【文章內(nèi)容簡(jiǎn)介】 的每一時(shí)期的數(shù)值都是由許許多多不同的因素同時(shí)發(fā)生作用后的綜合結(jié)果。第三步：求時(shí)間序列的長(zhǎng)期趨勢(shì)(T)季節(jié)變動(dòng)(s)和不規(guī)則變動(dòng)(I)的值，并選定近似的數(shù)學(xué)模式來(lái)代表它們。對(duì)于數(shù)學(xué)模式中的諸未知參數(shù)，使用合適的技術(shù)方法求出其值。第四步：利用時(shí)間序列資料求出長(zhǎng)期趨勢(shì)、季節(jié)變動(dòng)和不規(guī)則變動(dòng)的數(shù)學(xué)模型后，就可以利用它來(lái)預(yù)測(cè)未來(lái)的長(zhǎng)期趨勢(shì)值T和季節(jié)變動(dòng)值s，在可能的情況下預(yù)測(cè)不規(guī)則變動(dòng)值I。然后用以下模式計(jì)算出未來(lái)的時(shí)間序列的預(yù)測(cè)值Y：　　加法模式 T+S+I=Y　　乘法模式 TSI=Y如果不規(guī)則變動(dòng)的預(yù)測(cè)值難以求得，就只求長(zhǎng)期趨勢(shì)和季節(jié)變動(dòng)的預(yù)測(cè)值，以兩者相乘之積或相加之和為時(shí)間序列的預(yù)測(cè)值。如果經(jīng)濟(jì)現(xiàn)象本身沒(méi)有季節(jié)變動(dòng)或不需預(yù)測(cè)分季分月的資料，則長(zhǎng)期趨勢(shì)的預(yù)測(cè)值就是時(shí)間序列的預(yù)測(cè)值，即T=Y。但要注意這個(gè)預(yù)測(cè)值只反映現(xiàn)象未來(lái)的發(fā)展趨勢(shì)，即使很準(zhǔn)確的趨勢(shì)線在按時(shí)間順序的觀察方面所起的作用，本質(zhì)上也只是一個(gè)平均數(shù)的作用，實(shí)際值將圍繞著它上下波動(dòng)。 神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)是一門(mén)活躍的邊緣性交叉學(xué)科，是在人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其智能行為的一種工程系統(tǒng)。神經(jīng)網(wǎng)絡(luò)既是高度非線性動(dòng)力學(xué)系統(tǒng)，又是自適應(yīng)組織系統(tǒng)，可用來(lái)描述認(rèn)知、決策及控制的職能行為，其中心問(wèn)題是對(duì)智能的認(rèn)知和模擬。神經(jīng)網(wǎng)絡(luò)理論是巨量信息并性處理和大規(guī)模并行計(jì)算的基礎(chǔ)。 人工神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)是大量簡(jiǎn)單元件廣泛相連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它是現(xiàn)代神經(jīng)科學(xué)成果的基礎(chǔ)下提出的，反映了人腦功能的若干基本特征，但并非神經(jīng)系統(tǒng)的逼真描寫(xiě)，而只是一種抽象的數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)其實(shí)質(zhì)是一門(mén)非線性科學(xué)，它具有并行處理、容錯(cuò)性、自學(xué)習(xí)功能，有別于傳統(tǒng)方法，己在模式識(shí)別、自動(dòng)化控制等領(lǐng)域取得了驚人的成就。在國(guó)外，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成為了投資公司及基金經(jīng)理的強(qiáng)力工具與高效助手。國(guó)內(nèi)起步雖晚，但對(duì)于基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)系統(tǒng)也有一定的研究。人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用按照面向的預(yù)測(cè)對(duì)象可分為這三類。第一類為通過(guò)將股票分類為強(qiáng)勢(shì)股與弱勢(shì)股來(lái)預(yù)測(cè)股票表現(xiàn)為優(yōu)秀股，一般股，較差股。這類人工神經(jīng)網(wǎng)絡(luò)應(yīng)用做出的決策只提供能否盈利，并不提供期望的價(jià)格及期望的盈利。第二類對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)，這些系統(tǒng)基于之前的股價(jià)及相關(guān)的金融系數(shù)嘗試預(yù)測(cè)未來(lái)一天或幾天的價(jià)格。第三類重要的人工神經(jīng)網(wǎng)絡(luò)在股票市場(chǎng)中的應(yīng)用是對(duì)股票表現(xiàn)建立模型及預(yù)測(cè)。這類應(yīng)用不僅預(yù)測(cè)股票的未來(lái)價(jià)格，也估算重要影響因素，可能影響結(jié)果的變量的敏感度分析，以及其他相關(guān)性分析。 人工神經(jīng)元模型人工神經(jīng)網(wǎng)絡(luò)是利用物理器件來(lái)模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能。：：Pjf(Pj)yjw1jw2j：：wnjx2xnx1 典型人工神經(jīng)元模型其輸入、輸出關(guān)系可描述為其中，是從其他神經(jīng)元傳來(lái)的輸入信號(hào)；表示從神經(jīng)元到神經(jīng)元的連接權(quán)值；為閾值；稱為激發(fā)函數(shù)。 