前言：本站為你精心整理了三種網(wǎng)絡在股價推測中的運用范文，希望能為你的創(chuàng)作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

股票已經(jīng)成為人們?nèi)粘Ｍ顿Y理財?shù)闹匾侄沃?，準確地預測股票的價格走勢，能夠幫助投資人獲取穩(wěn)定的收益，有效的規(guī)避風險。但是股票價格的變化與社會、經(jīng)濟、法律等諸多方面都有關聯(lián)，難于準確預測。由于股票價格是非線性的，傳統(tǒng)的線性模型不能很好地對股票價格進行擬合與預測。神經(jīng)網(wǎng)絡模型能夠很好地擬合非線性的股票價格，提高預測精度。BP神經(jīng)網(wǎng)絡算法簡單、操作方便，在股票價格預測中得到了較廣泛的應用。RBF神經(jīng)網(wǎng)絡適應性更強，學習速度更快，具有全局尋優(yōu)能力與良好的泛化推廣能力，因而預測精度更高。GABP神經(jīng)網(wǎng)絡是指在傳統(tǒng)的BP神經(jīng)網(wǎng)絡的基礎之上引入遺傳算法，對神經(jīng)網(wǎng)絡的初始權(quán)值優(yōu)化后再使用神經(jīng)網(wǎng)絡進行學習和訓練，不僅很好地避開BP網(wǎng)絡的弊端，繼承神經(jīng)網(wǎng)絡很強的學習、訓練能力，同時也提高了預測精度。

一、股票價格預測模型原理

（一）BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡是一種多層前饋網(wǎng)絡，按誤差逆?zhèn)鞑ニ惴ㄓ柧?，是目前應用最廣泛的神經(jīng)網(wǎng)絡之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，它使用最速下降法，通過反向傳播調(diào)整網(wǎng)絡的閾值和權(quán)值，使網(wǎng)絡的誤差平方和最小。然而由于其收斂速度慢，以及網(wǎng)絡的學習和記憶具有不穩(wěn)定性等缺陷，影響了股票價格的預測精度。

（二）RBF神經(jīng)網(wǎng)絡RBF神經(jīng)網(wǎng)絡是一種高效的前饋型局部逼近式網(wǎng)絡，它具有最佳逼近性能和全局最優(yōu)特性，訓練速度快，結(jié)構(gòu)簡單，在時間預測、非線性函數(shù)逼近等領域具有廣泛的應用。RBF神經(jīng)網(wǎng)絡由n個輸入節(jié)點、m個隱含層節(jié)點和1個輸出節(jié)點組成，隱層節(jié)點是RBF函數(shù)。RBF神經(jīng)網(wǎng)絡隱含層節(jié)點的基函數(shù)通常選擇高斯核函數(shù)，輸出層節(jié)點是簡單的線性函數(shù)。

（三）GABP網(wǎng)絡基于遺傳算法的BP網(wǎng)絡模型將遺傳算法和BP神經(jīng)網(wǎng)絡相結(jié)合可以充分利用兩者優(yōu)勢。先用遺傳算法在全局范圍內(nèi)搜索最優(yōu)解的近似值，再經(jīng)BP網(wǎng)絡訓練最終得到全局最優(yōu)解?；谶z傳算法的BP網(wǎng)絡模型用于預測主要由三個階段構(gòu)成。先用遺傳算法在全局搜索BP神經(jīng)網(wǎng)絡的最優(yōu)初始權(quán)值和閾值的近似值，再將其賦值給BP網(wǎng)絡訓練，逐步求精，最終得到全局最優(yōu)的權(quán)值和閾值，最后用訓練好的BP網(wǎng)絡實現(xiàn)預測功能。

二、基于神經(jīng)網(wǎng)絡的股票價格預測

本文采用2011年7月1日以后105天的上證指數(shù)數(shù)據(jù)為樣本數(shù)據(jù)。以影響股票價格的相關因素為輸入層，以收盤價為輸出層。前100天的數(shù)據(jù)為訓練樣本，預測后5天的收盤價。為消除數(shù)據(jù)間量綱級別，加快網(wǎng)絡訓練速度，對所有的原始數(shù)據(jù)進行歸一化處理。采用遍歷法，以最小預測誤差為目標確定各個相關參數(shù)。三種神經(jīng)網(wǎng)絡模型對股票價格的預測結(jié)果及誤差如下，見表1。由以上結(jié)果可知，神經(jīng)網(wǎng)絡模型對股票價格的擬合與預測能力強，預測精度很高，能夠滿足股票價格預測的要求。在實際操作中發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡的收斂速度最快，BP神經(jīng)網(wǎng)絡最慢。在預測精度方面，基于遺傳算法優(yōu)化的GABP網(wǎng)絡擬合精度更高，能夠更為準確的預測股票價格，其誤差率均低于千分之四，誤差率絕對值的平均值僅為0.00178，誤差絕對值之和僅為6.864，較傳統(tǒng)的BP與RBF網(wǎng)絡更為有效。

三、結(jié)束語

本文提出BP、RBF神經(jīng)網(wǎng)絡，以及基于遺傳算法優(yōu)化的GABP網(wǎng)絡，應用于股票價格的預測中。預測結(jié)果表明，神經(jīng)網(wǎng)絡模型能夠較好地擬合股票價格趨勢，并較準確地對股票價格進行預測。其中GABP神經(jīng)網(wǎng)絡比傳統(tǒng)的BP和RBF神經(jīng)網(wǎng)絡有更好的全局收斂性、更高的學習效率和預測精度，達到了更好的預測效果，在股票價格預測的應用中有一定推廣價值。