基于遗传算法的BP神经网络的股票预测模型_matlab实现

摘要

在目前的股票投资市场,不少自然人股民的投资主要方式使根据对当天或者一个较长周期对股票数据的预测,来得到下一天的股票数据,从而进行相应的投资。为了满足股民希望能更为理性合理准确的预测股票走向,需要借助机器的帮助。本文主要是利用优化过的遗传算法,利用遗传算法调整BP三层神经网络的权重与阈值,使BP神经网络的训练效果得到提升,从而对股票市场的行情有比较好的预测效果。

关键词 BP神经网络 遗传算法 特征选取

实验论文节选

bp神经网络

bp神经网络

遗传算法

遗传算法

遗传算法的过程:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

实验结果与分析

3.1 实验设置
3.1.1 股票数据库的选择
本实验使用了两种股票种类,为某单支股票(150个)数据与上证综合指数前复权日线(533个)数据,分别保存在两个文件中,将两个数据集的特征向量人工设定为同一列位置,方便后续实验。

3.1.2 实验参数设置
本次实验在Matlab环境上运行,分析给予遗传算法的BP神经网络与随机初始化的BP神经网络在股票预测上的差距。
本次实验所采用的为BP神经网络:训练次数epochs为1000,训练目标goal为0.01,学习速率lr为0.1;遗传算法:群体规模为N=60。

3.2 实验结果与分析
实验1:测试未优化的遗传算法运行的预测效果
本次实验,隐含层神经元个数为3,交叉概率为p_c=0.8,变异概率为p_m=0.05,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。

在这里插入图片描述
本次测试出的每一代的最小误差波动很大,而且随着迭代次数的增加,最新一带的最小误差没有明显减小,达不到预期效果。

实验2:测试带指标变异操作的遗传算法优化的预测效果
本次实验,隐含层神经元个数为3,群体规模为N=60,交叉概率为p_c=0.8,变异概率为p_m=0.05,双点交叉,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。
在这里插入图片描述
在这里插入图片描述
本次测试出的每一代的最小误差虽然波动很大,但是可以看出随着迭代次数的增加,最后一代的最小误差有下降的趋势,但是容易陷入局部最优解,可能使由于参数设置的问题。

实验3:测试优劣同时保留的遗传算法优化的预测效果
本次实验,隐含层神经元个数为3,群体规模为N=60,交叉概率为p_c=0.8,变异概率为p_m=0.05,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。
在这里插入图片描述
在这里插入图片描述
本次测试出的每一代的最小误差虽然还是有波动,但是较前两个实验,已经是降低的趋势了,最优误差也是下降的趋势,说明此优化可以帮助算法跳出局部最差解,逼近局部最优解。

实验4:测试大变异值的自适应的遗传算法优化的预测效果
本次实验,隐含层神经元个数为3,群体规模为N=60,交叉概率为p_c=0.8,交叉位置为15L到20L。迭代次数分别设为10次,50次,100次,比较区别。
在这里插入图片描述
在这里插入图片描述
本次测试出的每一代的最小误差波动相较前几个实验,波动十分巨大,但是产生当前最优解的个数是最大的,说明可以帮助算法跳出局部最优解。

实验5:遗传算法不同参数的遗传算法优化的预测效果

可以看出,虽然最终的最终误差相差很小,但是种群个数为100的遗传算法明显要比种群个数为60的遗传算法收敛效果要好,相应的,算法的运行时间也有所增加。

实验6:BP神经网络算法不同参数的预测效果
在这里插入图片描述
可以看出,隐含层神经元个数为3个时,BP神经网络的预测效果更好。


股票预测模型实验结果对比:实验结果选取证综合指数前复权日线数据的总预测曲线。
在这里插入图片描述
在这里插入图片描述图1 普通BP神经网络的预测效果
图1中,绿色线为股票真实值。可以看出,进行4次的普通BP神经网络算法的预测,预测效果十分不稳定。

在这里插入图片描述
图2 优化BP神经网络的预测效果
图2中,绿色线为股票真实值,红色线为带指标变异操作的遗传算法优化后的BP神经网络的预测值,蓝色线为优劣同时保留的遗传算法优化后的BP神经网络的预测值,黑色线为普通遗传算法优化后的BP神经网络的预测值,紫色线为大变异值的自适应的遗传算法优化后的BP神经网络的预测值。可以看出,这四次实验的预测效果比普通BP神经网络算法的预测效果稳定很多,也更为准确。

在这里插入图片描述
在这里插入图片描述图3 优化BP神经网络的预测效果(放大节选)
从图3中,可以看出,预测效果的最好的是优劣同时保留的遗传算法优化后的BP神经网络,其次是带指标变异操作的遗传算法优化后的BP神经网络,然后是普通遗传算法优化后的BP神经网络,最差的是大变异值的自适应的遗传算法优化后的BP神经网络。

针对以上实验,可以得知,在遗传算法的优化下BP神经网络的预测值明显比未优化的普通BP神经网络的预测值更为准确和稳定。更进一步对遗传算法进行优化,优化的关键点在于遗传算法的选择、交叉、变异三大操作,优化后预测的准确度也有了进一步的提升

参考到的资料
https://download.csdn.net/download/u010667861/9617803
[1] 史峰,王辉,郁磊,胡斐. MATLAB智能算法30个案例分析——基于遗传算法的BP神经网络优化算法[M]. 北京航空航天大学出版社,2011:27-37.
[2] 翁苏骏. 遗传算法改进的新思路及其在股市投资中的应用[D]. 厦门:厦门大学,1999.

