股票预测之BP神经网络

                                     股票预测之BP神经网络

      股票预测的算法有很多，可以用数学的卡尔曼滤波，粒子滤波、马尔科夫、神经网络......

这其中涉及到很多因素，比如说，你用的特征，你选择的范围（针对个股还是多股、历史时间范围、分析周期等等）。小编自身对股票了解不深，仅仅是从数据的角度分析。（有点想的太简单了O(∩_∩)O）

先从简单的入手：简单的算法：BP神经网络； 简单的范围：个股、每日线、5个特征：开盘、最高、最低、收盘、涨幅。个股数据量大概有2000个。

      当然，这个过程和普通的BP没什么两样，也是输入数据，训练、测试这么一个过程，主要是看BP是否真的适合用来做预测。虽然有点简单，不过还是简单的描述一下吧。

      数据从哪里来？这里我是用了同花顺这个软件，然后选一个股，按照 分析——>k线图——>按F1——>进入历史行情数据。点击右键——>导出数据——>下一步......这样就可以得到连续的历史数据表。接下来就是读出数据，进行训练和预测了。

      首先，这里选用其中的5个特征：{开盘、最高、最低、收盘、涨幅}。这里用前一天的这样一个特征向量来预测下一个交易日（时刻）的收盘。也就是说，输入是这5维特征，输出是下一时刻的收盘。

       有了这些数据，有确定了输入和输出，那就直接创建ＢＰ来训练。参数大多是默认的，隐层的转移函数选择sigmoid函数，其他参数可依据需要一步一步调整。这里选择前面1500个作为训练，后面的200个作为测试样本，训练过程并不快，主要是梯度的阈值设的太低，迭代次数有点高、机器的性能也一般(⊙o⊙)…好了，是不是很期待测试结果(*^__^*) ……

      

      总体的预测和跟随效果还行，但是局部分析起来还是有很多不足，容易剧烈跳动，总体普遍偏小，在这边很关键的一点要指出，训练的数据的覆盖范围要尽可能大，如果你的测试数据不再训练的RANGE里面，很可能跑偏，甚至是一条直线。哪怕是你用头尾两端数据来训练，效果都比用一大段数据而没有覆盖后面或前面的数据来的好。在初次训练时候，由于有些参数是随机初始化的，又因为BP容易陷入局部极小值，所以有可能会一下子就收敛，结果是一条直线%>_<%。好了，股票预测比较简单的方法之BP就介绍到这里了。对了，不放代码是不是有点不厚道?_?。尽管代码很简单.....

 data=xlsread('路径.xls');
PP=data';
PQ=[0; 0; 0; 0 ;0];
P=zeros(5,1500);     %输入矩阵
T=zeros(1,1500);     %输出
for i=1:1500            %输入输出赋值
    PQ=PP(:,i);
    P(:,i)=PQ;
    T(i)=PP(4,i+1);
end
%  创建一个新的前向神经网络 
net_1=newff(minmax(P),[30,1],{'tansig','purelin'},'traingdm')

%  当前输入层权值和阈值
inputWeights=net_1.IW{1,1};
inputbias=net_1.b{1};
%  当前网络层权值和阈值
layerWeights=net_1.LW{1,1};
layerbias=net_1.b{1};

%  设置训练参数
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.005;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;

%  调用 TRAINGDM 算法训练 BP 网络
[net_1,tr]=train(net_1,P,T);

%  对 BP 网络进行仿真
A = sim(net_1,P);
%  计算仿真误差 
E = T - A;
MSE=mse(E)
%--------------------------测试数据-----------------------------%
x=InputA(1501:1700);  %测试数据
x=zeros(5,200);
for j=201:400
    x(:,(j-200))=PP(:,j);
end
YY=sim(net_1,x)         %用神经网络测试
XX=[1:length(x)];
plot(XX,YY,'-O');          %画出结果
hold on;
plot(XX,PP(4,1502:1701),'r-O'); %真实结果