神经网络模型在股票预测中的应用

第２９卷第３期　２　０　１　０年９月　计算技术与　自　动化　Ｃｏｍｐｕｔｉｎｇ　ＴｅｃｈｎｏｌｏｇＹ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ　Ｖｏ１．２９，ＮＯ．３　Ｓｅｐ．２　０　１　０　

文章编号：１００３—６１９９（２０１０）０３—０１０８－－０５　

神经网络模型在股票投资中的应用　

杨富勇　

（中国人民银行长沙中心支行调查统计处，湖南长沙４１０００５）　

摘要：引入数据挖掘技术中的神经网络技术对上证综合指数进行分析，通过建立神经网络模型对次　日收盘指数进行预测，经过多次实验和比较，得到精度较高的次日收盘指数预测模型，利用该模型，本文预　测了２０１０年ｌ至４月份的上证综合指数次日收盘点数，通过与真实值比较发现，神经网络模型在预测上证　

综合指数方面具有较好的效果，因此，在一定程度上解决股民入市时机选择问题。　关键词：神经网络；股票投资；上证指数；Ｃｌｅｍｅｎｔｉｎｅ　中图分类号：Ｆ８３０．９　文献标识码：Ａ　

Ｔｈｅ　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｎｅｕｒａｌ　ｎｅｔ　ｔｏ　Ｓｔｏｃｋ　Ｉｎｖｅｓｔｍｅｎｔ　

ＹＡＮＧ　Ｆｕ—ｙｏｎｇ　

（Ｃｈａｎｇｓｈａ　Ｃｅｎｔｒａｌ　Ｂｒａｎｃｈ，Ｔｈｅ　Ｐｅｏｐｌｅ＇ｓ　Ｂａｎｋ　ｏｆ　Ｃｈｉｎａ。Ｃｈａｎｇｓｈａ　４１０００５，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｕｓｅ　ｔｈｅ　ｎｅｕｒａ１　ｎｅｔｗｏｒｋ　ｔｅｃｈｎｏｌｏｇｙ　ｔｏ　ａｎａｌｙｓｅ　ｔｈｅ　Ｓｈａｎｇｈａｉ　ｓｅｃｕｒｉｔｉｅｓ　ｉｎｄｅｘ　ａｎｄ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｃｌｏｓｉｎｇ　ｐｒｉｃｅｓ　ｏｆ　ｎｅｘｔ　ｄａｙ　ｂｙ　ｅｓｔａｂｌｉｓｈｉｎｇ　ｎｅｕｔｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌｓ．Ａｆｔｅｒ　ｓｅｖｅｒａｌ　ｅｘｐｅｒｉｍｅｎｔｓ　ａｎｄ　ｃｏｍｐａｒｉｓｏｎ。ａ　ｓｕｐｅｒｉｏｒ　ｍｏｄｅｌ　ｉｓ　ｓｅ—　

ｌｅｃｔｅｄ．Ｕｓｉｎｇ　ｔｈａｔ　ｍｏｄｅｌ，ｗｅ　ｐｒｅｄｉｃｔｅｄ　Ｓｈａｎｇｈａｉ　ｓｅｃｕｒｉｔｉｅｓ　ｉｎｄｅｘｅｓ　ｆｒｏｍ　Ｊａｎ　ｔｏ　Ａｐｒ，２０１０　ａｎｄ　ｃｏｍｐａｒｅ　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔｓ　ｗｉｔｈ　ａｃｔｕｒａｌ　ｖａｌｕｅｓ．Ａｓ　ａ　ｒｅｓｕｌｔ，ｎｅｕｔｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｈａｓ　ｓｈｏｗｎ　ａ　ｓａｔｉｓｆｙｉｎｇ　ｏｕｔｃｏｍｅ，ｔｈｅｒｅｆｏｒｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｗｈｅｎ　ｆｏｒ　ｉｎｖｅｓｔｏｒｓ　ｔｏ　ｅｎｔｅｒ　ｔｈｅ　ｓｔｏｃｋ　ｍａｒｋｅｔ　ｉＳ　ｓｏｌｖｅｄ　ｔｏ　ｓｏｍｅ　ｅｘｔｅｎｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｎｅｕｒａｌ　ｎｅｔ；ｓｔｏｃｋ　ｉｎｖｅｓｔｍｅｎｔ；ｓｈａｎｇｈａｉ　ｓｅｃｕｒｉｔｉｅｓ　ｉｎｄｅｘ；ｃＣｌｅｍｅｎｔｉｎｅ　

