[发明专利]一种基于神经网络集成的股票趋势预测方法

说明书

技术领域

本发明涉及一种基于神经网络集成的股票趋势预测方法。

背景技术

证券市场是以股票价格为参考来供个人或机构进行股票或衍生品交易的一个公共市场。同时，证券市场作为中立方为券商和公司进行投资提供了机会，是国家经济状况的主要指标之一。然而，股票价格基本上是动态的，非线性的，相当程度的受人为因素的影响。同时，股票价格的变动也受许多宏观经济因素的影响，如政治事件、公司的政策、商品价格指数、银行利率等等。因此，预测股票价格的运动是件复杂、具有挑战的事情，并且投资者和国家管理者也很感兴趣。

近年来在金融市场预测处理方面，人工神经网络(ANN)已经被证明是表现不错的研究模型。人工神经网络模型来预测、发现和总结金融变量结构的优势在于其不依赖于特定的假设。目前在股市的预测应用中大多采用的是BP神经网络、RBF神经网络和Elman回归神经网络，或者基于这三种网络的一些改进。然而，这三种神经网络在处理数据进行预测时存在各种不足：BP网络是基于梯度下降算法的，存在局部极小、鲁棒性不高等缺陷；RBF神经网络属于静态前馈网络，对处理动态时间建模问题存在不足，不能满足需要；Elman网络是一种局部的循环网络，由于在学习过程中其隐含层中需要更多的隐含单元，因此需要更多的训练时间，另外，由于Elman网络使用BP算法来处理变量，因此也存在局部极小值和收敛速度慢的问题。因此，现在亟待研究出一种能够克服以上所述缺陷的方法来预测股票趋势。

发明内容

针对上述现有技术中存在的问题，本发明的目的在于提供一种可避免出现上述技术缺陷的基于神经网络集成的股票趋势预测方法。

为了实现上述发明目的，本发明提供的技术方案如下：

一种基于神经网络集成的股票趋势预测方法，采用由BP神经网络、Elman 神经网络和RBF神经网络组成的神经网络集成模型来预测股票趋势。

进一步地，所述股票趋势预测方法具体包括以下步骤：

步骤1)组织好训练语料，然后分别训练BP神经网络、Elman神经网络和RBF神经网络三种神经网络模型，得到三个神经网络个体。

步骤2)用所述三个神经网络个体分别去预测处理股票参数数据，对于每条测试记录，得到三个结果。

步骤3)对步骤2)产生的所述三个结果进行投票法选择，得到输出结果。

进一步地，所述步骤3)具体为：将所述三个结果进行两两比较，如果有二个或二个以上结果是一样的即属同一个分类，那么此分类作为最终结果；如果三个分类结果都不一样，则随机选择一个作为最终分类结果。

进一步地，所述BP神经网络采用三层神经网络结构，中间隐含层有20个神经元，隐含层和输出层均使用logistic激活函数，训练时误差值为0.01，学习率0.01，训练次数1000；RBF神经网络的均方根误差设为0.01，扩展速度spread设置为20；Elman网络的隐含层和输出层的激活函数为tansig，最大训练次数设置为2000，均方误差为0.01。

本发明提供的基于神经网络集成的股票趋势预测方法，其趋势分类效果要高于单一的神经网络和svm的分类效果，能够很好地应用于股票趋势预测，预测结果准确，可以很好地满足实际应用的需要。

附图说明

图1为本发明的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明做进一步说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的基于神经网络集成的股票趋势预测方法，采用由BP神经网络、Elman神经网络和RBF神经网络组成的神经网络集成模型来预测股票趋势。

神经网络是一种大规模并行的复杂的非线性动力系统，它可表示极其复杂的非线性模型系统。神经网络有多种类型，而在股市应用中比较常用的有BP神经网络、RBF神经网络和Elman回归神经网络。

BP神经网络是神经网络技术中应用最为广泛的一种，是基于BP算法的一种神经网络模型，其特点有：自适应、自组织、自学习的能力，非局域性和非凸性等。BP神经网络是比较典型的前向神经网络，经典的三层BP神经网络结构包括输入层、隐含层和输出层。