股票漲跌中數(shù)學(xué)模型畢業(yè)論文(編輯修改稿)
2025-03-12 02:52 本頁面
【文章內(nèi)容簡介】 交叉位置重合或者非常接近。只有股價經(jīng)歷了較長時間的橫盤整理才會出 現(xiàn)這種結(jié)果。如果是在股價經(jīng)歷長期上漲后出現(xiàn)多線粘合，往往表示筑頂，這種頂是可怕的，一旦有場外主力資金出場，就比較容易形成變盤格局，殺起跌來就恃無忌憚。如果在股價經(jīng)歷長期下跌后出現(xiàn)多線粘合，一般都表示筑底，這種底是比較可靠的，因為經(jīng)過了較長時間對底部的確認(rèn) ]3[ 。 本人選用華創(chuàng)證券集成版軟件進(jìn)行選股展示。 圖一 MA 技術(shù)指標(biāo)選股 4 ASI 與 KDJ技術(shù)指標(biāo)組合 ASI(Accumulation Swing Index)振動升降指標(biāo)。 ASI 是以開盤價、最高價、最低價、收盤價構(gòu)筑成一條幻想線，形成最能表現(xiàn)當(dāng)前行情的真實市場線。由于 ASI 更能反映的、市場價格更具真實性，為股價是否真實的創(chuàng)新高或新低提供了相當(dāng)精確的驗證，ASI 精密的運(yùn)算數(shù)值，為股民提供了判斷股價是否突破壓力線或支撐線的依據(jù) ]3[ 。 ASI不僅提供辨認(rèn)股價真實與否的功能，另外也具備了“停損”的作用，及時 地給投資人多一層保護(hù)。 KDJ（隨機(jī)指標(biāo)）是喬治蘭恩博士發(fā)明的，其反應(yīng)速度快，綜合了動量觀念、強(qiáng)弱指標(biāo)、移動平均線的優(yōu)點(diǎn)，因在以短炒為主的期貨市場獲得巨大成功而名聲大振，可見其對于短線操作的重要意義，是目前股市中最常見的指標(biāo)之一，其對于短線操作有重要意義。 KDJ 的用法如下： 1） K 值由右邊向下交叉 D 值作賣， K 值由右邊向上交叉 D 值作買。 2） D 值 80%， J100%超買； D 值 20%， J10%超賣。 3） K、 D 值與 50%左右徘徊或交叉時，無意義，投機(jī)性太強(qiáng)的個股 不適用。 圖二 ASI 與 KDJ 技術(shù)指標(biāo)組合 選股 DMI(趨向技術(shù)指標(biāo) ) DMI（ Directional Movement Index） 指標(biāo)提示投資人不要在整盤中入場交易 ,一旦市場有機(jī)會 時， DMI 立刻引導(dǎo)投資者進(jìn)場，并且提示投資者在適當(dāng)?shù)膶嵑钔藞?，實為近年來受到相?dāng)重視的指標(biāo)之一。 DMI 的基本原理在于探求價格在上升及下降過程中 5 的均衡點(diǎn)。 DMI 可以產(chǎn)生指標(biāo)交叉的買賣訊號，用以辨別行情時候發(fā)動。市場上為數(shù)眾多的技術(shù)指標(biāo)，都必須搭配 DMI 使用。 DMI 不是憑主觀與直覺來判斷買方、賣方的兩種力量，而是加以科學(xué)化。 圖三 DMI 技術(shù)指標(biāo) 選股 通過以上三種技術(shù)的選股，再結(jié)合目前市場信息，上市公司發(fā)展情況，我們便可選出自己看中的股票出來。我們在這里選出 ,新希望（ 000876）這只股票進(jìn)入下一節(jié)的價格預(yù)測。 4 模型建立 問題分析與回顧 1957 年 Kolmogrov 提出了神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)，即多層前饋神經(jīng)網(wǎng)絡(luò)可以對任何連續(xù)的非線性函數(shù)進(jìn)行任意精度的逼近。 BP 算法是最著名的神經(jīng)網(wǎng)絡(luò)算 法，由 BP 算法構(gòu)成的神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練 ]4[ 。 BP 網(wǎng)絡(luò)能學(xué)習(xí)和貯存大量的輸入 —— 輸出模式映射關(guān)系，使用最速下降法，通過反向傳播調(diào)整網(wǎng)絡(luò)的閥值和權(quán)值，從而實現(xiàn)網(wǎng)絡(luò)的實際輸出與期望輸出的均方差最小化。 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，但是由于其簡單易操作，計算量小，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。 數(shù)學(xué)上能夠證明， BP 神經(jīng)網(wǎng)絡(luò)在股票價格預(yù)測方面有很大的效果， BP 神經(jīng)網(wǎng)絡(luò)可以逼近那些有樣本數(shù)據(jù)規(guī)律的函數(shù)，而不論這些函數(shù)具有怎樣的規(guī)律。股票價格的 6 走勢呈高度的非線性，且在成交量、最高價、最低價、成交價中包含了大量股價變動的內(nèi)在規(guī)律或特點(diǎn)，通過對歷史數(shù)據(jù)的學(xué)習(xí)， BP 神經(jīng)網(wǎng)絡(luò)就刻劃出這些規(guī)律或特點(diǎn)，逐步求精，對實現(xiàn)股票價格的預(yù)測起到很好的效果?；谶@些觀點(diǎn)，本文采用優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)對新希望（ 000876）這支股票的價格進(jìn)行預(yù)測。 建立股票價格預(yù)測模型 神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 本文采用三層 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型：輸入層，一個隱層和輸出層。輸入層的節(jié)點(diǎn)數(shù)為 5 個，由開盤價、收盤價、最高價、最低價、成交量組成的多變量時間序列，建立的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖四。 圖四 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 圖四所表示的是一個三層 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，本人在這只選擇含有一個隱層，因為只含一個隱層的前饋網(wǎng)絡(luò) ]5[ 是一個通用的函數(shù)逼近器。雖然增加隱層的層數(shù)可以提高預(yù)算的精度，降低誤差，但是同時也增加了算法的 訓(xùn)練時間。實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)練時間和也比增加層數(shù)更容易調(diào)整和觀察。而要增加隱層神經(jīng)元的數(shù)目，究竟要選取多少個隱節(jié)點(diǎn)才合適呢，一般情況下可以通過以下經(jīng)驗獲得 ]6[ ： 1)3( ??? OPLn 其中， P、 O 分別為輸入、輸出層節(jié)點(diǎn)數(shù)， nL 為隱含層節(jié)點(diǎn)數(shù) 上限。 7 nxxxx ..., 321 中為輸入信號 。 ijw 為輸入層到隱藏層的連接權(quán)值 。 jtv 為隱藏層到輸出層的連接權(quán)值 。 i? 為閾值 。 ? ?iv? 為變換函數(shù) 。 ny 為神經(jīng)元 i 的輸出。 網(wǎng)絡(luò)模型選擇 主
公司管理相關(guān)推薦
鄂ICP備17016276號-1