BP神經(jīng)網(wǎng)絡(luò)模型 BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號(hào)通過(guò)中間節(jié)點(diǎn)（隱層點(diǎn)）作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線性變換，產(chǎn)生輸出信號(hào)，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量和期望輸出量，網(wǎng)絡(luò)輸出值與期望輸出值之間的偏差，通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的連接強(qiáng)度取值和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度以及閾值，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。此時(shí)經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過(guò)非線性轉(zhuǎn)換的信息。輸入層 I 隱藏層 H輸出層 OOOIIIIHHHBP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。它的節(jié)點(diǎn)輸出模型為：隱藏層節(jié)點(diǎn)輸出模型： 輸出層節(jié)點(diǎn)輸出模型： ：非線性作用函數(shù)；：神經(jīng)單元閾值。4 基于數(shù)據(jù)挖掘技術(shù)的股票價(jià)格預(yù)測(cè)實(shí)證分析 問(wèn)題分析通過(guò)上述時(shí)間序列和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的原理，可將模型簡(jiǎn)化為函數(shù)式，當(dāng)輸入不同變量時(shí)，對(duì)應(yīng)不同的對(duì)應(yīng)法則（時(shí)間序列或神經(jīng)網(wǎng)絡(luò)），可預(yù)測(cè)出不同的預(yù)測(cè)值。分析比較各只股票的輸出變量，如當(dāng)輸入變量為前1日的股票價(jià)格信息加當(dāng)日開(kāi)盤(pán)價(jià)或只用前1日的股票價(jià)格信息來(lái)預(yù)測(cè)當(dāng)日收盤(pán)價(jià)，10只股票將會(huì)出現(xiàn)不同的預(yù)測(cè)值，計(jì)算分析這些數(shù)據(jù)之間的相對(duì)誤差，綜合得出最佳的預(yù)測(cè)方案。 數(shù)據(jù)采集及處理（1）數(shù)據(jù)抽取。本文根據(jù)模型需要，共從網(wǎng)上任意選取10只股票進(jìn)行預(yù)測(cè)，在每只股票中選取了201082至2011331的歷史數(shù)據(jù)，以其前120組數(shù)據(jù)作為訓(xùn)練樣本，接下去的30組作為預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，其中共有8個(gè)輸入變量。股票數(shù)據(jù)來(lái)源于證券之星中的股票歷史信息。（2）數(shù)據(jù)清洗。股票價(jià)格的數(shù)據(jù)與其他數(shù)據(jù)一樣, 常常是含有噪聲、不完全和不一致的缺點(diǎn), 數(shù)據(jù)預(yù)處理能夠幫助改善數(shù)據(jù)的質(zhì)量, 進(jìn)而幫助提高數(shù)據(jù)挖掘進(jìn)程的有效性和準(zhǔn)確性。數(shù)據(jù)清理主要包括遺漏數(shù)據(jù)清理、噪聲數(shù)據(jù)處理和錯(cuò)誤數(shù)據(jù)處理。（3）變量的選擇。對(duì)于一個(gè)模型來(lái)說(shuō)變量越多并不一定就越好，但同時(shí)為了減小結(jié)果的誤差，應(yīng)適當(dāng)?shù)倪x擇輸入變量，本文中的輸入變量包括：前1日開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、成交量、成交額、最高價(jià)、最低價(jià)、漲跌幅及當(dāng)日開(kāi)盤(pán)價(jià)，對(duì)當(dāng)日收盤(pán)價(jià)進(jìn)行預(yù)測(cè)，以建立最適當(dāng)?shù)哪Ｐ汀?模型的分析與實(shí)現(xiàn)本文采用數(shù)據(jù)挖掘技術(shù)，借助的是Microsoft SQL Server 2008操作平臺(tái)。首先將用來(lái)預(yù)測(cè)的預(yù)測(cè)樣本和訓(xùn)練樣本導(dǎo)入數(shù)據(jù)庫(kù)中，在商業(yè)智能開(kāi)發(fā)平臺(tái)（Business Intelligence Development Studio）中創(chuàng)建一個(gè)新的分析服務(wù)（Analysis Services）項(xiàng)目，創(chuàng)建了空項(xiàng)目之后，應(yīng)當(dāng)創(chuàng)建一個(gè)“數(shù)據(jù)源”并將其與之前的數(shù)據(jù)庫(kù)進(jìn)行連接，此源數(shù)據(jù)庫(kù)可以是任何受支持的關(guān)系數(shù)據(jù)庫(kù)管理系統(tǒng)中的數(shù)據(jù)庫(kù)，“數(shù)據(jù)源”負(fù)責(zé)為源數(shù)據(jù)連接