博士硕士论坛Boshishuoshilu
ta

基于PCABP神经网络的股票价格预测
李振东王振兴
（兰州商学院）一、引言股票的价格预测，是股票界和学术界一直关注的问题。人们通过各种方法对股票的价格进行预测：多元回归分析、时间序列分析、指数平滑等是最常见的方法。然而由于股票市场的非线性，时变性的特点，传统的统计方法很难给出满意的结果。神经网络系统是一个高度复杂的非线性动力学系统不但具有一般非线性系统的共性更主要的是它还具有自己的特点。当前应用较多的是多层前馈式神经网络其典型的网络训练算法是反向传输算法BP算法。但是，由于人们对类似股票这样的非线性系统的内部运行机制缺乏深刻的认识，因此无法判断哪些变量对预测目标有较大的影响，哪些变量又无关紧要。为了解决输入变量过多的问题，文中使用主成分BP神经网络的股票价格预测模型。它将原来较多的输入变量利用线性变换后得到一组个数较少的彼此不相关的新输入变量，并且包含原输入变量的大部分信息，再用这些个数较少的新输入变量作为BP神经网络的输入进行预测。二、主成分BP神经网络预测过程1主成分分析主成分分析是利用降维的思想，在损失很少的前提下把多个指标化为几个综合指标的多元统计方法。主成分分析的步骤：（1）将原始数据进行标准化处理：xij的。（1）神经网络的结构BP神经网络一般由一个输入层、一个输出层和一个或多个隐含层组成。每一层都包含若干个神经元，神经元是一个多输入单输出的信息处理单元，而且它对信息的处理是非线性的。同层的神经元之间没有联系，相邻两层之间通过权值全连接。每个神经元只接受前一层的输入，并输出给下一层，没有对自身的反馈。隐层处于输入层与输出层之间，是输入模式的内部表示。它可以把一类输入模式中含有的、与其它类别的输入模式不同的特征抽取出来，传递给输出层。因此，称隐层为特征抽取层。这个抽取过程，实际上就是对输入层与隐层之间的权值进行“自组织化”的过程，也就是说各层之间的权值在网络的训练过程中，从初始的随机值逐渐演变，最终达到能够表征输入模式特征的过程。（2）BP模型算法步骤①连接权值wij节点阈值θi初始化
xir