科　赢　经ｌ济ｌ科ｆ苑　

基于ＲＢＦ神经网络的股票预测理论探讨　

孙伟郭金华夏冰　

（哈尔滨金融高等专科学校，黑龙江哈尔滨１５００３０）　

摘要：股票市场是个复杂且难以预测的系统，主要是因为影响股价变动的因素非常多，并且它是一个典型非结构性及非线性的系统。径向基　

函教（ＲＢ　是一种具有单隐层的三层前馈网络。是借鉴生物局部调节和交叠接受区域知识的基础上，采用局部接受域来执行函数映射的人工神经网　

络。具有很强的局部非线性逼近能力和自学习、自适应等特性。对于每个训练样本，它只需要对少量的权值和阈值进行修正，结构简单、训练简洁且　

学习收敛速度快，能够逼近任意非线性函数。因此，将ＲＢＦ神经网络应用于股市中，进行尝试预测和分析股市。　

关键词：ＲＢＦ神经网络：股票预测；可行性分析　

股票是当今世界上家喻户晓的一种有价　

证券。股票市场最初产生于西方国家，九十年代　

初，我国先后建成了上海和深圳两大证券交易　

所，股票作为一种资本积累手段，它在一定程度　

上反映着一个国家的经济实力，为我国的经济　

发展发挥着重要的作用。　

股市是金融市场的一个重要方面，股票市　

场是金融分析领域中重要而困难的问题。随着　

我国股票市场的发展，越来越多的人们在关注　

着股票的情况，也有越来越多的人们进人了股　

票交易市场。投资股票离不开股票的分析预测，　

早期发展的技术分析理论是股票预测的最初代　

表，如道氏理论、平均线理论等。随着股市的发　

展，人们对于股市规律认识的加深，不断的产生　

各种各样的股市预测方法。这些预测方法都在　

一定程度上揭示了股市的运行规律。但是股价　

系统内部结构的复杂性、外部因素的多变性决　

定了股市预测的艰巨性。从它出现的那天起，人　

们就试图分析股市的发展趋势。希望获得有效　

的预测。而有效的预测，关键在于发现规律。从　

数学的角度看，就是建立某种映射关系（函数），　

并进行函数的拟合，而神经网络是解决这一问　

题的最佳工具之一。　

近年来，随着神经网络理论的发展成熟，　

基于图神经网络的股票预测系统

股票市场一直以来都是投资者关注的焦点，但预测股票走势一直是一个具有挑战性的问题。传统的预测方法依赖于统计模型和技术指标，然而这些方法往往无法准确捕捉到股票市场中的复杂关联性和动态变化。近年来，随着人工智能技术的进步，基于图神经网络的股票预测系统成为了一种备受关注的新兴方法。

图神经网络是一种基于图结构的深度学习模型，它可以有效地捕捉到复杂网络中的关系和模式。在股票预测中，我们可以将股票市场看作是一个复杂的网络，在这个网络中，每只股票都可以看作是一个节点，股票之间的关联性可以表示为节点之间的边。通过构建股票市场的图结构，我们可以利用图神经网络来预测股票的走势。

首先，我们需要构建一个股票市场的图结构。这可以通过股票之间的相关性来构建。我们可以使用统计方法或机器学习方法来计算股票之间的相关性。然后，我们将股票关联性表示为一个邻接矩阵，其中矩阵的每个元素表示两只股票之间的关联程度。接下来，我们将邻接矩阵作为输入，构建图神经网络模型。

图神经网络由多个图卷积层组成，每个图卷积层都会更新节点的特征表示。在股票预测中，我们可以将每只股票的历史价格、成交量等作为节点的特征。通过多个图卷积层的迭代，图神经网络可以逐步提取节点之间的关系和模式。最终，我们可以利用图神经网络的输出来预测每只股票的未来走势。 除了构建和训练图神经网络模型，我们还可以引入其他辅助信息来提高预测的准确性。例如，我们可以将宏观经济指标、行业研究报告等作为节点的附加特征，以帮助模型更好地理解股票市场的背景和环境。此外，我们还可以引入情感分析等自然语言处理技术，以分析新闻事件对股票市场的影响。

最后，我们需要对图神经网络进行评估和优化。我们可以使用历史数据进行交叉验证，并计算预测结果与实际走势之间的误差。针对误差进行分析，我们可以调整模型的超参数，或者尝试其他图神经网络模型的变体，以提高预测的准确性。同时，我们还可以利用图神经网络的可解释性，分析模型输出中的重要节点和关联，以帮助投资者更好地理解股票市场的运行机制。

(4)神经网络的预测方法

神经网络(Neural Network)是由许多并行的、高度相关的计算处理单元组成，

这些单元类似生物神经系统的神经元。虽然单个的神经元的结构十分简单，但是，

由大量神经元相互连接所构成的神经元系统所实现的行为是十分丰富的。与其它

方法相比，神经网络具有并行计算和白适应的学习能力㈤。神经网络系统是一

个非线性动力学系统计算系统。神经网络模型有许多种类，经常使用的有BP网

络、RBF网络、Hopfield网络、Kohonen网络、BAM网络等等，近年又出现了

神经网络与模糊方法、遗传算法相结合的趋势。浚方法已在交通流预测中得到了

应用。在交通流预测中应用最早使用最多的是反传BP网络。

应用神经网络进行交通流预测的步骤如下：

第一步，根据实际情况，选择适当的网络结构作为预测工具，根据已确定的预测

因子和被预测量，决定网络的输入和输出，进而决定网络的结构(网络

各层次的节点数)

第二步，准备样本数据和样本的规范化处理，样本分为训练样本和检验样本；

第三步，利用训练样本是对网络进行训练和学习；

第四步，利用检验样本对网络训练结构进行检验，验证网络的泛化能力；

第五步，用训练好的网络，根据已知的数据进行实际预测。

与传统的预测方法相比，神经网络的预测方法的预测精度要好一些。这主要

是得益于神经网络自身的特点。神经网络擅长描述具有较强非线性、难于用精确

数学模型表达的复杂系统的特性，并且具有自适应能力。由于神经网络算法是离

线学习，在线预测，所以几乎没有延时，实时性很好。此外，神经网络对预测因

子的选择也较为灵活，任何认为与待预测交通流量有关的数据均可纳入输入向量

中。但是，神经网络也有一些弱点，主要表现在以下几个方面：

三、由于使用大量的样本进行训练，所以神经网络的学习训练过程收敛

较慢，容易产生“过度学习”的情况，陷入对样本值的机械记忆而降低了泛化能

力。因此，应用神经网络目前很难做到在线学习，只能将学习与预测分离成两个