股票漲跌中數(shù)學(xué)模型畢業(yè)論文(文件)
【正文】 合適的股票是股市投資盈利的前提，只有選到上漲的股票，在適當(dāng)?shù)膬r(jià)位買入，經(jīng)過精心地呵護(hù)和耐心守護(hù)，適時(shí)賣出，才能在股票投資上獲得利益。周期選股是根據(jù)上市公司的周期變化選擇的，如果對(duì)上市公司和市場(chǎng)非常熟悉的話，這的確是個(gè)不錯(cuò)的選股方法，但是真正對(duì)上市公司和市場(chǎng)非常在行的普通投資者卻很少，而且市場(chǎng)變幻莫測(cè)，如果錯(cuò)誤的介入將帶來長(zhǎng)期的虧損 ]2[ 。 上面所說的四種選股方法獲利的概率都差不多，各有利弊，但是投資者必須選擇一種或兩種作為自己選股的依據(jù)。均線中最有用的圖形有多頭排列、空頭排列、多線粘合這三種。賣股要在有形成空頭排列的趨勢(shì)時(shí)減倉，真形成時(shí)清倉。如果在股價(jià)經(jīng)歷長(zhǎng)期下跌后出現(xiàn)多線粘合，一般都表示筑底，這種底是比較可靠的，因?yàn)榻?jīng)過了較長(zhǎng)時(shí)間對(duì)底部的確認(rèn) ]3[ 。由于 ASI 更能反映的、市場(chǎng)價(jià)格更具真實(shí)性，為股價(jià)是否真實(shí)的創(chuàng)新高或新低提供了相當(dāng)精確的驗(yàn)證，ASI 精密的運(yùn)算數(shù)值，為股民提供了判斷股價(jià)是否突破壓力線或支撐線的依據(jù) ]3[ 。 2） D 值 80%， J100%超買； D 值 20%， J10%超賣。 DMI 可以產(chǎn)生指標(biāo)交叉的買賣訊號(hào)，用以辨別行情時(shí)候發(fā)動(dòng)。我們?cè)谶@里選出 ,新希望（ 000876）這只股票進(jìn)入下一節(jié)的價(jià)格預(yù)測(cè)。 盡管神經(jīng)網(wǎng)絡(luò)科學(xué)產(chǎn)生了許多優(yōu)秀的算法，如 RBF 算法、 GABF 算法，而 BP 算法本身也存在收斂速度慢，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性的不足，但是由于其簡(jiǎn)單易操作，計(jì)算量小，并行性強(qiáng)等優(yōu)點(diǎn)，目前仍是多層前饋 神經(jīng)網(wǎng)絡(luò)的首選算法之一。 建立股票價(jià)格預(yù)測(cè)模型 神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 本文采用三層 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型：輸入層，一個(gè)隱層和輸出層。實(shí)際上我們可以通過確定隱層神經(jīng)元的數(shù)目來提高誤差的精度，其效果訓(xùn)練時(shí)間和也比增加層數(shù)更容易調(diào)整和觀察。 jtv 為隱藏層到輸出層的連接權(quán)值 。 網(wǎng)絡(luò)模型選擇 主要包括確定激活函數(shù)聯(lián)接方式各神經(jīng)元的相互作用等。 )exp(1 1)( avv ???? 如果網(wǎng)絡(luò)是用于分類，則輸出層節(jié)點(diǎn)一般采用 Sigmoid 函數(shù)或者硬 極限函數(shù)，因?yàn)槲覀兯枰哪繕?biāo)是用于函數(shù)逼近，所以在輸出節(jié)點(diǎn)我們采用線性函數(shù)，而且其泛化能力及訓(xùn)練速度都比非線性函數(shù)快。 算法工具以及樣本數(shù)據(jù)來源 在本文的預(yù)測(cè)和計(jì)算過程中， 本人采用了 Matlab 。我們可以去調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱中的相關(guān)函數(shù)，來實(shí)現(xiàn)對(duì)股票價(jià)格預(yù)測(cè)的研究。一般情況下，我們所選擇要進(jìn)行訓(xùn)練的樣本要互不重合，而且要具有一定時(shí)間特點(diǎn)的指數(shù)形式。 步驟二 :將整理后的數(shù)據(jù)分成訓(xùn)練集和檢測(cè)集兩部分。 10 使用 matlab 神經(jīng)網(wǎng)絡(luò)工具箱來創(chuàng)建神經(jīng)網(wǎng)絡(luò) 具體預(yù)測(cè)流程如圖五 圖五 BP 神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)流程 11 預(yù)測(cè)結(jié)果如下： 交易日期 收盤指數(shù) 預(yù)測(cè)結(jié)果 絕對(duì)誤差 相對(duì)誤差 2021/10/10 n/a n/a n/a 2021/10/11 2021/10/12 2021/10/15 2021/10/16 2021/10/17 2021/10/18 2021/10/19 2021/10/22 2021/10/23 2021/10/24 2021/10/25 2021/10/26 2021/10/29 2021/10/30 2021/10/31 2021/11/01 2021/11/02 2021/11/05 2021/11/06 平均 相關(guān)系數(shù)＝ ，相對(duì)平均誤差＝ % 模型預(yù)測(cè)的輸出與實(shí)際值的比較圖 12 6 模型評(píng)價(jià)和改進(jìn) 從上面的預(yù)測(cè)結(jié)果來看，預(yù)測(cè)結(jié)果和實(shí)際指數(shù)的走勢(shì)基本相同，相對(duì)平均誤差非常小，還是能夠比較好的預(yù)測(cè)出未來一段時(shí)間的證券指數(shù)的走勢(shì)，有一定的實(shí)用價(jià)值。因此用精確的點(diǎn)位來預(yù)測(cè)股票指數(shù)走勢(shì)是存在弱點(diǎn)的。 股票市場(chǎng)是確定性和隨機(jī)性的統(tǒng)一就意味著待處理的非線性系統(tǒng)的復(fù)雜程度越高。 13 參考文獻(xiàn) [1] 章社生 .有理函數(shù)增長(zhǎng)率數(shù)學(xué)模型及其在股票預(yù)測(cè)中的應(yīng)用 [J].武漢交通科技大 學(xué)學(xué)報(bào) ,1995,(01):8385. [2] 康凱彬 .新股民故事操練大全 [M].北京 :中國紡織出版社 .2021. [3] 高竹樓 ,高海寧 .趨勢(shì)在前我隨后 [M].北京 :中國經(jīng)濟(jì)出 版社 .2021. [4] 田雨波 .混合神經(jīng)網(wǎng)絡(luò)技術(shù) [M].北京 :科學(xué)出版社 .2021. [5] 李煥榮 ,王樹明 .一種改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法 [J].系統(tǒng)工程 ,2021(09):7678. [6] 楊小平 .基于主成分與 BP 神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)分析 [J].決策參考 ,2021, (12):4243. [7] 張青貴 .人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論 [M].北京 :中國水利水電出版社 ,2021. [8] 姜啟源 .大學(xué)數(shù)學(xué)實(shí)驗(yàn) [M].北京 :清華大學(xué)出版社 ,2021. [9] 吳微 ,陳維強(qiáng) ,劉波 .用 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1