摘 要

股市反映了一个国家的经济运行情况，在国民经济体系中扮演着重要的角色。对股市趋势的有效预测不仅可以帮助政府做出更好的金融策略，也能帮助投资者减小风险、获取更高收益。

传统股市预测的理论和方法，主要分为技术分析、基本分析和演化分析。随着人工智能兴起，智能算法被广泛应用于各个领域。本文用三种不同的智能算法对股市进行建模并得到以下模型：遗传算法优化的BP神经网络模型、粒子群算法优化的BP神经网络模型以及RBF神经网络模型。论文以2014-2018年的道琼斯工业指数和上证综指等不同股指正常交易日的收盘价作为实验数据，比较了智能算法在综指与个股以及股市震荡期与缓和期下的预测效果。实验结果表明，智能算法对综指的预测效果好于个股。当训练样本集包含股市震荡期的数据时智能算法预测效果较好；当训练样本集只包含股市平缓期的数据时智能算法的预测效果较差。论文还对遗传算法的交叉策略进行改进，使得算法收敛速度加快。

关键词：股市预测 智能算法 神经网络 遗传算法 粒子群算法 径向基

Experimental Research on Intelligent Stock Market Analysis and Forecasting Model

Abstract

The stock market reflects the economic operation of a country and plays an important role in the national economic system. Effective prediction of stock market trend can not only help the government to make better financial strategy, but also help investors reduce risks and obtain higher returns.

Traditional stock market forecasting theories and methods are mainly divided into technical analysis, basic analysis and evolutionary analysis. With the rise of artificial intelligence, intelligent algorithms have been widely applied in various fields. In this paper, three different intelligent algorithms are used to model the stock market and get the following models: the BP neural network model optimized by genetic algorithm, the BP neural network model optimized by particle swarm optimization and the RBF neural network model. With the closing price of the normal trading days of the Dow Jones industrial index and the Shanghai Composite Index for 2014-2018 years, the paper compares the prediction effect of the intelligent algorithm in the comprehensive index and stock, the stock market concussion and the moderating period. The experimental results show that the prediction result of intelligent algorithm is better than that of individual stock. When the training sample set contains the data of the stock market shock period, the intelligent algorithm has a better prediction effect; when the training sample set only contains the data of the slow period of the stock market, the prediction effect of the intelligent algorithm is poor. The paper also improves the crossover strategy of genetic algorithm, which accelerates the convergence speed of the algorithm.

Key Words: Stock Prediction; Intelligent Algorithm; Neural Network; Genetic Algorithm; Particle Swarm Optimization; Radial Basis Function

目 录

摘 要 Ⅰ

Abstract Ⅱ

第一章 绪论 1

1.1研究背景与意义 1

1.2研究方法与技术路线 1

1.3研究工具与平台 2

第二章 股票预测理论与方法 3

2.1股票预测理论基础 3

2.1.1股票市场 3

2.1.2股票预测难点 3

2.2传统股票预测方法 4

2.2.1技术分析 4

2.2.2基本分析 5

2.2.3演化分析 5

2.3智能算法预测股市 6

2.3.1国内研究现状 6

2.3.2国外研究现状 7

第三章 智能算法及其优化 9

3.1 BP神经网络 9

3.1.1 BP神经网络概述 9

3.1.2 BP神经网络应用于股票市场模型 10

3.1.3 Matlab实现 13

3.2遗传算法优化的BP神经网络（GA-BP） 13

3.2.1遗传算法概述 13

3.2.2遗传算法应用于股票市场模型 16

3.2.3 Matlab实现 20

3.3粒子群算法优化的BP神经网络（PSO-BP） 21

3.3.1粒子群算法概述 21

3.3.2粒子群算法应用于股票市场模型 23

3.3.3 Matlab实现 24

3.4 RBF神经网络 25

3.4.1 RBF神经网络概述 25

3.4.2 RBF神经网络应用于股票市场模型 26

3.4.3 Matlab实现 27

第四章 实验仿真与结果分析 28

4.1数据处理与评价指标 28

4.1.1数据处理 28

4.1.2评价指标 29

4.2综合指数与个股的预测比较 30

4.3股市震荡期与平缓期的预测比较 31

4.4智能算法之间的横向预测比较 33

第五章 总结与展望 36

参考文献 37

致谢 39

第一章 绪论

1.1研究背景与意义

股票的市场价格走势不仅影响和反映一个国家和地区的宏观经济政策，还直接影响到投资者对当前市场行情的判断、交易策略和经济效益，因而普遍受到人们的关注。股票价格走势的数学模型是股票价格指数，从股票价格指数的波动可以判断出股价的变动趋势。自从股票市场成立以来，针对股票指数的股市预测理论层出不穷。1895年，查尔斯·道创立了“道琼斯工业指数”，并基于一些假设提出了股市趋势的变化理论，威廉姆·皮特等人又在其理论基础上加以总结，最终形成道氏理论。道氏理论开创了股票预测的先河，但由于反应太迟，受到不少争议。在道氏理论的基础上，又衍生出了一些其他的预测方法，如江恩理论、波浪理论、螺旋历法等，这些都属于技术分析流派。股票的价格走势受到多重因素的影响，因此有人开始考虑国家宏观政策、上市公司基本面等因素，由此发展出基本面分析法。基本面分析更多地关注上市公司本身的价值，而较少关注短期内公司股票的价格波动，这可以看作是价值投资学说的根源。基本面分析在长期投资中应用较为广泛，适合于成熟的股票市场。近年来，有中国学者受到达尔文生物进化论的启发，将生物界的演化模型应用到股票市场的预测，演化分析学说由此形成。演化分析学说假定股票市场是一个复杂而动态平衡的巨型生态系统，因而遵循自然界的演化规律，因此可以用生物界现有的理论解释和分析股票市场的演变从而对市场进行预测。

随着科学技术的发展，计算机巨大的计算能力为股票预测提供了新的方法和思路。尤其是人工神经网络的发明，使非线性函数的模拟与预测精度有了很大的提升，而研究表明股市正是一个复杂、非线性的混沌模型，因此近年来国内外大量研究者开始使用神经网络对股市进行分析建模和预测。但是单一的人工神经网络存在许多问题，如易陷入局部最优、过拟合、收敛时间长等，因此需要智能算法优化。

相关图片展示：