基于BP神经网络和相关系数结合的股票价格预测

简荣杰

摘 要：股票价格预测一直是困扰投资者的难题，为了提高股票价格的预测精度，本文提出一种基于BP神经网络和相关系数结合的股票价格预测方法。从股票数据中选取10个影响股票价格的因素，计算它们与股票价格的相关系数，从中提取关键因素，利用BP神经网络预测未来股票价格。将此方法用于华谊兄弟（300027）预测股票收盘价，结果表明，相对于未提取关键因素的BP神经网络，此方法提高了股票价格的预测精度。

关键词：股票价格 预测 相关系数 BP神经网络

中图分类号：F832 文献标识码：A 文章编号：2096-0298（2017）10（b）-024-02

随着人们投资意识不断增强，越来越多的人投资股票，股市已成为我国投资者重要的投资理财场所。然而在股票投资中风险和收益并存，为了规避风险，获得最大收益，股票价格预测成为投资者最关心的问题之一。

股市是一个复杂的非线性动力系统，由于BP神经网络具有很强的非线性适应能力，所以可以用它来预测股票价格。关于此类问题，已有学者做了一定的研究。这些研究从不同角度利用BP神经网络预测股票价格，说明了BP神经网络对股票价格有较好的预测效果，但是这些研究大多没有对影响股票价格的因素进行筛选提取关键因素，从而影响了预测精度。针对此不足，本文先利用相关系数，提取影响股票价格的关键因素，再利用BP神经网络预测股票价格。

1 相關系数

相关系数是由统计学家Karl Pearson设计的统计指标，是研究变量之间线性相关程度的量。定义如下：

2 BP神经网络

BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种多层前馈型网络。它由输入层、隐藏层和输出层组成，能够实现任何复杂的非线性映射，可用于处理非线性预测问题。BP神经网络的结构见图1。

训练BP神经网络的算法称为BP算法。BP算法的学习过程具体如下：将样本输入神经网络，得到网络输出，若输出值达不到期望输出时，则反向传播误差，根据网络输出与期望输出的误差调整网络的权值的阈值，直到它们之间的误差达到最小。

3 股票价格预测实证研究

本文股票数据来自同花顺软件，选取华谊兄弟（300027）1713个交易日开盘价、收盘价、最高价等10个变量的数据，日期2009年10月30日至2017年9月1日。从每日开盘价、收盘价、最高价等10个影响后一日收盘价的因素中提取关键因素，利用BP神经网络预测后一日收盘价，并与未提取关键因素的BP神经网络的预测结果进行比较。

3.1 提取影响后一日收盘价的关键因素

计算后一日收盘价与每日开盘价、收盘价、最高价等10个因素的相关系数，结果见表1。

从表1中可以看出，每日开盘价、收盘价、最高价和最低价与后一日收盘价的相关系数分别为0.9886、0.9913、0.9897和0.9903均大于0.8，说明每日开盘价、收盘价、最高价和最低价对后一日收盘价有很大影响，因此提取这4个因素作为关键因素。

3.2 数据预处理

在运用BP神经网络预测股票价格前，需对数据作归一化处理。其主要作用有两点：一是为了加快BP神经网络的收敛速度、缩短训练时间；二是为了将不同的关键因素去量钢化、缩小数值差别。归一化的公式如下：

从图2中可以看出，相对于未提取关键因素的BP神经网络，提取关键因素的BP神经网络预测效果更好。

为了更具体地比较两个BP神经网络的预测效果，分别计算它们预测值与实际值的平均绝对误差和平均绝对误差率，结果见表2。

从表2中可以看出，提取关键因素的BP神经网络收盘价的预测值与实际值的平均绝对误差为0.6949，平均绝对误差率为2.40%；未提取关键因素的BP神经网络收盘价的预测值与实际值的平均绝对误差为0.7598，平均绝对误差率为2.76%。这一结果再次说明提取关键因素的BP神经网络预测效果更好。

4 结语

本文提出一种基于BP神经网络和相关系数结合的股票价格预测方法，并通过对华谊兄弟股票数据进行测试，结果表明，相对于未提取关键因素的BP神经网络，此股票价格预测方法提高了预测精度。为投资者预测股票价格提供了参考，具有一定的实际应用价值。

参考文献

[1] 郝继升，任浩然，井文红.基于自适应遗传算法优化的BP神经网络股票价格预测[J].河南科学，2017（02）.

[2] 陈嶷瑛，张泽星，李文斌.基于神经网络的股票价格预测模型[J].计算机应用与软件，2014（05）.

[3] 常松，何建敏.基于小波包和神经网络的股票价格预测模型[J].中国管理科学，2001（05）.

[4] 齐晓娜，程维刚.基于遗传LMBP神经网络模型的股票预测[J].无线互联科技，2016（03）.

[5] 胡照跃，白艳萍.基于改进BP神经网络的股票预测[J].经贸实践，2016（02）.

[6] 郑斯日古楞.灰色神经网络在股票价格预测中的应用[J].计算机仿真，2012（02）.

[7] 盛骤，谢式千，潘承毅.概率论与数理统计[M].高等教育出版社，2008.

[8] 闻新.智能故障诊断技术：MATLAB应用[M].北京航空航天大学出版社，2015.

[9] 王建国.基于BP神经网络的股票价格反转点预测[J].现代计算机（专业版），2015（05）.

[10] 柳小桐.BP神经网络输入层数据归一化研究[J].机械工程与自动化，2010（03）.

[11] 张扬武.基于时间序列和神经网络相结合的股票预测研究[J].电脑知识与技术，2009（01）.

[12] 刘耦耕，李圣清，肖强晖.多层前馈人工神经网络结构研究[J].湖南师范大学自然科学学报，2004（01）.