BP神经网络模型对股票市场预测的应用及实证分析

《BP神经网络模型对股票市场预测的应用及实证分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10327学号：1120150519硕士学位论文BP神经网络模型对股票市场预测的应用及实证分析学院：应用数学学院专业：应用数学研究方向：非线性分析及其经济应用学位类型：硕士姓名：王晶指导教师：王小灵完成日期：2018年03月答辩日期：2018年05月TheApplicationandEmpiricalAnalysisofBPNeuralNetworkModelforStockMarketForecastingADissertationSubmittedtoNanjingUniversityofFinanceandEconomicsFortheAcademicDegr

2、eeofScienceBYWangJingSupervisedby(Associate)ProfessorWangXiaolingSchoolofAppliedmathematicsNanjingUniversityofFinanceandEconomicsMay2018学位论文独创性声明本论文是我个人在导师指导下进行的研究工作及取得的研究成果。论文中除了特别加以标注和致谢的地方外，不包含其他人或其它机构已经发表或撰写过的研究成果。其他同志对本研究的启发和所做的贡献均已在论文中作了明确的声明并表示了谢意。作者签名：日期：学位论文使用授权声明本人完全了解南京财经大学有关保留、使

3、用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其它复制手段保存论文。保密的论文在解密后遵守此规定。作者签名：导师签名：日期：南京财经大学硕士学位论文摘要如今，随着经济的发展和投资意识的增加，股票投资成为当下人们投资的重要方式，所以对股票价格的预测也成了投资者和研究者都关心的问题。研究结果表明：股票市场是一个非线性动力系统，用传统的时间序列模型对股票价格进行预测,由于其非线性映射性能弱以及难以确定合适的模型结构的特点，所得预测结果一般都不令人满意。因此，如何建立一个运算速度、精确度都比较高的股票价

4、格预测模型，是当下金融投资者关心和研究的重点。本文提出的BP神经网络（BackPropagation）作为一种现代的智能信息处理方法,具有依据数据自适应学习、非线性映射等特点,正适用于处理股票价格这类复杂的非线性问题。BP网络模型会通过对以往历史数据的分析，找到股票价格发展的内在规律，并将其储存在模型具体的权值、阈值中，最后用于预测未来的走势。本文针对现有BP神经网络模型存在的学习速度慢、预测结果精度不高等问题进行改进，通过重新选取神经元的激活函数,对输出层和隐层中神经元转换函数的权值、缩放系数和位移参数进行调整,减少隐层节点数,加快网络的收敛速度。最后，基于改进后的BP算法

5、建立预测模型，以实际股票为例对其股价的未来走势进行预测，取得了比较好的效果，证明了改进后BP神经网络模型在对股票价格预测方面的可行性和有效性。关键词：股票市场；BP神经网络；时间序列；信息序列；股票预测I南京财经大学硕士学位论文ABSTRACTNowadays,withthedevelopmentoftheeconomyandtheincreaseofinvestmentawareness,stockinvestmenthasbecomeanimportantwayforpeopletoinvesttoday,sothepredictionofstockpriceshasal

6、sobecomeamatterofconcerntoinvestorsandresearchers.Theresultsshowthatthestockmarketisanonlineardynamicsystem.Usingthetraditionaltimeseriesmodelforecaststhestockprice,duetotheweakperformanceofitsnonlinearmappingandthedifficultyindeterminingthecharacteristicsoftheappropriatemodelstructure,thes

7、tockpricepredictionresultsaregenerallynotsatisfactory.Therefore,howtoestablishastockpriceforecastingmodelwithhighcalculationspeedandaccuracyisthefocusofcurrentfinancialinvestors'concernandresearch.TheBPneuralnetwork(BackPropagation)proposedinthispaper,as