基于遗传算法和神经网络的股票价格预测(2)

遗传算法

62 (总150)基于遗传算法和神经网络的股票价格预测2010年　

适应度,对群体中的个体进行选择、交叉和变异操作;④根据一定的终止准则,在进行n次操作后,选取m个具有全局性的进化解;⑤以m个进化解为初始解,设计BP神经网络,获得神经网络的权值和阈值;⑥训练神经网络;⑦得到满足精度要求的最优解,即可得问题的优化解。

2　仿真实验

运用MATLAB710作仿真实验预测,其中设置参数,goal=01005,epochs=6Α=0195,Γ=01005;30,交叉概率为2

、图3和图4所性函数。所以本文采用三层BP网络预测模型来进行设计。输入层有上述13个节点,输出层有一个节点表示下一个交易日的收盘价。根据Homik提出的式(1)可以确定隐层节点数

)+其中n。根据式(1),[5,27]。而

=最佳的节点数还是要通过实验来确定。运用MATLAB710进行仿真实验,可知从1开始,随着节点数的增加,训练误差逐步减少,但测试误差在14处达到最小,为了兼顾训练误差和测试误差,选择了14个节点。所以我们选择1321421型网络模型。113　数据预处理

由于原始数据单位不同,绝对值相差很大,同时原始数据含有一定的噪声(不确定的属性值),所以需要对输入进行预处理,其转换关系式为:

′

(2)-1xi=2

maxx-minx

其中,minx和maxx分别为样本中的最大值和最小值,x′i为预处理以后范围在[-1,1]内的数据,xi为原始样本数据。114　网络的改进

由于BP算法是基于梯度下降这个本质的,所以它无法避免地存在以下3个缺点:①学习过程中的收敛速度慢;②容易陷入到局部最优点上,算法不完备;③鲁棒性不好,网络性能差。

所以BP算法需要其他的方法来使其更有效率。遗传算法优化是其中一种方法。遗传算法计算简单,它根据目标函数计算适值,对问题的依赖性,多点并行操作,能有效地防止搜过过程收敛到局部最优点上;搜索时概率决定搜索规则,采用具有高效性的启发式搜索;具有并行计算特性,可以大规模地并行计算以提高速度。鉴于此,本文采用遗传算法来优化BP神经网络。

算法基本原理是运用BP算法网络架构最优解用遗传算法的优秀寻优能力来对权值来进行优化学习。

[6,7]

具体的步骤如下:①解空间内编GABP优化模型

码,构造适应度函数;②初始化种群;③根据个体的

图2　BP网络误差

学习曲线

图3　改进BP网

络误差学习曲线

图4　预测价格与

实际价格对比

3　结　论

通过仿真试验,看出通过遗传算法改进的BP网络在对金融街股票价格的变化趋势进行预测,取得了较好的结果。在训练速度和寻找最优点方面,改进的BP网络也有了很大的提高。但是我们也要看到,预测价格与实际价格在某几天上也有比较大的出入,经过研究判断可能与输入中可能没有含有全部因素,如宏观经济政策,银行利率调整等因素有关,而这个也给我们的下一步研究提出了新的方向。

参考文献

[1][2]

EugeneFFama.MarketEfficiency[Z].Long2TermReturnsandBehavioralFinance,1998,49.

DuanJJ.APredictionAlgorithmfortimeSeriesbasedonAdaptiveModelSelection[J].ExpertSystemswithApplications,2008(8):19222.

[3]

PhilipMTsang.DesignandImplementationofNN5forHongKongStockPriceForecasting[R],2007,453.

[4][5][6][7]

袁曾任.人工神经元网络及其应用[M].北京:清华大学出版社,1999.

蒋宗礼.人工神经网络导论[M].北京:高等教育出版社,2001.

国　嘉,王瑞敏,王家海等.基于遗传算法的神经网络学习方法[J].计算机与数字工程,2003,32:982101.梁化楼,戴贵亮.人工神经网络与遗传算法的结合:进展及展望[J].电子学报,1995(10):1952200.