基于bp神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘及在股價(jià)預(yù)測(cè)中的應(yīng)用

《基于bp神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘及在股價(jià)預(yù)測(cè)中的應(yīng)用》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、實(shí)踐與經(jīng)驗(yàn)基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘及在股價(jià)預(yù)測(cè)中的應(yīng)用孟毅，呂渭濟(jì)（湛江師范學(xué)院商學(xué)院湛江524048）摘要：對(duì)BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及其結(jié)構(gòu)的確定進(jìn)行分析，對(duì)如何提高網(wǎng)絡(luò)的泛化能力和網(wǎng)絡(luò)模型的合理化進(jìn)行研究，給出一些具體方法和建議。結(jié)合以上的分析，利用BP網(wǎng)絡(luò)對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)，所得結(jié)果表明，只要選擇合理的網(wǎng)絡(luò)模型和結(jié)構(gòu)，其預(yù)測(cè)能力是相當(dāng)可觀的。關(guān)鍵詞：BP網(wǎng)絡(luò)結(jié)構(gòu)；推廣能力；過擬合；股票0引言量。輸入變量即為系統(tǒng)待分析的外生變量（系統(tǒng)性能指標(biāo)或因變量），可以是一個(gè)，也可以是多個(gè)。一般將近年來，神經(jīng)網(wǎng)絡(luò)被廣泛用于時(shí)間序列分析和金一個(gè)具有多個(gè)輸入的網(wǎng)絡(luò)模型轉(zhuǎn)化為多個(gè)具有一個(gè)融預(yù)報(bào)，這是因?yàn)樯窠?jīng)網(wǎng)

2、絡(luò)有較強(qiáng)的非線性函數(shù)逼近輸出的網(wǎng)絡(luò)模型效果會(huì)更好，訓(xùn)練也更方便。能力，可以根據(jù)樣本數(shù)據(jù)訓(xùn)練得到輸入輸出變量之間由于BP神經(jīng)網(wǎng)絡(luò)的隱層一般采用Sigmoid轉(zhuǎn)換的函數(shù)關(guān)系，即可以通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，確定各神經(jīng)函數(shù)，為提高訓(xùn)練速度和靈敏性以及有效避開Sig-元之間的耦合權(quán)值，從而使得網(wǎng)絡(luò)具有近似函數(shù)的功moid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1能，這樣我們無需了解市場(chǎng)的內(nèi)在動(dòng)力機(jī)制，就可對(duì)之間。因此，要對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理。一般要求對(duì)不其未來行為進(jìn)行預(yù)測(cè)。同變量分別進(jìn)行預(yù)處理，也可以對(duì)類似性質(zhì)的變量進(jìn)1樣本數(shù)據(jù)行統(tǒng)一的預(yù)處理。如果輸出層結(jié)點(diǎn)也采用Sigmoid轉(zhuǎn)1.1換函數(shù)，輸出變量也必須作

3、相應(yīng)的預(yù)處理，否則，輸出收集和整理分組變量也可以不做預(yù)處理。采用網(wǎng)絡(luò)方法建模的首要前提條件是有足夠多預(yù)處理的方法有多種多樣，各文獻(xiàn)采用的公式也有典型性和精度高的樣本，而且，為監(jiān)控訓(xùn)練（學(xué)習(xí)）不盡相同。但必須注意的是，預(yù)處理的數(shù)據(jù)訓(xùn)練完成過程使之不發(fā)生“過擬合”（overfitting）和評(píng)價(jià)建立的后，網(wǎng)絡(luò)輸出的結(jié)果要進(jìn)行反變換才能得到實(shí)際值。網(wǎng)絡(luò)模型的性能和泛化能力，必須將收集到的數(shù)據(jù)隨再者，為保證建立的模型具有一定的外推能力，最好機(jī)分成訓(xùn)練樣本、檢驗(yàn)樣本（10%以上）和測(cè)試樣本[3]使數(shù)據(jù)預(yù)處理后的值在0.2～0.8之間。（30%以上）3部分。此外，數(shù)據(jù)分組時(shí)還應(yīng)盡可能考慮樣本模式間的平衡。

