的非线性动力学特性，使得关于股市的预测往往难如人意。关于股市分析与预测的研究一
12、直为人们所关注，传统的统计方法，可以预测一段时间内股指变化的大致走势，但股指短期的涨跌往往是投资者更感兴趣的信息。此外，传统方法还要事先知道各种参数，以及这些参数在什么情况下应作怎样的修正，已经不能满足我们的需要，而近十几年发展起来的数据挖掘方法逐渐成为非线性动态系统预测与建模的强有力工具，可以说，数据挖掘在证券行业得到了最全面的应用。以开发出多个有兴趣的数据挖掘主题，12研究目的及意义围绕证券市场参与者的不同需求，可并建立一系列的应用模型。本文的研究目的是采用数据挖掘中神经网络和遗传算法相结合的方法，以准确的调查统计资料和股市信息为依据，从历史数据中提取有关经济活动中的知识，克服了传统定量预
13、测方法的许多局限以及面临的困难，同时也避免了许哈尔滨工程大学硕士学位论文多人为因素的影响，找到证券市场运动的短期规律。正确的认识股票市场的运动规律能为投资者增加投资收益，赚得大量股票价差金额，减少股票投资风险。如果投资者都能理智投资，依据技术指标，遵循预测算法的原理，把握恰当的投资时机，那么中国的证券市场将会有更多的投资者加入进来。13国内外相关理论的发展现状证券交易是为了获得高收益而主动承担高风险的投资活动，这种随机性特点，使得投资者们时刻在分析证券市场、试图预测市场变化的趋势，近年来，一些证券市场预测模型逐渐产生和发展逐步完善起来，主要有以下几种：1ARCH类模型该模型由Engle,Bol
14、lerslev等针对股票市场波动性表现出的时变特点与“集聚效应”提出的，ARCH类模型采用时变的条件方差来捕捉价格波动的时变性和序列相关性，但由于ARCH模型将条件方差定义为过去观测值的平方项和前期条件方差的确定性函数，条件方差的估计与过去观测值直接相关，因此当存在异常观测值时，估计的波动性序列不是很稳定。另外，该模型对周期波动性的预测能力较差。2无参数中心回归技术2000年MIT Sloan商学院学者Andrew WLg Harry Mamaysky和JiangWang等人发表该研究成果1，对美国股市31年的历史股价进行平滑分析。根据平滑后价格曲线的拐点定义5类10种标准的技术图形，可以很清
15、楚的发现历史股市数据的变化规律。3神经网络神经网络是一种最新的时间序列分析方法，文献【25】中根据预测目标和研究对象的不同选择相应的变量，使用误差反传算法训练网络，对金融市场的进行预测。文献6】对误差反传算法进行改进，应用于对股票价格的涨跌趋势进行预测，取得比较满意的预测结果，也在一定程度上证明了股市不完全满足随机游走(Random Walk)理论，说明股市具有可预测性。Refenes等人将神经网络预测方法和多重线性回归方法在证券市场预测中的应用进行了比较研究，指出神经网络的平滑内插特性使其能较好的拟合数据并能更好地泛化，2哈尔滨工程大学硕士学位论文其预测精度比线性统计预测方法有较大的提高。D
16、utta和Marque等人曾将神经网络与线性回归这两种方法做过比较，其结论是神经网络能得到与线性回归相近或更好的结果。4径向基网络这种类型的网络存在局部最优的问题，使得其在非线性时间序列预测中得到广泛应用，由于遗传算法有广泛的全局寻优能力，因此在预测应用中，经常配合使用。文献78采用遗传算法来优化网络结构，利用权重的调节作用，对聚类进行修正，淘汰掉距离较远的中心，使聚类更加准确。5回归神经网络文献9】使用四层回归神经网络，以五个不同的股票市场(加拿大、香港、日本、英国、美国)的历史交易数据预测下一年的股票回报，为个人投资决策提供参考，做出了成功的探索。神经网络由于本身良好的鲁棒性、自组织自适应
17、性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘问题。而且数学上己经证明了，人工神经网络可以逼近那些最佳刻画样本数据规律的函数，而不论这些函数具有怎样的形式。径向基神经网络(RBF)是局部逼近网络。从理论上讲，RBF神经网络具有任意函数逼近能力，它通过自动增加隐层神经元的方法很快达到了预先所设定的目标误差值，这时训练样本点的网络输出值与目标输出值完全重合，但是检验样本点的网络输出值与目标输出值自身具有较大的差距。BP网络是一个多层的前馈神经网络，学习过程由信号的正向传播与误差的反向传播两个过程循环进行的。权值的不断调整过程就是网络的训练过程。BP网络训练算法使用的是BP算法，具有结构
