股票漲跌中數學模型畢業(yè)論文(編輯修改稿)
2025-03-12 02:52 本頁面
【文章內容簡介】 交叉位置重合或者非常接近。只有股價經歷了較長時間的橫盤整理才會出 現(xiàn)這種結果。如果是在股價經歷長期上漲后出現(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，因為經過了較長時間對底部的確認 ]3[ 。 本人選用華創(chuàng)證券集成版軟件進行選股展示。 圖一 MA 技術指標選股 4 ASI 與 KDJ技術指標組合 ASI(Accumulation Swing Index)振動升降指標。 ASI 是以開盤價、最高價、最低價、收盤價構筑成一條幻想線，形成最能表現(xiàn)當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精確的驗證，ASI 精密的運算數值，為股民提供了判斷股價是否突破壓力線或支撐線的依據 ]3[ 。 ASI不僅提供辨認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。 KDJ（隨機指標）是喬治蘭恩博士發(fā)明的，其反應速度快，綜合了動量觀念、強弱指標、移動平均線的優(yōu)點，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，投機性太強的個股 不適用。 圖二 ASI 與 KDJ 技術指標組合 選股 DMI(趨向技術指標 ) DMI（ Directional Movement Index） 指標提示投資人不要在整盤中入場交易 ,一旦市場有機會 時， DMI 立刻引導投資者進場，并且提示投資者在適當的實侯退場，實為近年來受到相當重視的指標之一。 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。 DMI 可以產生指標交叉的買賣訊號，用以辨別行情時候發(fā)動。市場上為數眾多的技術指標，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，而是加以科學化。 圖三 DMI 技術指標 選股 通過以上三種技術的選股，再結合目前市場信息，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）這只股票進入下一節(jié)的價格預測。 4 模型建立 問題分析與回顧 1957 年 Kolmogrov 提出了神經網絡的理論基礎，即多層前饋神經網絡可以對任何連續(xù)的非線性函數進行任意精度的逼近。 BP 算法是最著名的神經網絡算 法，由 BP 算法構成的神經網絡是一種多層前饋網絡，按誤差逆?zhèn)鞑ニ惴ㄓ柧?]4[ 。 BP 網絡能學習和貯存大量的輸入 —— 輸出模式映射關系，使用最速下降法，通過反向傳播調整網絡的閥值和權值，從而實現(xiàn)網絡的實際輸出與期望輸出的均方差最小化。 盡管神經網絡科學產生了許多優(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，網絡的學習和記憶具有不穩(wěn)定性的不足，但是由于其簡單易操作，計算量小，并行性強等優(yōu)點，目前仍是多層前饋 神經網絡的首選算法之一。 數學上能夠證明， BP 神經網絡在股票價格預測方面有很大的效果， BP 神經網絡可以逼近那些有樣本數據規(guī)律的函數，而不論這些函數具有怎樣的規(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在規(guī)律或特點，通過對歷史數據的學習， BP 神經網絡就刻劃出這些規(guī)律或特點，逐步求精，對實現(xiàn)股票價格的預測起到很好的效果?；谶@些觀點，本文采用優(yōu)化的BP 神經網絡對新希望（ 000876）這支股票的價格進行預測。 建立股票價格預測模型 神經 網絡結構設計 本文采用三層 BP 神經網絡預測模型：輸入層，一個隱層和輸出層。輸入層的節(jié)點數為 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 神經網絡結構如圖四。 圖四 BP 神經網絡結構 圖四所表示的是一個三層 BP 神經網絡結構模型，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絡 ]5[ 是一個通用的函數逼近器。雖然增加隱層的層數可以提高預算的精度，降低誤差，但是同時也增加了算法的 訓練時間。實際上我們可以通過確定隱層神經元的數目來提高誤差的精度，其效果訓練時間和也比增加層數更容易調整和觀察。而要增加隱層神經元的數目，究竟要選取多少個隱節(jié)點才合適呢，一般情況下可以通過以下經驗獲得 ]6[ ： 1)3( ??? OPLn 其中， P、 O 分別為輸入、輸出層節(jié)點數， nL 為隱含層節(jié)點數 上限。 7 nxxxx ..., 321 中為輸入信號 。 ijw 為輸入層到隱藏層的連接權值 。 jtv 為隱藏層到輸出層的連接權值 。 i? 為閾值 。 ? ?iv? 為變換函數 。 ny 為神經元 i 的輸出。 網絡模型選擇 主
公司管理相關推薦
鄂ICP備17016276號-1