基于BP人工神经网络的股票数据预测模型

采用BP神经网络对150组股票交易数据进行拟合，拟合精度较好。

clear all
clc
clf

%采用三层BP网络结构
%输入层神经元数为5，隐含层神经元数为3，输出层神经元数为1

%最大迭代次数
maxcishu=5000;

%e为计算输出和样本实际输出差
%在内存中开辟maxcishu个存储空间
e=zeros（maxcishu1）;

% 输入数据维度5，输入节点数5
% maxp当日最高价序列
% minp当日最低价序列
% sp当日开盘价
% ep当日收盘价
% tnum当日成交量
% 调用数据
%shuju=xlsread（‘dm.xlsx‘ ‘B1:K151‘）;
shuju=importdata（‘BP_ZXF.xlsx‘）;
sp=shuju.data（:1）‘;
maxp=shuju.data（:2）‘;
minp=shuju.data（:3）‘;
tnum=shuju.data（:10）‘;
ep=shuju.data（:4）‘;

%将数据集按照2:1分为训练样本集，和测试样本集
jishu=length（ep）;
jishu=ceil（jishu/3*2） ;

%测试样本集是2/3处到最后一个
spt=sp（jishu+1:end）;
maxpt=maxp（jishu+1:end）;
minpt=minp（jishu+1:end）;
tnumt=tnum（jishu+1:end）;
ept=ep（jishu+1:end）;

%训练样本集
sp=sp（1:jishu）;
maxp=maxp（1:jishu）;
minp=minp（1:jishu）;
tnum=tnum（1:jishu）;
ep=ep（1:jishu）;

%记录下每组的最大值最小值，为训练样本集的归一化准备
maxp_max=max（maxp）;
maxp_min=min（maxp）;
minp_max=max（minp）;
minp_min=min（minp）;
ep_max=max（ep）;
ep_min=min（ep）;
sp_max=max（sp）;
sp_min=min（sp）;
tnum_max=max（tnum）;
tnum_min=min（tnum）;

% 目标数据为次日的收盘价，相当于把当日收盘价时间序列向前挪动一个单位
goalp=ep（2:jishu）;

%数据归一化将所有数据归一化到（0 1）
guiyi=@（A）（（A-min（A））/（max（A）-min（A）））;
maxp=guiyi（maxp）;
minp=guiyi（minp）;
sp=guiyi（sp）;
ep=guiyi（ep）;
tnum=guiyi（tnum）;

% 后面的目标数据goalp个数是ep向前移动一位得到，所以最后一组的目标数据缺失
% 所以，要把除了目标数据goalp以外的所有数据序列删除最后一个
maxp=maxp（1:jishu-1）;
minp=minp（1:jishu-1）;
sp=sp（1:jishu-1）;
ep=ep（1:jishu-1）;
tnum=tnum（1:jishu-1）;

%需要循环学习次数loopn，即训练样本的个数
loopn=length（maxp）;
%为了方便表示将5个行向量放到一个5*loopn的矩阵中simp中每一列是一个样本向量
simp=[maxp;minp;sp;ep;tnum];

%隐含层节点n
%根据相关资料，隐含层节点数比输入节点数少，一般取1/2输入节点数
bn=3;

%隐含层激活函数为S型函数
jihuo=@（x）（1/（1+exp（-x）））;

%bx用来存放隐含层每个节点的输出
%bxe用来保存bx经过S函数处理的值，即输出层的输入
bx=zeros（bn1）;
bxe=zeros（bn1）;

%权值学习率u
u=0.02;

%W1（mn）表示隐含层第m个神经元节点的第n个输入数值的权重，
%即，每一行对应一个节点
%所以输入层到隐含层的权值W1构成一个bn*5的矩阵，初值随机生成
W1=rand（bn5）;

%W2（m）表示输出节点第m个输入的初始权值，采用随机生成
W2=rand（1bn）;

%loopn个训练样本，对应loopn个输出
out=zeros（loopn1）;

for k=1:1:maxcishu
    
    %训练开始i表示为本次输入的是第i个样本向量
    for i=1:1:loopn
        
        %求中层每个节点bx（n）的输出，系数对应的是W1的第n行
        for j=1:1:bn
            bx（j）=W1（j:）*simp（:i）;
            bxe（j）=jihuo（bx（j））;
        end
        
        %求输出
        out（i）=W2*bxe;
        
        %误差反向传播过程
        %计算输出节点的输入权值修正量结果放在行向量AW2中
        %输出神经元激活函数 f（x）=x
        %为了书写方便，将deta用A代替
        AW2=zeros（1bn）;
        AW2=u*（out（i）-goalp（i））*bxe‘;
        
        %计算隐含层节点的输入权值修正量结果放在行向量AW1中需要对隐含层节点逐个处理
        AW1=zeros（bn5）;
        for j=1:1:bn
            AW1（j:）=u* （out（i）-goalp（i））*W2（j）*bxe（j）*（1-bxe（j））*simp（:i）‘;
        end
        W1=W1-AW1;
        W2=W2-AW2;
    end
    
    %计算样本偏差
    e（k）=sum（（out-goalp‘）.^2）/2/loopn;
    %误差设定
    if e（k）<=0.01
        disp（‘迭代次数‘）
        disp（k）
        disp（‘训练样本集误差‘）
        disp（e（k））
        break
    end
end

%显示训练好的权值
W1
W2
%绘制误差收敛曲线，直观展示收敛过程
figure（1）
hold on
e=e（1:k）;
plot（e）
title（‘训练样本集误差曲线‘）
% 计算输出和实际输出对比图
figure（2）
plot（out‘rp‘）
hold on
plot（goalp‘bo‘）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件        4614  2015-11-24 19:19  BP_ZXF.m
     文件       24599  2015-11-11 23:24  BP_ZXF.xlsx
     文件      260162  2016-01-02 15:44  基于BP网络的股票数据预测模型.docx