神经网络预测股票价格走势

1万 · 2017-8-31 11:47

简单的说来，就是通过训练网络，调节各个神经元传输的权重，来模拟系统的输入与输出。
优点：可以模拟非常复杂的模型。

缺点：实际上这个模型还是经验模型，显然训练的历史数据越多，网络的“经验就越丰富”，对于一些突发事件显然没有应对能力。。

% 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法
%（trainlm）和贝叶斯正则化算法（trainbr），
% 用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。其中，样本数据可以采用如下
% MATLAB 语句生成：
% MATLAB 程序如下：
close all
clear all
clc
% NEWFF——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进行训练
% SIM——对 BP 神经网络进行仿真
%  定义训练样本矢量
% P 为输入矢量
stock=[002225];  %股票代码
[a b c d e f]=kline(stock,360);  %取得股票日K线数据
aa=[a ;b; c ;d; e ;f ];  %搞成矩阵
aa(6,:)=aa(2,:)-aa(3,:);  %开收盘价差
aa(7,:)=aa(4,:)-aa(1,:);  %最高最低盘价差

while (1) %很恶心的代码，取出没开盘的时间数据
a=size(aa);
bexit=0;
for n=1:a(2)
   if aa(7,n)==0
         aa(:,n)=[];
         bexit = 1;
         break;
   end
end
if bexit==0
      break;
end
end

a=size(aa);
bb=aa;
bb(:,1)=[];
cc=aa;
cc(:,a(2))=[];
bb=bb-cc; %计算前后2天的差分数据，添加进训练数据。我们关系预测价差嘛

aa(8:14,2:a(2)) = bb;%计算前后2天的差分数据，添加进训练数据。我们关系预测价差嘛

%aa = aa';
aa(:,1)=[];  既然是差分数据，第一天的数据不要了。

%  创建一个新的前向神经网络
net=newff(minmax(aa),[12,5],{'tansig','purelin'});
disp('1.  L-M 优化算法 TRAINLM'); disp('2.  贝叶斯正则化算法 TRAINBR');
choice=input('请选择训练算法(1,2):');
if(choice==1)
%  采用 L-M 优化算法 TRAINLM
net.trainFcn='trainlm';
%  设置训练参数
net.trainParam.epochs = 500;
net.trainParam.goal = 1e-6;
%  重新初始化
net=init(net);
% pause;
elseif(choice==2)
%  采用贝叶斯正则化算法 TRAINBR
net.trainFcn='trainbr';
%  设置训练参数
net.trainParam.epochs = 1000;
net.trainParam.goal=0.001;
%  重新初始化
net = init(net);
% pause;
end
% 调用相应算法训练 BP 网络
a=size(aa);
[Pn,minP,maxP,Tn,minT,maxT]=premnmx(aa(:,1:a(2)),aa(1:5,1:a(2)));%归一化处理
[net,tr]=train(net,Pn(:,1:a(2)-1),Tn(:,2:a(2)));
%[net,tr]=train(net,aa(:,1:a(2)-1),aa(1:5,2:a(2)));
%[net,tr]=train(net,aa,T);
% 对 BP 网络进行仿真
%yn = sim(net,aa(:,1:a(2)-1));
yn=sim(net,Pn);  %仿真，+ 同是把昨天数据加入仿真数据，看一下预测数据。

%E =  yn - aa(1:5,2:a(2));  %%%看看误差
%MSE=mse(E) ;

y=postmnmx(yn,minT,maxT);  %反归一化

figure %%把图画出来
subplot(2,1,1);
plot(aa(4,1:a(2)));
subplot(2,1,2);
plot(y(4,:));