基于BP神經網絡的工商銀行股價預測分析

宋彬

作為一個影響因素多樣的非線性系統，股票市場的可預測性是金融學術界始終關注的焦點，預測模型層出不窮。本文在BP神經網絡模型的基礎上，結合主成分分析和遺傳算法對工商銀行的高頻股票份格進行可預測研究，結果發現預測結果良好，平均絕對百分誤差值低至3335%，且預測的股票價格與實際變化趨勢一致。

可預測性 BP神經網絡

中國股票市場存在著異常波動、投機型強和制度不健全等現象，為股票市場的可預測性提供了可能。國內外學者聚焦于建立高效合理的數學模型來解釋并預測股票市場的變化規律，那么中國股票市場是否具有可預測性？該高效合理的數學模型是否存在？

文獻綜述

現有關于中國股票市場有效性的研究中，大部分學者認為中國股票市場不是弱勢有效的，即不滿足有效市場假說。俞喬（ 1994）、賈權和陳章武（2003）、Wen等（ 2010）與Sun和Fang（ 2004）的研究結果均表明中國股票市場不是有效市場。

中國股票市場不滿足有效市場假說的現狀為研究股票市場可預測性提供了機會。Liu等（2012）研究發現神經網絡模型良好的擬合和預測效果為投資者提供了有效的參考價值。王波和張鳳玲（ 2005）運用神經網絡模型和ARIMA模型分別模擬和預測了股票價格，發現神經網絡模型得到了更精確的效果。

研究設計

（1）模型構建

本文的核心模型是BP神經網絡模型。BP神經網絡的數據處理包含兩個步驟：首先，學習樣本正向傳遞由輸入層經過各隱含層傳向輸出層，然后，為使函數誤差值達到最小值，數據由輸出層開始反方向經過各個中間隱含層，不斷修正各連接權值達到最優擬合效果。

然而，BP神經網絡存在運算速度慢及已陷入局部最小值的缺陷。首先，本文運用主成分分析對原始數據進行降維，不僅避免了信息的冗余，而且降低了輸入維度從而加快運算速度。其次，因為BP神經網絡模型采用的是誤差梯度下降，極易陷入局部最小值，遺傳算法通過全局篩選出最優值，從而達到最優擬合效果。最后本文采用平均絕對百分誤差值（ MAPE）來檢驗預測效果。

（2）數據的選取

本文選取2017年5月的工商銀行（代碼：601398）的高頻分筆交易數據進行分析，共20個工作日99623組數據，包含時間、成交額、成交量、最低價、最高價和最新價。數據來源：國泰安（ CSMAR）高頻數據庫。

實證分析

（1）主成分分析

針對6個交易歷史數據，本文先利用SPSS統計軟件對數據進行相關分析。結果表明個別交易指標之間有顯著的相關性，其相關系數高達0.85以上。為避免信息的冗余，進行降維處理后得到兩個主成分。

（2） BP神經網絡模型預測

首先，將前18個工作日的股票交易數據作為訓練段數據，最后2個工作日的數據則作為擬合段數據；其次，借助沈花玉等（ 2008）發現當隱含層單位數是11時的網絡模擬誤差最小，所以設置隱含層單元數為11。

再次，整合遺傳算法和BP神經網絡來擬合數據，設置好遺傳算法訓練網絡的相關參數。最后，用檢驗段數據檢驗訓練好的網絡，得到如下的模擬圖3，其中綠色曲線是原始數據，而藍色曲線是預測數據。可以看出模擬效果比較良好，預測價格和實際價格的每時刻變化趨勢是一致的，但是在數值上有誤差。計算可得該預測模型的MAPE=3.335%%。

結論與建議

本文得出以下結論：從實證模擬結果可以看出，BP神經網絡模型的擬合預測效果很好，說明工商銀行的股票價格具備可預測性，市場參與者可以通過合理有效的數學模型從中獲利。

提出以下建議：加強和規范信息披露制度；大力培養機構投資者，培育成熟的投資理念；加快運作市場化的步伐，加強股市的創新。

[1]俞喬.（1994）.市場有效、周期異常與股價波動一一對上海、深圳股票市場的實證分析.經濟研究（9）.43-50.

[2]賈權，&陳章武.（2003）.中國股市有效性的實證分析.金融研究（7）.86-92.

[3] Wen， X.， Li， K.， &Liang，L（ 2010）.AWeak-Form EfficiencyTesting ofChina's Stock Markets[J].Third International Joint Conferenceon Computational Science andOptimization.5 14-5 17

[4]Sun， B.B.，&Fang， J.W（ 2004 ）.Atest on wea-kform efficiency ofchina's stock market：

an empiricalstudy based on the profitability oftechnical trading rules[J].Journal ofShanghai University of Finance&Economics， 52-57.

[5] Liu， X.， Ma， X.， Liu， X，&Ma， X.（ 2012） .Based on bp neuralnetwork stock prediction. Journal ofCumculum& Teaching，1（1）

[6]王波，&張鳳玲.（2005）.神經網絡與時間序列模型在股票預測中的比較.武漢理工大學學報（信息與管理工程版），27 （6），69-73.