基于大數據背景下的多層神經網絡股票預測模型

丁美琳　高語越　陳學斌

摘要：隨著互聯網以及股票市場的不斷發展，產生了蘊含豐富信息的海量股票數據。由于大數據技術不斷普及，處理海量股票數據逐漸變得可能。本文通過對海量的歷史數據進行研究，利用智能算法建立多層神經網絡對數據進行處理。首先運用小波分析技術將股票價格波動曲線分解為低頻部分和高頻部分，其次分別利用Elman和BP神經網絡進行訓練，最后進行小波重構得出股票價格預測值。研究結果表明：通過改進，將預測結果與實際值進行對比，均方誤差MSE=6.4495x10-6，模型預測精度較好。

關鍵詞：股票價格預測；小波分解與重構；BP神經網絡；Elman神經網絡

0引言

隨著互聯網金融以及股票市場的不斷發展，產生了蘊含豐富信息的海量股票數據。數據資源豐富但難以利用已成為當今社會的一種普遍現象，成為了人們高效使用信息的障礙。人們往往難以理解存放的海量數據，不能從這些數據得出準確而有效的結論。因為人們缺乏有效的方法和實用的技術來從海量數據中提取有價值的信息。如何利用一定的算法或處理數據技術，有效的挖掘出蘊藏在股票海量數據中的規律，找出股票的價格走勢成為一個熱點問題。

面對海量的數據，國內外研究者從傳統分析方法和人工智能分析方法兩個方面去研究股票價格的發展趨勢，指導投資者投資。孫吉紅等運用了長時間聚類方法對股票未來價格進行預測，填補了國內股票預測研究的不足。Dose和Cincotti等人研究了聚類分析的隨機優化方法來選擇股票進行投資。傳統的分析方法計算簡單、易于掌握，但由于股票價格的變化往往呈現出非線性特征，而傳統預測方法都是基于線性變化建模的，因此對股票價格的分析和預測準確性較低。Fenu G等人利用人工智能神經網絡，研究股票投資的最佳時機。人工智能神經網絡（ANN）對非線性關系具有很強的非線性逼近能力，由于股票的成交價、成交量等數據中含有大量影響股票價格變化的信息，ANN可以通過學習股票的歷史數據，從而找出股票價格規律。但金融數據在現實中受到許多因素的影響，其構成的時間序列具有更大的偶然性與隨機性，往往具有多層次與多尺度特性。單一神經網絡的預測模型具有局限性，對股票價格的預測精度有一定的影響。

本文在人工智能神經網絡的基礎上，利用小波變換多層次分解處理股票價格數據，將偶然因素和宏觀突變因素帶入神經網絡訓練。根據神經網絡的訓練結果，分析股票的潛在走勢，幫助投資者在短時間內把握股價的估值水平，從而對投資者進行價值投資建議。endprint