基于改进BP神经网络的上证指数预测

证券市场作为现代经济重要的组成部分,如何能够准确地分析和预测市场走势一直受到人们的关注。建立一个准确度比较高的股市预测模型对于金融投资及宏观经济调控等都具有重大的实用价值。 随着证券市场混沌和分形理论的逐步确立,人们开始利用神经网络对证券市场的变动加以预测。神经网络是一种重要的人工智能技术,在应用上已经迅速扩展到包括金融时序分析在内的许多重要领域中。本文证明了我国上证指数长期以来存在的分形特征,指出了使用神经网络对其走势进行预测的可行性。同时,试图使用基于BP(Back Propagation)算法的神经网络进行预测。 BP神经网络是一种被广泛运用的神经网络。它的核心是BP算法,一种对于多个基本子系统构成的大系统进行微商计算的严格而有效的方法;结构简单,算法成熟。但是BP算法本身也存在学习速度慢,容易陷入局部极小值等的缺陷。在近年来我国一些使用BP算法以及其他类型算法的神经网络进行证券走势预测的研究中,都存在着预测结果精度不高,预测的时间跨度短等众多不足。 本文的作者在基于传统的BP算法的三层向前神经网络的基础上,对原有的预测方法做出了一些改进,引入了遗传算法,训练噪声等;使用了多个神经网络集成进行加权计算的方法建立改进的预测模型,并尝试以指数变动代替传统的以时间变动为序列的预测模式进行预测。最后,利用该改进模型对上海证券交易所上证指数进行了长程模拟预测。预测结果与传统相比,在预测精度上有了一定的提高;长程连续预测时,能够在提高预测周期的基础上显著降低预测误差,并且提高预测序列与实际序列的相似形。 本文重点介绍了分形市场、使用神经网络预测的理论基础、BP神经网络模型以及使用GA算法、多神经网络集成等对其进行改进的具体方法。文章最后对上证指数进行了模拟预测,并对结果做出了分析,指出了利用神经网络进行预测存在的一些缺陷和不足。