基于Ｓｐｉｋｅ神經元的神經網絡及其股市預測模型

[摘要] Spiking神經網絡是一種新型的神經網絡，它采用更接近于生物神經元的動態的Spike神經元作為計算單元，進行信息的編碼和處理。文中給出了基于粒子群算法的Spiking神經網絡學習模型，并運用于上證指數的趨勢預測，結果表明其用于股市預測是有效性。

[關鍵詞] Spiking神經網絡 學習模型 股市預測

一、引言

隨著經濟的增長，對于股市的預測將變得越來越重要，也成為經濟理論研究中的一個重要課題。股票市場的變化有很多因素，是一個復雜的非線性系統，而人工神經網絡能夠從大量復雜的數據中找到數據間的內在聯系，具有良好的自我學習和抗干擾能力，在股票預測領域中取得了顯著的效果。本文應用一種更接近于生物神經系統的Spiking神經網絡，采用基于粒子群算法的學習模型，構建了滬市上證綜合指數的學習預測模型，并用實際數據進行了分析實驗。

二、Spiking神經網絡及其學習模型

Spike神經元模型是更接近生物神經元的一個數學模型，由Spike神經元構成的人工神經網絡稱為Spiking神經網絡。在Spiking神經網絡中，一個Spike神經元在t時刻接收來自于父突觸神經元的多個post-synaptic potential（PSP）信號，不斷改變自己的膜電壓。當它的膜電壓超過閾值時，產生一個spike，并通過突觸連接向外發送PSP信號。用于描述PSP信號的spike響應函數定義為：

三、上證綜合指數的預測

滬市上證綜合指數是上海證券交易所編制的，以上海證券交易所掛牌上市的全部股票為計算范圍，以發行量為權數綜合，上證綜指反映了上海證券交易市場的總體走勢，所以對上證綜指的預測具有重要的意義。文中選取了2006年6月～2007年7月共286個工作日的滬市上證綜合指數作為研究的原始數據，利用滑動窗口技術，通過前6天收盤時的上證指數來預測第7天收盤時的上證指數。

我們構建了具有6個輸入神經元、4個隱含層神經元和1個輸出節點的前向全連接Spiking神經網絡，并利用以上的Spiking神經網絡學習模型進行測試。選取了原始數據中的前276個數據構成神經網絡的訓練集，后10個數據用于測試。在實驗前，我們對原始數據進行歸一化的處理轉換為[0，1]之間的值。把歸一化后的前6天收盤時的上證指數分別作為6個輸入神經元的spike時間加入到Spiking神經網絡中進行學習和計算，獲得神經網絡輸出節點的spike時間，該時間對應于第7天的收盤指數。按本文式（3）計算獲得Spiking神經網絡的學習誤差，通過粒子群算法不斷調整神經網絡的參數使誤差最小化。獲得了最優的Spiking神經網絡后，用測試集的數據對其性能進行了測試。經Spiking神經網絡學習預測后的上證指數變化如圖。

結果表明，與傳統BP算法相比，基于粒子群算法的Spiking神經網絡具有較快的運算速度和逼近性能， 同時可以克服SpikeProp算法陷入局部最優解和對權值有約束的缺點，可以較好地處理股票類非線性數據的學習和預測。

四、結論

股票市場的不確定因素太多，是一個復雜的非線性系統，而神經網絡具有自我學習的能力，能很好地解決不明確環境中的非線性應用問題。Spiking神經網絡作為一種新型的動態的神經網絡，其利用動態的spike時間進行信息編碼和計算的特點與股票市場中動態的時間序列相吻合。文中對應用Spiking神經網絡預測國內股票市場做了初步的探討，獲得了較好的擬合效果。進一步改進原始數據的處理方式，提高Spiking神經網絡的自適應能力，將能得到更好的預測效果。

參考文獻:

[1]Sander M:Bohte， Spiking Neural Networks [D].ISBN 90-6734-167-3， 2003

[2]Gerstner W， Kistler W. Spiking Neuron Models: Single Neurons， Populations， Plasticity [M]. Cambridge University Press， 2002

[3]韓文蕾王萬誠:概率神經網絡預測股票市場的漲跌[J].計算機應用與軟件，2005，22(11):133～135

[4]廉新宇吳立鋒:基于小波神經網絡的股票價格預測[J].商場現代化，2006，10月中旬刊:331～332

[5]鄭建剛等：基于改進免疫遺傳算法的神經網絡及其在股票預測中的應用[J].華東理工大學學報，2006，32(11):1342～1345