[发明专利]基于BP神经网络的股市建模、预测及决策的方法

权利要求书

1、一种基于BP神经网络的股市建模、预测及决策的方法，其特征在于：只需输入股票当天八个容易得到的信息，本方法就能给出下一交易日的买卖决策。

2、根据权利要求1所述的基于BP神经网络的股市建模、预测及决策的方法，其特征在于：确定BP神经网络的输入和输出：

BP神经网络的输入是股票当日的市场信息，采用八个输入信号X₁、X₂、X₃、X₄、X₅、X₆、X₇、X₈，分别为当天收盘价、成交量、成交额、当天最高价除以前5天的平均最高价、当天成交量除以前5天平均成交量、当天最高价除以前15天的平均最高价、当天成交量除以前15天平均成交量以及今年最高价减去当天收盘价，

BP神经网络的两个输出信号d₁、d₂选取为：

d₁＝(20天后的最高值-今收盘价)/今收盘价

d₂＝(今收盘价-20天后的最低值)/今收盘价

对信号d₁、d₂作如下处理，得规范化输出信号A，B：

A＝2.67*d₁+0.05，但是，如果A＜0.05，取A＝0.05，如果A＞0.95，取A＝0.95；

B＝-2.67*d₂+0.05，但是，如果B＞0.95，取B＝0.95，如果B＜0.05，取B＝0.05。

3、根据权利要求1或2所述的基于BP神经网络的股市建模、预测及决策的方法，其特征在于：建立八个输入，两个输出的三层前向神经网络拓扑结构，隐层和输出层的激活函数采用的Sigmoid型函数，层与层之间采用全互连方式连接，同一层结点之间无连接，

运用公式对原始输入数据做归一化处理，使其值在0到1之间，

用BP算法对网络进行学习训练，训练精度设置为E 1e-3，

学习训练过程由正向传播和反向传播两部分组成，

(1)正向传播

对给定的一个输入训练模式X＝〔x₁，x₂，…，x_m〕，m＝8，首先由输入层单元传到隐含层单元，经隐含层单元处理后再传送到输出层，最后由输出层单元处理并产生一个输出模式Y＝〔y₁，y₂，…，y_n〕，n＝2

设输入层、隐含层、输出层结点数分别为m、h、n，输入层到隐含层的连接权为w_ij(i＝1，2，…，m，j＝1，2，…，h)，隐含层到输出层的连接权为v_jl(j＝1，2，…，h，l＝1，2，…，n)，则隐含层和输出层结点的输出分别为

zj=f(Σi=1mwijxi-θj)]]>

j＝1，2，…，h                 (6)

l＝1，2，…，n

式中

θ_j——隐含层结点的阀值

——输出层结点的阀值

f——S型函数

f(u)=11+e-u]]>

如果在输出层得不到期望的输出，则转入反向传播。

(2)反向传播

将误差信号沿原来的连接通路返回，按式(3)、式(4)更新连接权及各层神经元的阀值，减小误差信号，

wij(t+l)=wij(t)+βejxjθj(t+1)=θj(t)+βejej=xj(1-x)Σindlvjl---(9)]]>

式中

α——增益项

β——增益项

——结点l的期望输出

y_l——实际输出

选择股票历史数据作为训练样本，针对不同的训练模式，重复正向传播和误差反向传播过程以训练网络。按照由简单到复杂的网络结构优化方法进行训练，当各训练模式都满足要求时，即建立了BP神经网络预测模型。

4、根据权利要求1或2或3的基于BP神经网络的股市建模、预测及决策的方法，其特征在于：

利用BP神经网络预测模型的输出信号A、B，进行买入、卖出决策，

买入决策的条件为下列三个不等式成立：

                        A_k＞θ₁

                        B_k＞θ₂

             A_k-(A_k-1+A_k-2+…+A_k-m)/m＞θ₃

卖出决策的条件为下列三个不等式成立：

                         A_k＜π₁

                         B_k＜π₂

            ((B_k-1+B_k-2+…+B_k-m)/m)-B_k＞π₃

其中k表示第k个交易日，m表示交易天数，θ₁，θ₂可选取为0.7与0.9之间的任意值；π₁，π₂可选取为0.1与0.3之间的任意值；θ₃，π₃可选取为0.1与0.2之间的任意值；m可选取为5。