基于神经网络的股票市场预测研究

论文摘要

股票市场是一个高度复杂的非线性系统,其变化既有内在的规律性,同时也受到市场,宏观经济环境,以及非经济原因等诸多因素的影响。传统的仅仅依靠线性分析的方法具有很大的局限性,并且也难以预测出精确的结果。股票市场的预测精度对于一个国家的经济发展和广大投资者都有很重要的意义。本文以股市的可预测性为基础,对股市部分影响因素进行量化,融合传统证券技术分析方法,采用LM算法,建立基于神经网络的股价预测模型。并对上证指数进行预测,评价预测模型的有效性。首先,本文分析了股市预测的有效性以及影响股市的因子,并对国内外股市预测方法以及神经网络的预测研究的最新发展进行了综述。然后,阐述了数据挖掘的基本理论,并探讨了BP神经网络的模型与结构,BP学习规则,以及改进的BP算法。最后,运用数据挖掘的算法对输入变量进行筛选,并采取改进的BP神经网络算法即LM算法来建模对上证指数进行仿真预测。可以看出,BP神经网络能较好的对股票市场进行预测,具有可行性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题研究的目的、意义
• 1.2 国内外研究综述
• 1.2.1 关于股市的可预测性研究
• 1.2.2 股市预测方法
• 1.2.3 基于神经网络的股市预测的最新进展
• 1.3 论文的创新点
• 1.4 本文的章节简介
• 2 股票预测基本理论
• 2.1 市场效率假说
• 2.2 技术分析
• 2.3 技术指标
• 3 数据挖掘和神经网络
• 3.1 数据挖掘的主要功能
• 3.2 数据挖掘过程
• 3.3 数据挖掘的主要研究方法
• 3.4 人工神经元模型
• 3.5 神经元的变换函数
• 3.6 BP 神经网络
• 3.6.1 网络误差与权值调整
• 3.6.2 BP 算法推导
• 3.6.3 BP 算法的程序实现
• 3.6.4 标准BP 算法的改进
• 4 神经网络模型设计
• 4.1 数据准备和处理
• 4.1.1 输入输出变量的选取
• 4.1.2 样本数据预处理
• 4.2 模型配置
• 4.2.1 网络层数的确定
• 4.2.2 BP 网络各层节点的传递函数
• 4.2.3 确定节点数
• 4.2.4 训练方法选择
• 4.2.5 误差的选取
• 5 实证分析
• 5.1 数据预处理
• 5.2 神经网络结构设计
• 5.3 最终训练后的神经网络结构
• 5.4 本章小结
• 6 结论和展望
• 致谢
• 参考文献
• 附录