论文部分内容阅读
随着市场经济制度的不断发展完善,股票市场对国家、公司、个人的作用日益凸显。股票市场减少了交易成本、提供着流动性,更关键的是能够通过买卖双方的供需关系修正证券的定价。证券的价格影响着社会资源的配置情况,体现了公司的经营状况,同时也指导着投资者选择最适合于自己的交易行为。因此,预测股票的价格有助于各个市场参与主体能更好地制定决策,也帮助投资者实现资产增值。中国股票市场还未达到完全有效,股票价格中尚未包含市场上所有相关信息,股票价格仍具有可预测性。为了能预测股票价格的变动,需要使用能够刻画股票价格非线性特征的模型。神经网络模型受到人类大脑认知过程的启发,模仿人类的神经系统,具有学习输入输出之间的非线性映射关系的能力。传统的BP神经网络采用最速下降法,训练过程有可能停止于局部最优点并且模型的收敛速度和稳定性难以达到平衡。LMBP算法结合了牛顿法和最速下降法的特性,平衡了模型的稳定性和收敛速度,但是仍没有解决模型的解可能陷于局部最优点的问题。遗传算法借鉴“物竞天择、适者生存”的自然选择过程,通过选择、交叉、变异操作让适应度更高的个体有更大机会将信息保留到下一代,也增加了种群的多样性。在每一次循环,由父代生成子代的过程中,遗传算法引入了随机性,让模型具有全局搜索能力。即使初始值落在局部最优附近,模型也能通过具有随机性的遗传操作让算法继续向其他位置展开搜索。为了提高神经网络模型预测股价的效果,增强LMBP算法的全局搜索能力,本文将遗传算法加入神经网络的训练过程,与LMBP算法组成混合算法,GA-LMBP算法。该算法首先利用遗传算法的全局搜索能力训练神经网络,然后将神经网络的初始权重设为从遗传算法得到的最优个体,并用LMBP算法训练神经网络。为了测试模型预测股价的效果,本文用上证50成份股中5个来自不同行业的个股在2010-2017年的数据进行了实证检验。样本集的输入变量为13个技术指标,输出变量为股票后一日的收盘价格。预测结果显示,GA-LMBP算法对山东黄金的预测误差最低,MAPE为1.22%。对比所有5只股票分别用LMBP算法、GA-LMBP算法进行预测的结果可以看出,GA-LMBP算法得到的MAPE是最低的,说明遗传算法的加入有效降低了模型的预测误差。同时,在LMBP算法进行预测的图形中观察到了预测值与真实值在短时间内出现大幅度偏离的现象。但是,这些偏离在GA-LMBP算法的预测中出现都有所缓解,说明GA-LMBP算法预测的稳定性也更高。因此,从实验结果上看,由于遗传算法全局搜索能力的加入,GA-LMBP算法训练的神经网络模型能够更好地学习输入输出间的非线性映射关系,改善了LMBP算法可能陷于局部最优点的问题,有更低的预测误差和更高的预测稳定性。