完整代码下载:

注意,代码下载后仍需自行调试~
有调试能力的人再下载,问关于代码问题的不会回复,应该每个人环境不同,会出现各种问题,需要大家自己解决!!!
积分值为5(如果有变为csdn自行修改)
更新下载地址(抱歉这么久)
https://download.csdn.net/download/zxm_jimin/25625013

本文为原创,转载请注明出处。

  • 52
    点赞
  • 526
    收藏
    觉得还不错? 一键收藏
  • 41
    评论
### 回答1: MATLAB是一种常用的科学计算软件,它拥有丰富的工具箱和函数库,能够方便地进行各种数据分析和建模工作。其中包括了遗传算法和神经网络的功能。 遗传算法是一种模拟自然进化过程的计算方法,通过对一个问题的多个解进行评估、选择和变异,最终找到一个较优解。而BP神经网络是一种常用的人工神经网络,具有多层连接的结构,能够通过反向传播算法进行学习和训练。 在MATLAB中,我们可以结合遗传算法BP神经网络,建立多输入多输出的预测模型。首先,我们需要定义一个适应度函数,用来衡量神经网络的性能。适应度函数可以根据预测误差、分类准确率等指标来评估模型的优劣。 然后,我们使用遗传算法来搜索神经网络的参数空间,通过变异、交叉和选择等操作来生成新的神经网络模型。在每一代的进化过程中,根据适应度函数对模型进行评估和选择,优秀的模型可以得到更高的生存概率,从而在下一代中继续进化。 最后,我们可以使用优化得到的神经网络模型进行预测。将原始输入数据输入到优化后的神经网络中,即可得到多输出的预测结果。 综上所述,MATLAB可以通过遗传算法优化BP神经网络的多输入多输出预测模型。这种方法能够利用遗传算法的优势,全局搜索参数空间,找到更优的神经网络模型,从而提高预测的准确性和性能。 ### 回答2: MATLAB可以通过遗传算法来优化BP神经网络的多输入多输出预测模型。首先,我们需要定义神经网络的架构,包括输入层、隐藏层和输出层的节点数。然后,我们可以利用BP神经网络模型进行训练,通过调整权重和偏置值来最小化预测误差。在训练过程中,我们可以使用遗传算法来优化BP神经网络的参数。 遗传算法是一种模拟自然选择和遗传机制的优化方法。它模拟了生物进化的过程,通过选择、交叉和变异等操作来搜索最优解。在优化BP神经网络中,遗传算法可以搜索最佳的权重和偏置值组合,以提高预测模型的准确性和性能。 具体而言,遗传算法通过以下步骤来优化BP神经网络的参数。首先,我们需要定义适应度函数,用于评估每个个体的适应度。适应度函数可以使用预测误差或其他性能指标来衡量个体的质量。然后,我们初始化一个种群,其中每个个体都代表了一组权重和偏置值。接下来,通过选择操作,我们选择适应度最高的个体作为父代,并通过交叉和变异操作生成新的个体。交叉操作将两个父代的基因组合成新的个体,而变异操作则对个体的基因进行随机的变化。通过多代进化,种群的适应度将逐渐提高。最终,我们可以选择适应度最高的个体作为优化后的权重和偏置值组合,用于多输入多输出预测模型的训练和预测。 通过基于遗传算法优化BP神经网络的预测模型,我们可以提高预测的准确性和鲁棒性。同时,遗传算法还提供了一种自动寻找最优参数组合的方法,减少了手动调整参数的工作量。因此,MATLAB的基于遗传算法优化BP神经网络的多输入多输出预测模型是一种高效且可行的方法。 ### 回答3: 基于遗传算法优化BP神经网络多输入多输出预测模型是一种结合遗传算法和神经网络的优化方法。遗传算法是一种模拟自然界遗传和进化过程的优化算法,通过不断迭代和进化来寻找最优解,而BP神经网络是一种基于误差反向传播算法的人工神经网络,可以用于数据的预测和分类。 首先,需要确定BP神经网络的结构,包括输入层、隐藏层和输出层的神经元节点数。然后,利用遗传算法初始化BP神经网络的权值和阈值,并设置适应度函数,用于评估每个个体的适应度。适应度函数可以选取预测误差、均方根误差等指标作为衡量标准。 接下来,通过遗传算法的选择、交叉和变异操作,对神经网络的权值和阈值进行优化。选择操作使得适应度高的个体更有可能被选中,交叉操作将两个个体的染色体进行交叉组合,变异操作对某些个体的染色体进行随机变异。 在每一代的遗传算法迭代中,根据适应度函数的评估结果,选择适应度较高的个体进行交叉和变异操作,不断迭代优化权值和阈值,直到达到预先设定的停止迭代条件。 最后,根据优化后的BP神经网络模型,可以进行多输入多输出的数据预测。将新的输入数据输入神经网络,经过前向传播计算得到输出结果。根据输出结果和实际值之间的误差,可以进一步优化和调整神经网络的参数,提高预测模型的准确性。 综上所述,基于遗传算法优化BP神经网络多输入多输出预测模型可以通过不断的优化权值和阈值,提高神经网络的泛化能力和预测准确性,适用于多输入多输出的预测问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 41
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值