[发明专利]基于IPSO‑BP神经网络的短期股价预测算法

说明书

技术领域

本发明涉及一种基于IPSO-BP神经网络短期股价预测算法。

背景技术

股票作为一种有价证券，蕴含经济利益、还可以通过上市进行流通转让，同时，股份有限公司在筹集资本时，可以通过签发给各股东的股份来体现持有人(即股东)对公司部分资产拥有的所有权。交易市场出现的时间最早可以追溯到上世纪六十年代，美国是现代交易市场出现的最早的地方。世界经济金融市场的开放程度自从中国加入WTO后得到迅速提高，同时国际市场也为中国企业在境外上市提供了越来越多的机会和空间，因此，中国的证券市场在我国经济发展中的作用显得越来越重要。

伴随着我国不断的加快推进经济转型以及针对实际需求对产业结构的不断调整，越来越多的国内知名的股份有限公司公开在境外的交易所上市并发行股票。股票作为一种蕴含潜力和经济利益的金融产品为更快更好的提高市场经济提供可能，并与国民经济和人们的生活息息相关。同时随着人民生活水平的不断改善和提高，人们的理财方式也变得越来越多样化，因此，促使更多的股票投资者们都参与到股票市场中。但由于股票市场本身的复杂性，容易产生暴涨暴跌的情况，因此需要时刻对股票市场进行观测，以便对股价的走势进行预测，从而最大限度的降低风险，增加收益。

股票预测主要指对股票价格未来的趋势进行提前的分析和判断，这就要求结合股市过往的交易数据信息，运用科学的统计方法进行综合研究。由于股票市场本身高风险、高收益的特性，一直是研究的热门，因此，人们对于股票价格的预测研究从未中断，产生了各种各样的预测方法。传统的股市预测理论大多基于研究者们对股票市场进行长期观察和研究，同时将统计学和概率论的方法应用于股票市场。从而建立了一些传统的预测模型，如：VAR模型(向量自回归模型)、ARMA模型(自回归滑动平均模型)、ARCH模型(自回归条件异方差模型)、多元回归模型、指数平滑模型等。这些理论模型基础比较成熟，并且大多都基于基本的理论，对股票市场的熟悉程度和实际经验要求较高。它们的共同特点都是使用基于时间序列的数据，利用丰富的经验进行预测，因此，预测结果的精确度和稳定度方面缺乏支撑和保障，并且这些理论模型均不具备自适应和自学习的能力。然而，股票市场作为一种复杂的系统，受到问题的动态非线性、数据的高噪音、人为操控、政策干预等多种因素的影响，并且各因素相互之间的影响机理也相当复杂。因此，若想对股票的短期价格进行快速、有效的预测，单纯的使用传统的股票预测方法就有些难以实现。

近年来，随着人工智能(Artificial Intelligence，AI)领域研究的不断发展，越来越多的研究者们采用基于人工神经网络建立预测模型来对股价进行预测，并取得了较好的预测效果。神经网络理论是对人脑的模拟抽象而来的一种极其复杂的非线性网络模型，由大量的神经元相互连接而成，可以并行处理复杂的问题，并且针对自身的误差具有调节和学习的能力。因此，神经网络的这些特点表明其本身就比较适合进行股票短期价格的预测。但是在实际应用的过程中，神经网络算法也存在一些明显的局限性：一是比较容易陷入局部极值点，二是收敛速度慢，这些局限性使得神经网络算法的应用范围大大缩小，即只能解决简单的、规模较小的问题，同时得到的最终结果也很有可能是局部最优解，从而使得在对股票超短期价格进行有效预测的问题中，BP(Back Propagation)神经网络的应用受到了限制。

发明内容

本发明为了解决上述问题，提出了一种基于IPSO-BP神经网络短期股价预测算法，本发明建立改进的粒子群算法(Improve Particle Swarm Optimization，IPSO)优化BP神经网络模型进行股票的短期价格预测，最终的实验结果表明，IPSO算法优化后的BP网络性能得到了较好的改善，对股票的短期价格能够更加准确、快速的预测。

为了实现上述目的，本发明采用如下技术方案：

一种基于IPSO-BP神经网络短期股价预测算法，包括以下步骤：

(1)采样历史数据，构建样本数据集合；

(2)对样本数据集合进行归一化处理，映射到同一区间；

(3)对归一化的数据进行拟合、循环迭代，预测未来样本数据；

(4)确定网络层数、各层神经元数目和BP网络参数与激活函数，利用从大到小依次动态变换惯性权重和学习因子，构建IPSO-BP神经网络；

(5)根据未来样本数据，利用IPSO-BP神经网络预测股票数据。