18、清晰、易实现、计算功能强大等优点。虽然回归神经网络在输入结点数相同的情况下，达到最小误差时，所需要的隐层结点数一般比BP算法少，但其网络性能随着输入结点的增加，提高效果不如BP网络显著，而且有迂回现象，且随着训练次数的增加，回归网络性能明显不如BP网络的性能好。这也是本文采用BP神经网络的原因。14论文的主要内容及创新点141主要内容本文主要是对时间序列的股市历史数据进行数据挖掘，从中发现蕴涵在3哈尔滨j】：程大学硕十学位论文内部的模式，用来对时序变化作出分析。将股票的连续变量进行离散化处理，增强变量间的相关性，通过遗传算法优化的神经网络模型，得到股市短期的预测结果。本文内容安排如下：第1章阐
19、述了本文研究的背景、目的、意义及国内外相关理论的发展现状，概述了本文的主要内容。第2章简单介绍神经网络的基本理论，具体分析BP神经网络算法的思想，通过实验用数据分析了它的缺点并提出改进方法。第3章介绍了实验数据的来源和数据预处理的方法，并根据本实验数据自身的特征提出一种新的数据预处理方法。第4章研究遗传算法应用设计中的各个部分及其特点，提出将神经网络和遗传算法结合的思想，具体分析了使用遗传算法优化神经网络结构和权值的原理及过程。第5章为采用改进的神经网络预测股市行情的设计和实现部分，给出了遗传算法优化神经网络权值GABP算法的具体描述，给出股市预测模型的基本实现，并对实验数据进行仿真、评价。本
20、文力求表现数据挖掘的基本思想，并使其与证券分析基本原理相结合，以期提高股市行情预测的精度。142创新点本文以解决具体实际问题为目的，把理论研究与实证研究相结合，采用多种挖掘方法，按照数据收集一数据预处理一模型设计一模型验证、评价的流程来进行实证研究，研究中定量与定性分析相结合。有两方面创新：1数据的预处理：根据实验数据的自身特征，提出了一种数据自身乘方归一化的预处理方法，将股票的连续变量进行离散化处理，增强变量间的相关性，提高预测精度。2预测模型：分析了GA和BP算法的特点，提出了GABP算法，采用遗传算法优化神经网络的权值和阈值，提高了网络收敛速度和模型的预测精度。4哈尔滨f：稗人学硕十学何
21、论文第2章基于神经网络的证券预测技术的研究21 BP神经网络概述神经网络(Neural Network)，也称为人工神经网络(Artificial NeuralNetwork，ANN)，是由大量连接的简单的神经元(Neurons)构成的规模宏大的并行分布式处理器网络，天然具有存储经验知识和使之可用的特性，是对人类大脑的粗略简单模拟、抽象和简化，它具有通过实施相应的算法从外界环境中学习获取知识并解决问题的能力，而且知识是分布存储在互连神经元连接权(突触权值)中。BP网络(BackPropagation network，反向传播网络)是一个多层的前馈神经网络，因其网络训练算法使用的是BP算法而得名
22、，具有结构清晰、易实现、计算功能强大等优点，是目前最常见、使用最广泛的一种神经网络。BP神经网络的学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层输入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出(教师信号)不符，则转入误差的反向传播阶段。误差的反传是将输出误差以某种形式通过隐层向输入层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号并将其作为修正各单元权值的依据。这种信号正向传播与误差反向传播是循环进行的。权值的不断调整过程就是网络的训练过程。BP网络学习算法是非循环多级神经网络的训练算法。虽然该算法的收敛速度非常慢，但由于它具
23、有广泛的适用性，使得它在1986年被提出后，很快就成为应用最为广泛的多级网络训练算法，并对人工神经网络的推广应用发挥了重要作用。据统计，在实际人工神经网络应用中，有90的是使用BP神经网络。多层BP网络不仅有输入结点、输出结点，而且有一层或多层隐结点，如图21所示。5哈尔滨工程大学硕士学位论文输出层隐层输入层图21 BP网络模型结构假设：输入结点与隐结点间的网络权值为ii，隐结点与输出结点问的网络权值为瓦，阈值为p，误差函数为E。BP网络三层结点表示为：输入结点x j，隐结点Y i，输出结点0 I。(1)设定学习次数初值为t=O；用小的随机数初始化网络权值和阈值，u(t)【-1，1】，jk(t)【1，1】，吼(砂【-1，1】，吼(【一1，1】。(2)输入一个学习样本(Xp，TP)，其中pE1，2，N)，N为样本数，X P ER。，T P ER。(3)计算隐层各结点的输出值：Yj-2 f(弘y；I-0j)=f(耋叩吡印j1，2，n：】-(2-1)(4)计算输出层各结点的输出：Y：=f(Yj。吼) k1，2m)(2-2)(5)计算输出层结点和隐层结点之间连接权值的修F量：6
