基于Bp神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)

11基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)【摘要】:股票分析和預(yù)測(cè)是一個(gè)復(fù)雜的研究領(lǐng)域，本論文將股票技術(shù)分析理論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，針對(duì)股票市場(chǎng)這一非線性系統(tǒng)，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)，研究基于歷史數(shù)據(jù)分析的股票預(yù)測(cè)模型，同時(shí)，對(duì)單只股票短期收盤價(jià)格的預(yù)測(cè)進(jìn)行深入的理論分析和實(shí)證研究。本文探討了BP神經(jīng)網(wǎng)絡(luò)的模型與結(jié)構(gòu)、BP算法的學(xué)習(xí)規(guī)那么、權(quán)值和閾值等，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的股票短期預(yù)測(cè)模型，研究了神經(jīng)網(wǎng)絡(luò)的模式、泛化能力等問題。并且，利用搭建起的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，采用多輸入單輸出、單隱含層的系統(tǒng)，用前五天的價(jià)格來預(yù)測(cè)第六天的價(jià)格。對(duì)于網(wǎng)絡(luò)的訓(xùn)練，選用學(xué)習(xí)率可變的動(dòng)量BP算法，同時(shí)，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了隱含層節(jié)點(diǎn)的優(yōu)化，屢次嘗試，確定最為合理、可行的隱含層節(jié)點(diǎn)數(shù)，從而有效地解決了神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的選取問題?！綼bstract]Stockanalysisandforecastingisacomplexfieldofstudy.Thepaperwillmakeresearchonstockpredictionmodelbasedontheanalysisofhistoricaldata,usingBPneuralnetworkandtechnicalanalysistheory.Atthesametime,makingin-depththeoreticalanalysisandempiricalstudiesontheshort-termclosingpriceforecastsofsinglestock.Secondly,makingresearchonthemodelandstructureofBPneuralnetwork,learningrules,weightsofBPalgorithmandsoon,buildingastockshort-termforecastingmodelbasedontheBPneuralnetwork,relatedwiththemodelofneuralnetworkandtheabilityofgeneralization.Moreover,usingsystemofmultiple-inputsingle-outputandsinglehiddenlayer,toforecastthesixthdaypricebyBPneuralnetworkforecastingmodelstructured.ThenetworkoftrainingischosenBPalgorithmoftraingdx,whilemakingoptimizationonthenodenumbersofthehiddenlayerbyseveralattempts.Therebyresolveeffectivelytheproblemofit.【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)股票預(yù)測(cè)分析1．引言股票市場(chǎng)是一個(gè)不穩(wěn)定的非線性動(dòng)態(tài)變化的復(fù)雜系統(tǒng)，股價(jià)的變動(dòng)受眾多因素的影響。