基于BP神经网络的股票价格预测开题报告

1. 研究目的与意义

现实意义：随着中国改革开放不断深入，国家对金融行业也越来越重视，股票市场作为国民经济的“晴雨表”不仅反映经济现状，同时还影响着经济发展，股价的波动侧面体现经济的发展走势，对股票进行预测能预知经济未来的走势。许多专家学者都在致力于股票的研究和预测，然而复杂多变的外部环境再加上我国的股市刚刚起步，传统的预测方法在精度上不能满足要求，在大数据背景下，新型的智能算法显得尤为重要。

理论意义：误差逆传播（error backpropagation,简称bp）算法是多层网络学习算法中最杰出的代表。在复杂和充满不确定性的股市预测中，bp神经网络能带来更好的拟合效果、更高的预测精度。但bp神经网络也存在其他的问题，比如，有时收敛快，有时收敛慢，甚至陷入局部最小。因此，对于复杂的股市原始数据，先使用主成分分析法或因子分析对数据降维，减少其复杂度和相关性，将降维后结果做为输入值，能使模型更为有效。

2. 研究内容和预期目标

研究内容：

选取股市中有代表性的股票，收集其历史交易信息如开盘价、最高价等进行降维处理，将结果作为bp神经网络的输入值，将股票未来的收盘价或涨跌幅作为输出值。对于原始数据，挑选出20%左右作为测试数据，与模型预测结果比较，得出预测误差。

拟解决的关键问题：

3. 国内外研究现状

atiya等人以上市公司的基本信息为股市的影响指标，使用神经网络模型进行预测，研究结果表明人工神经网络能对金融数据进行较好的预测，从而能在某种程度上指导投资者买卖股票。曾武序等利用python在网页上爬取港股通2017年美的集团交易数据，在ＢＰ神经网络中输入为收盘价、涨跌幅、净买额、买入金额、卖出金额、成交金额，输出处为股票下一个交易日的涨跌预测。最后模型选取了21个隐层节点，预测精度为71.4%。孙武彪利用遗传算法优化bp神经网络对沪深300指数进行预测，选取31个常用股市变量，包括移动平均线，指线，能量潮等。结果表明优化后的模型精度更高。王莎对bp神经网络的改进包括两种：一种是基于梯度下降法的算法改进，另一种是基于数值优化的方法改进。将激活函数调整为tan-sigmoid，从而有效地减少隐层节点数、加快收敛速度、提高精度。林松在对股票的预测中将传统时间序列分析模型和人工神经网络进行对比，并且在构建bp神经网络模型时分别使用了gradient descent算法、牛顿算法、lm算法、cg算法，每一种算法又分别用tansig、purelin、logsig三种激活函数得到对应的预测误差，结果表明使用cg训练数据和tangsig激活函数得到的bp神经网络预测上证指数收盘价精度最高。李杰使用了主成分和bp神经网络结合的方法对中国石化股票进行了分析。文章选取了开盘价、最高价、最低价、ma5、psy12等10个指标，降维后选取三个主成分作为输入变量，输出变量为第二个交易日的收盘价，得到了较好的预测结果。此外，刘庆霞、王云霞等人也将主成分分析法运用到了bp神经网络中，结果表明选取三个左右的主成分作为输入变量往往能使模型更为有效。綦方中利用果蝇算法优化了bp神经网络的初始值和阈值，建立了基于pca和ifoa-bp神经网络的股票价格预测模型，结果表明该模型有效可行。

综上，大量研究表明bp神经网络在股票市场的预测中有着不错的表现，相比于时间序列分析方法有着更高的预测精度。但bp神经网络模型也有自己的问题，解决的办法分为两类，一类是对模型本身优化，使参数更为精确、相关函数更能适应实际需求；一类是对输入数据进行优化，减少数据复杂度，降低模型出错的概率。本文采取的办法是对数据进行优化。

4. 计划与进度安排

（1）2022.8.1至2022.11.20 确定选题，检索阅读国内外相关文献，撰写文献综述；

（2）2022.11.20至2022.12.11 确定研究方案，撰写开题报告；

5. 参考文献

[1] atiya a,talat n,shaheen s.an efficient stock marketforecasting model using neural networks[c].international conference on neuralnetworks.1997,4:2112-2115.

[2]钱赟. 基于主成分分析与序列到序列学习模型的股票收盘价格预测[d].上海师范大学,2020.

[3]鹿天宇,都莱娜,王海远,王吟秋,陶明婉,张雪伍.基于主成分分析与神经网络组合的股价变化趋势预测[j].电脑知识与技术,2019,15(06):170-172 177.