4、2網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定現(xiàn)1.2輸入輸出變量的確定及其數(shù)據(jù)的預(yù)處理代關(guān)于網(wǎng)絡(luò)結(jié)構(gòu)，我們想研究的是：在訓(xùn)練樣本數(shù)計(jì)一般地，BP網(wǎng)絡(luò)的輸入輸出變量即為待分析系量和質(zhì)量一定時(shí)，如何確定網(wǎng)絡(luò)結(jié)構(gòu)以保證有良好的算統(tǒng)的內(nèi)生變量（影響因之或自變量）數(shù)，應(yīng)根據(jù)專業(yè)知推廣能力。機(jī)識(shí)確定。若輸入變量較多，一般可以通過主成分分析網(wǎng)絡(luò)結(jié)構(gòu)涉及到以下幾個(gè)方面的內(nèi)容：隱層的層（方法壓減輸入變量，也可以根據(jù)剔除某一變量引起的總數(shù)及隱層的結(jié)點(diǎn)數(shù)、初始權(quán)值、激勵(lì)函數(shù)、學(xué)習(xí)率、動(dòng)第系統(tǒng)誤差與原系統(tǒng)誤差的比值的大小來壓減輸入變量因之、誤差精度。三○收稿日期：2008-11-19修稿日期：2009-02-14一期作者簡(jiǎn)介：孟毅（1982

5、-），女，遼寧人，碩士，助教，研究方向?yàn)闀r(shí)間序列分析、信息管理與信息系統(tǒng)）貋貖貧MODERNCOMPUTER２００9.2實(shí)踐與經(jīng)驗(yàn)2.1隱層數(shù)理的BP網(wǎng)絡(luò)模型并通過向所給的有限個(gè)樣本的學(xué)Hornik等已證明[2]：若輸入層和輸出層采用線性習(xí)（訓(xùn)練）來滿意地逼近樣本所蘊(yùn)含的規(guī)律（函數(shù)關(guān)轉(zhuǎn)換函數(shù)，隱層采用Sigmoid轉(zhuǎn)換函數(shù)，則含一個(gè)隱系，不僅僅是使訓(xùn)練樣本的誤差達(dá)到很?。┑膯栴}，目層的MLP網(wǎng)絡(luò)能夠以任意精度逼近任何有理函數(shù)。前在很大程度上還需要依靠經(jīng)驗(yàn)知識(shí)和設(shè)計(jì)者的經(jīng)顯然，這是一個(gè)存在性結(jié)論。在設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)可參驗(yàn)。因此，通過訓(xùn)練樣本的學(xué)習(xí)（訓(xùn)練）建立合理的BP考這一點(diǎn)，應(yīng)優(yōu)先考慮3層BP網(wǎng)

6、絡(luò)（即有1個(gè)隱層）。神經(jīng)網(wǎng)絡(luò)模型的過程，在國外被稱為“藝術(shù)創(chuàng)造的過一般地，靠增加隱層結(jié)點(diǎn)數(shù)來獲得較低的誤差，其訓(xùn)程”，是一個(gè)復(fù)雜而又十分煩瑣和困難的過程。練效果要比增加隱層數(shù)更容易實(shí)現(xiàn)。對(duì)于沒有隱層的由于BP網(wǎng)絡(luò)采用誤差反傳算法，其實(shí)質(zhì)是一個(gè)神經(jīng)網(wǎng)絡(luò)模型，實(shí)際上就是一個(gè)線性或非線性（取決無約束的非線性最優(yōu)化計(jì)算過程，在網(wǎng)絡(luò)結(jié)構(gòu)較大時(shí)于輸出層采用線性或非線性轉(zhuǎn)換函數(shù)形式）回歸模不僅計(jì)算時(shí)間長，而且很容易陷入局部極小點(diǎn)而得不型。因此，一般認(rèn)為，應(yīng)將不含隱層的網(wǎng)絡(luò)模型歸入回到最優(yōu)結(jié)果。目前雖已有改進(jìn)BP法、遺傳算法（GA）歸分析中，技術(shù)已很成熟，沒有必要在神經(jīng)網(wǎng)絡(luò)理論和模擬退火算法等多種優(yōu)化方法用于

7、BP網(wǎng)絡(luò)的訓(xùn)中再討論之。練（這些方法從原理上講可通過調(diào)整某些參數(shù)求得全2.2隱層結(jié)點(diǎn)數(shù)局極小點(diǎn)），但在應(yīng)用中，這些參數(shù)的調(diào)整往往因問題隱層結(jié)點(diǎn)的選擇與其說具有科學(xué)性，不如說更具不同而異，較難求得全局極小點(diǎn)。這些方法中應(yīng)用最技巧性。往往與輸入數(shù)據(jù)中隱含的特征因素有關(guān)。網(wǎng)廣的是增加了沖量（動(dòng)量）項(xiàng)的改進(jìn)BP算法。絡(luò)初次訓(xùn)練前所有參數(shù)的選擇權(quán)值都是初步數(shù)，至今3.2學(xué)習(xí)率和沖量系數(shù)得不到一個(gè)統(tǒng)一的規(guī)范。