影響股價(jià)的因素可簡(jiǎn)單地分為兩類，一類是公司根本面的因素，另一類是股票技術(shù)面的因素，雖然股票的價(jià)值是公司未來現(xiàn)金流的折現(xiàn)，由公司的根本面所決定，但是由于公司根本面的數(shù)據(jù)更新時(shí)間慢，且很多時(shí)候并不能客觀反映公司的實(shí)際狀況，采用適當(dāng)數(shù)學(xué)模型就能在一定程度上實(shí)現(xiàn)對(duì)股價(jià)的預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從而具有一定的預(yù)測(cè)功能的數(shù)學(xué)模型，由于其具有很強(qiáng)的自學(xué)習(xí)能力自適應(yīng)能力以及容錯(cuò)能力等優(yōu)點(diǎn)，使它成為一種比擬適合股票預(yù)測(cè)的方法。本文就采用此方法對(duì)股價(jià)趨勢(shì)進(jìn)行了分析。MATLAB所搭配的NeuralcNetworkToolbox,將神經(jīng)網(wǎng)絡(luò)領(lǐng)域研究的成果完整地覆蓋，它以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB語言構(gòu)造出典型神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。另外，根據(jù)各種典型的修正網(wǎng)絡(luò)權(quán)值的規(guī)那么，加上網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，網(wǎng)絡(luò)的設(shè)計(jì)者那么可以根據(jù)需要去調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練程序，使自己能夠從繁瑣的編程中解脫出來，集中精力去思考問題和解決問題，從而提高解題效率。BP神經(jīng)網(wǎng)絡(luò)算法、特點(diǎn)2.1BP神經(jīng)網(wǎng)絡(luò)算法BP網(wǎng)絡(luò)的產(chǎn)生歸功于BP算法的獲得。BP算法屬于δ算法，是一種有監(jiān)督式的學(xué)習(xí)算法。其主要思想為：對(duì)于q個(gè)輸入學(xué)習(xí)樣本P1，P2……Pq，與其對(duì)應(yīng)的輸出樣本為：T1，T2……Tq。學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出A1，A2……Aq與目標(biāo)矢量T1，T2……Tq之間的誤差來修改其權(quán)值，使Ai(i=1，2……q)與期望的T盡可能地接近，即使網(wǎng)絡(luò)輸出層的誤差平方和到達(dá)最小。它是通過連續(xù)不斷地在相對(duì)于誤差函數(shù)斜率下降的方向上，計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化而逐漸逼近目標(biāo)的。每一次權(quán)值和偏差的變化都與網(wǎng)絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層的。BP算法由兩局部組成，分別為信息的正向傳遞與誤差的反向傳播。在正向傳播過程中，輸入信息從輸入經(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)，如果在輸出層沒有得到期望的輸出，那么計(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播；通過網(wǎng)絡(luò)將誤差信號(hào)沿原來的連接通路反傳回來，修改各層神經(jīng)元的權(quán)值，直至到達(dá)期望目標(biāo)，誤差信號(hào)趨向最小。其具體的實(shí)現(xiàn)步驟如下圖。2.2BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)中的適用性基于神經(jīng)網(wǎng)絡(luò)本身的特點(diǎn)與優(yōu)越性，本文選擇BP神經(jīng)網(wǎng)絡(luò)用于股票預(yù)測(cè)應(yīng)用研究。第一，具有自學(xué)習(xí)功能。自學(xué)習(xí)功能對(duì)于模型預(yù)測(cè)有特別重要的意義。未來的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)將提供經(jīng)濟(jì)預(yù)測(cè)、市場(chǎng)預(yù)測(cè)、信用預(yù)測(cè)，其應(yīng)用前途是很遠(yuǎn)大的。第二，容錯(cuò)能力強(qiáng)。網(wǎng)絡(luò)中少量單元的局部缺損不會(huì)造成網(wǎng)絡(luò)的癱瘓，也不會(huì)影響全局，它反映了神經(jīng)網(wǎng)絡(luò)的魯棒性。神經(jīng)網(wǎng)絡(luò)帶有高度并行處理信息的機(jī)制且具有高速的自學(xué)習(xí)、自適應(yīng)能力，內(nèi)部所包含的大量可調(diào)參數(shù)使得系統(tǒng)的靈活性更強(qiáng)。因此，神經(jīng)網(wǎng)絡(luò)很好的魯棒性可以提高股票預(yù)測(cè)模型的適應(yīng)性與通用性。