👳 🙆🏽 🖖🏾 基于神经网络的股票市场预测 👲🏻 👨‍💻 👍

在现代世界中，人们对金融市场的定性预测越来越感兴趣。这是由于高科技的飞速发展，以及随之而来的新数据分析工具的出现。但是，大多数市场参与者习惯使用的技术分析是无效的。基于指数移动平均线，震荡指标和其他指标的预测没有给出明显的结果，因为经济通常是非理性的，因为它是由人们非理性的动机驱动的。

近年来，所谓的人工神经网络已引起金融分析师的极大兴趣-这些生物模型是数学模型以及其软件或硬件实现，它们建立在生物神经网络的组织和功能原理之上-活生物体的神经细胞网络。当研究思维过程中大脑中发生的过程以及尝试模拟这些过程时，就产生了这个概念。随后，通常将这些模型用于实际目的以预测问题。神经网络不是按照通常的含义编程的，而是经过训练的。与传统算法相比，学习能力是神经网络的主要优势之一。从技术上讲，训练在于找到神经元之间的连接系数。在学习过程中，神经网络能够识别输入和输出之间的复杂关系，并进行概括。神经网络直接进行预测的能力源于其泛化和突出显示输入和输出数据之间隐藏关系的能力。训练后，网络能够基于多个先前值和/或一些当前存在的因素来预测某个序列的未来值。应该注意的是，只有在当以前的变化在某种程度上真正决定了未来的变化时。例如，根据过去一周的报价预测股票报价可能会成功，而根据过去50年的数据预测明天的彩票结果几乎肯定不会产生任何结果。

让我们在实践中考虑使用神经网络的预测方法的应用。例如，以MICEX索引数据从01.10.2008到04.03.2009。任务是基于提供的统计信息，有必要进行10天的预测。从图表（图1）可以看出，从01.10.08到10.28.08，MICEX指数“下跌”了约534点。然后增加到最高分871点。此外，一段时间以来，市场处于横向趋势，然后概述了上升趋势。在此示例中，我们将为一个变量建立预测（其他变量相似），但是为了选择最有助于预测其他变量的四个变量之一，我们将建立相关矩阵。

因此，在建立了成对相关性矩阵（表1）之后，我们得出结论，LOW变量与其他变量之间的相关性最强。让我们看一下这个变量的预测。

尽管不存在或存在任何周期性或周期性，但是基本上非线性的神经网络允许以任意程度的精度近似任意连续函数。由于时间序列是一个连续函数（实际上，我们仅在有限数量的点上知道此函数的值，但是可以很容易地在整个考虑的时间段内连续连续地进行），因此使用神经网络是合理且正确的。

我们将在STATISTICA软件包中构建一千个各种配置的神经网络，对其进行训练，然后选择十个最佳。

作为确定网络构建过程的结果，我们获得了以下结果：所选网络具有不同的配置（表2）。

训练的结果是，发现了一个神经网络，它与模型7（图2）相对应，具有良好的性能（回归比：0.253628，误差：0.003302）。不难发现，采用径向基函数（RBF）架构的网络的性能平均要比采用多层感知器架构的网络的性能差。这主要是由于具有RBF架构的网络无法很好地推断数据（这是由于隐藏结构元素的饱和）。为了评估模型7的可能性，我们构建了频率的直方图（图3）。与其他模型相比，此直方图最对称。这证实了有关残基正常性的标准假设。因此，模型7最适合此时间序列。

我们进行了预测以预测时间序列。结果，我们有了一个预测（图4，表3）。从图中可以看出，神经网络可以正确预测趋势的方向。但是，从这种分析方法要求更准确的数据，尤其是在全球经济危机期间，至少是不正确的。

不出所料，神经网络取得了很好的结果。这很大程度上是由于该系列结构的复杂性和非线性所致，而经典方法的设计目的是将其应用于具有更明显和明显结构定律的系列。但是，即使神经网络具有所有可见的积极特性，您也不应将它们视为一种“灵丹妙药”。首先，神经网络是一个“黑匣子”，它不允许显式确定系列成员之间的依存关系类型。因此，可以“教”特定的神经网络以仅针对严格固定数量的前进步骤进行预测（我们在该网络的规范中指出），因此，对任务类型有很强的依赖性。其次，在存在明确的线性的情况下，问题中的结构简单，与传统方法相比，神经网络的泛化能力较弱。实质上，这是由网络的非线性造成的。

在一般情况下，为了获得最佳结果，有必要使用神经网络，再加上有效的资金管理策略。

二手文献清单：

1. E.A. Vukolov。统计分析的基础。论坛出版社，莫斯科
2008
2. V.博罗夫尼科夫。STATISTICA：计算机数据分析的艺术。2003年
3. Nedosekin A.O. 股票投资的模糊多重风险分析。埃德
芝麻，2002年
以前，该文章发表在2009年伏尔加格勒州立技术大学第三届区域科学会议的材料中（第3卷）。

基于神经网络的股票市场预测

More articles: