前言：本站為你精心整理了三種網絡在股價推測中的運用范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

股票已經成為人們日常投資理財的重要手段之一，準確地預測股票的價格走勢，能夠幫助投資人獲取穩定的收益，有效的規避風險。但是股票價格的變化與社會、經濟、法律等諸多方面都有關聯，難于準確預測。由于股票價格是非線性的，傳統的線性模型不能很好地對股票價格進行擬合與預測。神經網絡模型能夠很好地擬合非線性的股票價格，提高預測精度。BP神經網絡算法簡單、操作方便，在股票價格預測中得到了較廣泛的應用。RBF神經網絡適應性更強，學習速度更快，具有全局尋優能力與良好的泛化推廣能力，因而預測精度更高。GABP神經網絡是指在傳統的BP神經網絡的基礎之上引入遺傳算法，對神經網絡的初始權值優化后再使用神經網絡進行學習和訓練，不僅很好地避開BP網絡的弊端，繼承神經網絡很強的學習、訓練能力，同時也提高了預測精度。

一、股票價格預測模型原理

（一）BP神經網絡BP神經網絡是一種多層前饋網絡，按誤差逆傳播算法訓練，是目前應用最廣泛的神經網絡之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，它使用最速下降法，通過反向傳播調整網絡的閾值和權值，使網絡的誤差平方和最小。然而由于其收斂速度慢，以及網絡的學習和記憶具有不穩定性等缺陷，影響了股票價格的預測精度。

（二）RBF神經網絡RBF神經網絡是一種高效的前饋型局部逼近式網絡，它具有最佳逼近性能和全局最優特性，訓練速度快，結構簡單，在時間預測、非線性函數逼近等領域具有廣泛的應用。RBF神經網絡由n個輸入節點、m個隱含層節點和1個輸出節點組成，隱層節點是RBF函數。RBF神經網絡隱含層節點的基函數通常選擇高斯核函數，輸出層節點是簡單的線性函數。

（三）GABP網絡基于遺傳算法的BP網絡模型將遺傳算法和BP神經網絡相結合可以充分利用兩者優勢。先用遺傳算法在全局范圍內搜索最優解的近似值，再經BP網絡訓練最終得到全局最優解。基于遺傳算法的BP網絡模型用于預測主要由三個階段構成。先用遺傳算法在全局搜索BP神經網絡的最優初始權值和閾值的近似值，再將其賦值給BP網絡訓練，逐步求精，最終得到全局最優的權值和閾值，最后用訓練好的BP網絡實現預測功能。

二、基于神經網絡的股票價格預測

本文采用2011年7月1日以后105天的上證指數數據為樣本數據。以影響股票價格的相關因素為輸入層，以收盤價為輸出層。前100天的數據為訓練樣本，預測后5天的收盤價。為消除數據間量綱級別，加快網絡訓練速度，對所有的原始數據進行歸一化處理。采用遍歷法，以最小預測誤差為目標確定各個相關參數。三種神經網絡模型對股票價格的預測結果及誤差如下，見表1。由以上結果可知，神經網絡模型對股票價格的擬合與預測能力強，預測精度很高，能夠滿足股票價格預測的要求。在實際操作中發現，RBF神經網絡的收斂速度最快，BP神經網絡最慢。在預測精度方面，基于遺傳算法優化的GABP網絡擬合精度更高，能夠更為準確的預測股票價格，其誤差率均低于千分之四，誤差率絕對值的平均值僅為0.00178，誤差絕對值之和僅為6.864，較傳統的BP與RBF網絡更為有效。

三、結束語

本文提出BP、RBF神經網絡，以及基于遺傳算法優化的GABP網絡，應用于股票價格的預測中。預測結果表明，神經網絡模型能夠較好地擬合股票價格趨勢，并較準確地對股票價格進行預測。其中GABP神經網絡比傳統的BP和RBF神經網絡有更好的全局收斂性、更高的學習效率和預測精度，達到了更好的預測效果，在股票價格預測的應用中有一定推廣價值。