第三，具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問題的優(yōu)化解，往往需要很大的計(jì)算量，一個(gè)針對(duì)某問題而設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)，可以發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，能很快找到優(yōu)化解。這對(duì)提高模型的運(yùn)算效率很有幫助。第四，可以充分逼近任意復(fù)雜的非線性關(guān)系。股票分析中的各個(gè)指標(biāo)之間的關(guān)系并不十清楚確，大多為非線性的。而神經(jīng)網(wǎng)絡(luò)能夠逼近任意復(fù)雜的非線性關(guān)系，這就決定了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度比其他的預(yù)測(cè)方法要高。而對(duì)股票預(yù)測(cè)來講，預(yù)測(cè)精度無疑是非常重要的問題。第五，具有在新環(huán)境下的泛化能力，能不斷接受新樣本、新經(jīng)驗(yàn)并不斷調(diào)整模型，自適應(yīng)能力強(qiáng)，具有動(dòng)態(tài)特性。由于股票分析具有分行業(yè)、分階段的特點(diǎn)，其評(píng)估結(jié)果的不確定性非常大。這就意味著需要針對(duì)不同的股票設(shè)立相應(yīng)的預(yù)測(cè)模型，神經(jīng)網(wǎng)絡(luò)的這一特性正好滿足這樣的需求。然而BP神經(jīng)網(wǎng)絡(luò)也不是沒有缺點(diǎn)。一是其工作的隨機(jī)性較強(qiáng)，即使是同樣的訓(xùn)練樣本，相同的網(wǎng)絡(luò)參數(shù)，屢次運(yùn)行生成的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果也有差異。因此要得到一個(gè)較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，需要人為地去調(diào)試，非常消耗人力與時(shí)間，因此應(yīng)用受到了限制。二是BP算法本身存在一定的缺陷。2.3BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的方法建立BP神經(jīng)網(wǎng)絡(luò)模型的具體步驟：首先要分析問題的性質(zhì)及核心，然后有針對(duì)性地建立網(wǎng)絡(luò)模型，最后通過網(wǎng)絡(luò)預(yù)測(cè)分析，調(diào)整參數(shù)，優(yōu)化網(wǎng)絡(luò)模型。具體過程如下圖：股票預(yù)測(cè)BP網(wǎng)絡(luò)模型的建立3.1數(shù)據(jù)的采集和預(yù)處理本文選擇了中國(guó)銀行〔601988〕2021/11/1-2021/5/15的收盤價(jià)和中國(guó)汽研〔601965〕2021/4/1-2021/5/12的收盤價(jià)作數(shù)據(jù)采集。根據(jù)模型建立的需要，BP神經(jīng)網(wǎng)絡(luò)要求樣本集合理區(qū)間為[0，1]或[-1，1]，所以要對(duì)樣本集進(jìn)行歸一化處理。歸一化公式為：Matlab中歸一化處理數(shù)據(jù)可以采用premnmx，postmnmx，tramnmx這3個(gè)函數(shù)。本文用了premnmx歸一化函數(shù)和postmnmx反歸一化函數(shù)。premnmx語法：[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)參數(shù)：pn：p矩陣按行歸一化后的矩陣minp，maxp：p矩陣每一行的最小值，最大值tn：t矩陣按行歸一化后的矩陣mint，maxt：t矩陣每一行的最小值，最大值作用：將矩陣p，t歸一化到[-1,1]，主要用于歸一化處理訓(xùn)練數(shù)據(jù)集。postmnmx語法：[p,t]=postmnmx(pn,minp,maxp,tn,mint,maxt)參數(shù)：minp，maxp：premnmx函數(shù)計(jì)算的p矩陣每行的最小、最大值mint，maxt：premnmx函數(shù)計(jì)算的t矩陣每行的最小值，最大值作用：將矩陣pn，tn映射回歸一化處理前的范圍。postmnmx函數(shù)主要用于將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果映射回歸一化前的數(shù)據(jù)范圍。3.2訓(xùn)練網(wǎng)絡(luò)的設(shè)計(jì)在有合理的結(jié)構(gòu)和恰當(dāng)?shù)臋?quán)值條件下，三層前饋網(wǎng)絡(luò)可以逼近任意的連續(xù)函數(shù)，這樣，就提供了一個(gè)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的根本原那么。較少的隱含層，可以實(shí)現(xiàn)樣本空間的超平面劃分，選擇兩層BP網(wǎng)絡(luò)就可以實(shí)現(xiàn)有效的預(yù)測(cè)了。本文將采用單隱含層的網(wǎng)絡(luò)設(shè)計(jì)，分為單隱含層和輸出層兩個(gè)網(wǎng)絡(luò)層次，如下圖。本文將連續(xù)五天的價(jià)格作為一組輸入，將第六天的價(jià)格作為輸出目標(biāo)。既用前五天的價(jià)格來預(yù)測(cè)第六天的價(jià)格。所以輸入層神經(jīng)元數(shù)目是5。輸出層的節(jié)點(diǎn)數(shù)取決于兩個(gè)方面：輸出數(shù)據(jù)類型和表示該類型所需的數(shù)據(jù)大小；同時(shí)，根據(jù)經(jīng)典的道氏理論，股票價(jià)量分析中最重要的指標(biāo)就是收盤價(jià)。本文所建的股票預(yù)測(cè)模型，就是針對(duì)單只股票的走勢(shì)進(jìn)行預(yù)測(cè)，所以，將股票的收盤價(jià)作為該預(yù)測(cè)模型的唯一輸出向量，這樣，網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)目即為1。BP網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的多少和BP網(wǎng)絡(luò)預(yù)測(cè)精度之間有很大相關(guān)性，節(jié)點(diǎn)數(shù)太少，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練能力就會(huì)變?nèi)?，無法完成精確預(yù)測(cè)。節(jié)點(diǎn)數(shù)太多，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間變長(zhǎng)且網(wǎng)絡(luò)可能出現(xiàn)過度擬合現(xiàn)象。所以選擇適宜的節(jié)點(diǎn)數(shù)才能使BP網(wǎng)絡(luò)的性能得到最大發(fā)揮，但目前還沒有統(tǒng)一的標(biāo)準(zhǔn)來確定隱含層的節(jié)點(diǎn)數(shù)，所以本文經(jīng)過屢次試驗(yàn)屢次比擬最終確定了隱含層節(jié)點(diǎn)數(shù)為12。傳遞函數(shù)是BP網(wǎng)絡(luò)的重要組成局部，必須是連續(xù)可微的；BP網(wǎng)絡(luò)通常采用S型的對(duì)數(shù)或正切函數(shù)。本預(yù)測(cè)模型采集到的原始數(shù)據(jù)，經(jīng)過歸一化處理后輸入、輸出向量均在區(qū)間[-1,1]范圍內(nèi)，符合S型的對(duì)數(shù)或正切函數(shù)的取值區(qū)間。因此，隱含層傳遞函數(shù)選擇tansig，輸出層傳遞函數(shù)選擇purelin，訓(xùn)練函數(shù)采用traingdm。訓(xùn)練參數(shù)設(shè)為：net_1.trainParam.show=50;限時(shí)訓(xùn)練迭代過程net_1.trainParam.lr=0.05;學(xué)習(xí)率net_1.trainParam.mc=0.9;附加動(dòng)量因子net_1.trainParam.epochs=20210;最大訓(xùn)練次數(shù)net_1.trainParam.goal=1e-3;訓(xùn)練要求精度訓(xùn)練過程如圖：關(guān)于性能函數(shù)的設(shè)計(jì)，本文采用典型的前項(xiàng)反應(yīng)網(wǎng)絡(luò)誤差性能函數(shù)為均方誤差函數(shù)mse：股票預(yù)測(cè)分析在MATLABr2021a中用函數(shù)xlsread導(dǎo)入已經(jīng)下載好的中國(guó)銀行〔601988〕2021/11/1-2021/5/15的收盤價(jià)作為輸入樣本，進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果：圖中紅色線為預(yù)測(cè)曲線，藍(lán)色線為實(shí)際曲線，可以看出模擬出的曲線大致上與實(shí)際曲線相同，但有些地方明顯誤差偏大，很可能是由于訓(xùn)練樣本的數(shù)目過少和訓(xùn)練次數(shù)不夠而導(dǎo)致。此圖為實(shí)際值與預(yù)測(cè)值的誤差曲線，可以明顯看出誤差確實(shí)比擬大，所以此圖預(yù)測(cè)結(jié)果不盡人意。誤差訓(xùn)練情況：梯度：回歸曲線：股票分析：方法一：移動(dòng)平均線與BP曲線相結(jié)合從上圖可以看出，五日平均線從上而下穿過下降趨勢(shì)的十日線，二十日線和六十日線，說明標(biāo)號(hào)1這個(gè)點(diǎn)在這個(gè)時(shí)候支撐線被向下突破，此時(shí)為死亡交叉點(diǎn)，表示股價(jià)短期將繼續(xù)下落，十日線向下突破二十日線，說明中期內(nèi)也將繼續(xù)下跌，二十日線也向下突破六十日線，長(zhǎng)期內(nèi)也將下降，行情看跌，死亡交叉預(yù)示著空頭市場(chǎng)來臨，而實(shí)際曲線也驗(yàn)證了預(yù)測(cè)結(jié)果。標(biāo)號(hào)二為上升中的五日線由下而上穿過上升的十日線，形成黃金交叉，這個(gè)時(shí)候壓力線被向上突破，表示股價(jià)短期內(nèi)將繼續(xù)上漲，行情看好，而實(shí)際曲線也驗(yàn)證了預(yù)測(cè)，同時(shí)十日線向上突破上升趨勢(shì)的二十日線，說明中期內(nèi)該股將會(huì)呈上升趨勢(shì)。標(biāo)號(hào)三為下降趨勢(shì)的五日線向下跌破十日線，說明短期內(nèi)該股會(huì)下降，而旁邊下降趨勢(shì)十日線也向下跌破了二十日線，說明中期內(nèi)該股呈下降趨勢(shì)。標(biāo)號(hào)四為上升趨勢(shì)的五日線向上突破十日線，說明短期內(nèi)該股會(huì)上升，上升趨勢(shì)的十日線也向上突破二十日線，說明該股中期內(nèi)也將呈上升趨勢(shì)，向上趨勢(shì)的二十日線也向上突破六十日線，形成黃金交叉，說明長(zhǎng)期內(nèi)該股呈上升趨勢(shì)，結(jié)合BP曲線對(duì)下一日的預(yù)測(cè)，可以提高投資決策的準(zhǔn)確性。標(biāo)號(hào)五為下降趨勢(shì)的五日線突破了十日線，說明短期內(nèi)該股會(huì)有下降趨勢(shì)。標(biāo)號(hào)六為上升趨勢(shì)的五日線向上突破十日線，說明短期內(nèi)該股將呈上升趨勢(shì)。方法二：指數(shù)平滑異同平均線〔MACD〕分析法：MACD稱為指數(shù)平滑異同平均線，是從雙移動(dòng)平均線開展而來的，由快的移動(dòng)平均線減去慢的移動(dòng)平均線，MACD的意義和雙移動(dòng)平均線根本相同，但閱讀起來更方便。當(dāng)MACD從負(fù)數(shù)轉(zhuǎn)向正數(shù)，是買的信號(hào)。當(dāng)MACD從正數(shù)轉(zhuǎn)向負(fù)數(shù)，是賣的信號(hào)。當(dāng)MACD以大角度變化，表示快的移動(dòng)平均線和慢的移動(dòng)平均線的差距非常迅速的拉開，代表了一個(gè)市場(chǎng)大趨勢(shì)的轉(zhuǎn)變。MACD線從正數(shù)轉(zhuǎn)向負(fù)數(shù)時(shí)，股票即將有下降趨勢(shì)，是賣出的信號(hào)，從負(fù)數(shù)轉(zhuǎn)向正數(shù)的時(shí)候，股票有即將有上升的趨勢(shì)，是買入的信號(hào)。綜合所述，本次股票預(yù)測(cè)還算是成功，預(yù)測(cè)結(jié)果往往令人滿意。MATLAB程序：clc;clear;closeall;P=xlsread('中國(guó)銀行2');T=xlsread('中國(guó)銀行T2');Hn=xlsread('中國(guó)銀行H2n');K=xlsread('中國(guó)銀行五日線');L=xlsread('中國(guó)銀行十日線');M=xlsread('中國(guó)銀行二十日線');N=xlsread('中國(guó)銀行六十日線');[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)net_1=newff(minmax(Pn),[12,1],{'tansig','purelin'},'traingdm')%當(dāng)前輸入層權(quán)值和閾值inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}%設(shè)置訓(xùn)練參數(shù)net_1.trainParam.show=50;net_1.trainParam.lr=0.05;net_1.trainParam.mc=0.9;net_1.trainParam.epochs=100000;net_1.trainParam.goal=1e-3;%調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)[net_1,tr]=train(net_1,Pn,Tn);%對(duì)BP網(wǎng)絡(luò)進(jìn)行仿真A=sim(net_1,Hn);%計(jì)算仿真誤差E=Tn-A;MSE=mse(E);[A1,T1]=postmnmx(A,min(min(P)),max(max(P)),Tn,mint,maxt)x=1:129;x1=1:131plot(x,A1,'r');holdonplot(x,T1,'b');holdonplot(x1,K,'w');holdonplot(x1,L,'y');holdonplot(x1,M,'m');holdonplot(x1,N,'c');title('中國(guó)銀行2021/11/1-2021/5/15');legend('預(yù)測(cè)','實(shí)際','五日線','十日線','二十日線','六十日線',1);figure(2)plot(x,E,'r')4.2中國(guó)汽研預(yù)測(cè)分析;在MATLABr2021a中用函數(shù)xlsread導(dǎo)入已經(jīng)下載好的中國(guó)汽研〔601965〕2021/4/1-2021/5/12的收盤價(jià)作為輸入樣本，進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)結(jié)構(gòu)：BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果：圖中紅色曲線為預(yù)測(cè)曲線，藍(lán)色曲線為實(shí)際曲線，從圖可以看出，BP曲線近似的模擬出真實(shí)曲線，較之前中國(guó)銀行的預(yù)測(cè)效果要好，主要原因是中國(guó)汽研的訓(xùn)練樣本數(shù)目提升到256組，并且訓(xùn)練了十萬次，誤差到了0.006。誤差訓(xùn)練情況：梯度：回歸曲線：股票分析：方法一：移動(dòng)平均線與BP曲線相結(jié)合從標(biāo)號(hào)一可以看出，下降趨勢(shì)的五日線突破了下降趨勢(shì)的十日線，說明短期內(nèi)該股票將下跌，下降趨勢(shì)的十日線也同樣突破下降趨勢(shì)的二十日線，說明該股中期內(nèi)也將下降，投資者此時(shí)應(yīng)謹(jǐn)慎。標(biāo)號(hào)一和標(biāo)號(hào)二之間連續(xù)出現(xiàn)幾個(gè)死亡交叉點(diǎn)，并且BP曲線出現(xiàn)波動(dòng)，此時(shí)投資者應(yīng)該慎重考慮，切勿急功近利。標(biāo)號(hào)二說明上升趨勢(shì)的五日線向上突破十日線，說明短期內(nèi)該股將上漲，同時(shí)上升趨勢(shì)的十日線也向上突破上升趨勢(shì)的二十日線，說明中期內(nèi)該股也呈上升趨勢(shì)。標(biāo)號(hào)三可以看出，上升趨勢(shì)的五日線向上穿過上升趨勢(shì)的十日線，所以該股短期內(nèi)將會(huì)上升，同樣的上升趨勢(shì)的十日線向上穿過上升趨勢(shì)的二十日線，說明該股在中期內(nèi)也將會(huì)上升。標(biāo)號(hào)四可以看出，下降趨勢(shì)的五日線向下穿過下降趨勢(shì)的十日線，說明短期內(nèi)該股將會(huì)上升，但是標(biāo)號(hào)四與標(biāo)號(hào)五之間連續(xù)出現(xiàn)幾個(gè)死亡交叉點(diǎn)，并且BP曲線出現(xiàn)波動(dòng)，此時(shí)投資者應(yīng)該慎重考慮，切勿急功近利。標(biāo)號(hào)五為下降趨勢(shì)的五日線，二十日線，分別向下穿過下降趨勢(shì)的十日線，六十日線，說明該股短期內(nèi)，長(zhǎng)期內(nèi)將會(huì)下降，實(shí)際與預(yù)測(cè)的結(jié)果大致相同。方法二：指數(shù)平滑異同平均線〔MACD〕分析法：MACD稱為指數(shù)平滑異同平均線，是從雙移動(dòng)平均線開展而來的，由快的移動(dòng)平均線減去慢的移動(dòng)平均線，MACD的意義和雙移動(dòng)平均線根本相同，但閱讀起來更方便。當(dāng)MACD從負(fù)數(shù)轉(zhuǎn)向正數(shù)，是買的信號(hào)。當(dāng)MACD從正數(shù)轉(zhuǎn)向負(fù)數(shù)，是賣的信號(hào)。當(dāng)MACD以大角度變化，表示快的移動(dòng)平均線和慢的移動(dòng)平均線的差距非常迅速的拉開，代表了一個(gè)市場(chǎng)大趨勢(shì)的轉(zhuǎn)變。MACD線從正數(shù)轉(zhuǎn)向負(fù)數(shù)時(shí)，股票即將有下降趨勢(shì)，是賣出的信號(hào)，從負(fù)數(shù)轉(zhuǎn)向正數(shù)的時(shí)候，股票有即將有上升的趨勢(shì)，是買入的信號(hào)。綜合所述，本次股票預(yù)測(cè)還算是成功，預(yù)測(cè)結(jié)果往往令人滿意。MATLAB程序：clc;clear;closeall;P=xlsread('6');T=xlsread('7');H=xlsread('8');H1=xlsread('H1');K=xlsread('中國(guó)汽研五日線');L=xlsread('中國(guó)汽研十日線');M=xlsread('中國(guó)汽研二十日線');N=xlsread('中國(guó)汽研六十日線');[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)net_1=newff(minmax(Pn),[12,1],{'tansig','purelin'},'traingdm')%當(dāng)前輸入層權(quán)值和閾值inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}%設(shè)置訓(xùn)練參數(shù)net_1.trainParam.show=50;net_1.trainParam.lr=0.05;net_1.trainParam.mc=0.9;net_1.trainParam.epochs=100000;net_1.trainParam.goal=1e-3;%調(diào)用TRAINGDM算法訓(xùn)練BP網(wǎng)絡(luò)[net_1,tr]=train(net_1,Pn,Tn);%對(duì)BP網(wǎng)絡(luò)進(jìn)行仿真A=sim(net_1,H);E=Tn-A;MSE=mse(E);[A1,T1]=postmnmx(A,min(minp),max(maxp),Tn,mint,maxt)x=1:256;plot(x,A1,'r');holdonplot(x,T1,'b')holdonplot(x,K,'w');holdonplot(x,L,'y');holdonplot(x,M,'m');holdonplot(x,N,'c');title('中國(guó)汽研2021/4/1-2021/5/12');legend('預(yù)測(cè)','實(shí)際','五日線','十日線','二十日線','六十日線',1)figure(2)plot(x,E,'r');股票市場(chǎng)自誕生以來，一直吸引著眾多投資者和學(xué)者的目光，對(duì)股票價(jià)格走勢(shì)的預(yù)測(cè)也始終是他們探尋的目標(biāo)。然而影響股票價(jià)格的因素非常多，這樣，使得股票的預(yù)測(cè)成為一項(xiàng)異常困難的工作。盡管如此，這種準(zhǔn)確預(yù)測(cè)從而獲得超額收益的時(shí)機(jī)依然吸引著一代又一代的學(xué)者和投資者進(jìn)行研究和實(shí)踐。本文經(jīng)過對(duì)兩支股票數(shù)據(jù)資料的統(tǒng)計(jì)分析，建立了一個(gè)股票預(yù)測(cè)模型。由于現(xiàn)有研究條件的制約，該預(yù)測(cè)模型還有許多缺乏之處，還需要在實(shí)踐中不斷地改良和完善。首先，模型輸入節(jié)點(diǎn)數(shù)目需進(jìn)一步完善。由于數(shù)據(jù)資料的局限性，本文只選擇了5個(gè)向量作為輸入節(jié)點(diǎn)。但是，一個(gè)完善的預(yù)測(cè)模型需要多方面的考慮與設(shè)計(jì)，精準(zhǔn)對(duì)度要比擬高，這就需要更加完善的輸入向量設(shè)計(jì)。其次，隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)需進(jìn)一步完善。由于神經(jīng)網(wǎng)絡(luò)運(yùn)行的時(shí)間和效率受到計(jì)算機(jī)硬件的影響，本文只在有限的條件下進(jìn)行了隱含層節(jié)點(diǎn)數(shù)的選擇和優(yōu)化。要進(jìn)一步完善隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)，就需要更加先進(jìn)的計(jì)算機(jī)硬件支持，來實(shí)現(xiàn)精準(zhǔn)的預(yù)測(cè)。最后，模型算法仍待改良。6.結(jié)束語本文使用的BP神經(jīng)網(wǎng)絡(luò)算法有一點(diǎn)的優(yōu)越性，但同時(shí)也具備一些固有的缺陷，而且預(yù)測(cè)精度也沒有到達(dá)更好的效果。因此，可以嘗試使用RBF和遺傳算法等其他方式建立組合模型，提高模型預(yù)測(cè)的準(zhǔn)確性和普遍適應(yīng)性。【參考文獻(xiàn)】[1]劉琳基于BP神經(jīng)網(wǎng)絡(luò)的股票短期預(yù)測(cè)應(yīng)用研究對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)。[2]許興軍顏鋼鋒基于BP神經(jīng)網(wǎng)絡(luò)的股價(jià)趨勢(shì)分析浙江大學(xué)電氣自動(dòng)化研究所[3]陳東BP神經(jīng)網(wǎng)絡(luò)在證券指數(shù)預(yù)測(cè)中的的研究與應(yīng)用。[4]鐘珞、饒文碧、鄒承明，人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)，科學(xué)出版社[5]叢爽，面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用，—[6]張德豐，MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)，—

