论文部分内容阅读
股票是市场经济的产物,从诞生的那天起就牵动着数以千万投资者的心。高风险、高回报是股票投资的特征,个人投资者和机构投资者时刻关心股票行市,分析财务数据,试图预测股票的发展趋势。然而股票市场是一个高度复杂的非线性动态系统,其变化有自身内在的规律性,同时也受市场、经济、社会等诸多因素的影响,以数理统计为基础的传统定量预测方法对股市预测研究的效果不是很显著,因此,寻找合适的股价预测方法是十分必要的。神经网络是近年来比较流行的一种非线性预测方法,它具有自组织、自适应、非线性等特点。它能自动从历史数据中提取有关金融活动的内在规律,而不需事先知道金融活动是线性还是非线性的,但神经网络还存在网络结构难以确定以及网络对给定的初始权值很敏感,极易使网络训练陷入局部解等不足。为了克服这些困难,本文以股票市场具有非线性动态特征和股票的可预测性为基础,尝试利用递归神经网络对非线性函数的逼近能力、自身的动态特性以及遗传算法的全局优化能力等因素,建立基于遗传算法和改进的递归神经网络(GA-Elman)的股价非线性预测模型,研究的主要工作包括:首先,对采用梯度下降算法的改进型Elman递归神经网络的权值修正方法进行具体的推导研究,并进行实验研究。其次,对遗传算法采用实数编码、运用轮盘赌法进行选择、通过算术杂交法进行交叉、使用非一致性变异法进行变异,并在进化的过程中采取保留最佳个体的策略,对改进Elman神经网络的网络结构和初始权值进行全局优化设计。最后,在模型输入因子的选择上,先考察了影响股票价格的历史数据、技术指标等因素,并进行分析从而获得了一组有效的输入组合。通过对以上三个方面的研究,建立了基于GA-Elman神经网络的股价非线性预测模型。为了考察GA-Elman模型的预测能力,本文将GA-Elman模型分别对上证A股的中国石化(2007年8月1日至2008年1月18日)、莲花味精(2007年1月16日—2007年8月7日)和深证A股的三花股份(2007年1月4日—2007年7月13日)、万科(2008年8月7日—2008年1月8日)四支股票的110个交易日,选取其中的70个交易日作为建模样本,以未来2个交易日内的最高价作为预测对象,建立预测模型,并进行了30个独立样本的预测仿真试验。其中,上证A股中国石化和深证A股三花股份的试验结果如下:(1)对于中国石化的仿真试验,GA-Elman模型得到的平均误差为0.18525元(训练次数为2500次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.00015元,最大的绝对误差为1.30959元。进一步地,绝对误差在0～0.15元之间的次数为21次,在0.15～0.3元之间的为4次,在0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为0次、3次、2次。(2)对于三花股份的仿真试验,GA-Elman模型得到的平均误差为0.15818元(训练次数为2500次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.0027元,最大的绝对误差为0.45835元。进一步地,绝对误差在0～0.15元之间的次数为16次,在0.15～0.3元、0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为9次、4次、1次、0次。为了进一步验证GA-Elman模型的有效性,本文还建立基于改进Elman神经网络的股价预测模型(简称Elman模型),并对上述4支股票相同的试验数据进行了30次独立样本的仿真试验。其中,上证A股中国石化和深证A股三花股份的试验结果为:(1)对于中国石化的仿真试验,Elman模型得到的平均误差为0.34986元(训练次数为3000次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.01529元,最大的绝对误差为1.69272元。进一步地,绝对误差在0～0.15元之间的次数为9次,在0.15～0.3元之间的为7次,在0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为7次、4次、3次。(2)对于三花股份的仿真试验,Elman模型得到的平均误差为0.28174元(训练次数为3000次),其中模型对30个独立样本的预测误差中,最小的绝对误差为0.03096元,最大的绝对误差为0.93834元。进一步地,绝对误差在0～0.15元之间的次数为10次,在0.15～0.3元、0.3～0.45元、0.45～0.6元及大于0.6元的次数分别为11次、3次、3次、3次。通过比较、分析两种非线性预测模型的实验结果,可以看出:本文提出的股价非线性预测方法GA-Elman股价预测法对四支股票的预测精度较高,且其各方面的性能都明显优于改进Elman股价预测法。因此,本文所建立的GA-Elman神经网络预测方法可以为股票的个人投资者和投资机构提供新的思路和参考意见。