論大學(xué)生寫作能力寫作能力是對(duì)自己所積累的信息進(jìn)行選擇、提取、加工、改造并將之形成為書面文字的能力。積累是寫作的基礎(chǔ)，積累越厚實(shí)，寫作就越有基礎(chǔ)，文章就能根深葉茂開奇葩。沒有積累，胸?zé)o點(diǎn)墨，怎么也不會(huì)寫出作文來的。寫作能力是每個(gè)大學(xué)生必須具備的能力。從目前高校整體情況上看，大學(xué)生的寫作能力較為欠缺。一、大學(xué)生應(yīng)用文寫作能力的定義那么，大學(xué)生的寫作能力究竟是指什么呢？葉圣陶先生曾經(jīng)說過，“大學(xué)畢業(yè)生不一定能寫小說詩(shī)歌，但是一定要寫工作和生活中實(shí)用的文章，而且非寫得既通順又扎實(shí)不可?！睂?duì)于大學(xué)生的寫作能力應(yīng)包含什么，可能有多種理解，但從葉圣陶先生的談話中，我認(rèn)為：大學(xué)生寫作能力應(yīng)包括應(yīng)用寫作能力和文學(xué)寫作能力，而前者是必須的，后者是“不一定”要具備，能具備則更好。眾所周知，對(duì)于大學(xué)生來說，是要寫畢業(yè)論文的，我認(rèn)為寫作論文的能力可以包含在應(yīng)用寫作能力之中。大學(xué)生寫作能力的體現(xiàn)，也往往是在撰寫畢業(yè)論文中集中體現(xiàn)出來的。本科畢業(yè)論文無論是對(duì)于學(xué)生個(gè)人還是對(duì)于院系和學(xué)校來說，都是十分重要的。如何提高本科畢業(yè)論文的質(zhì)量和水平，就成為教育行政部門和高校都很重視的一個(gè)重要課題。如何提高大學(xué)生的寫作能力的問題必須得到社會(huì)的廣泛關(guān)注，并且提出對(duì)策去實(shí)施解決。二、造成大學(xué)生應(yīng)用文寫作困境的原因：（一）大學(xué)寫作課開設(shè)結(jié)構(gòu)不合理。就目前中國(guó)多數(shù)高校的學(xué)科設(shè)置來看，除了中文專業(yè)會(huì)系統(tǒng)開設(shè)寫作的系列課程外，其他專業(yè)的學(xué)生都只開設(shè)了普及性的《大學(xué)語文》課。學(xué)生寫作能力的提高是一項(xiàng)艱巨復(fù)雜的任務(wù)，而我們的課程設(shè)置僅把這一任務(wù)交給了大學(xué)語文教師，可大學(xué)語文教師既要在有限課時(shí)時(shí)間內(nèi)普及相關(guān)經(jīng)典名著知識(shí)，又要適度提高學(xué)生的鑒賞能力，且要教會(huì)學(xué)生寫作規(guī)律并提高寫作能力，任務(wù)之重實(shí)難完成。（二）對(duì)實(shí)用寫作的普遍性不重視?！按髮W(xué)語文”教育已經(jīng)被嚴(yán)重地“邊緣化”。目前對(duì)中國(guó)語文的態(tài)度淡漠，而是呈現(xiàn)出全民學(xué)英語的大好勢(shì)頭。中小學(xué)如此，大學(xué)更是如此。對(duì)我們的母語中國(guó)語文，在大學(xué)反而被漠視，沒有相關(guān)的課程的設(shè)置，沒有系統(tǒng)的學(xué)習(xí)實(shí)踐訓(xùn)練。這其實(shí)是國(guó)人的一種偏見。應(yīng)用寫作有它自身的規(guī)律和方法。一個(gè)人學(xué)問很大，會(huì)寫小說、詩(shī)歌、戲劇等，但如果不曉得應(yīng)用文寫作的特點(diǎn)和方法，他就寫不好應(yīng)用文。（三）部分大學(xué)生學(xué)習(xí)態(tài)度不端正。很多非中文專業(yè)的大學(xué)生對(duì)寫作的學(xué)習(xí)和訓(xùn)練都只是集中在《大學(xué)語文》這一門課上，大部分學(xué)生只愿意被動(dòng)地接受大學(xué)語文老師所講授的文學(xué)經(jīng)典故事，而對(duì)于需要學(xué)生動(dòng)手動(dòng)腦去寫的作文，卻是盡可能應(yīng)付差事，這樣勢(shì)必不能讓大學(xué)生的寫作水平有所提高。（四）教師的實(shí)踐性教學(xué)不強(qiáng)。學(xué)生寫作能力的提高是一項(xiàng)艱巨復(fù)雜的任務(wù)，但在教學(xué)中有不少教師過多注重理論知識(shí)，實(shí)踐性教學(xué)環(huán)節(jié)卻往往被忽視。理論講了一大堆，但是實(shí)踐卻幾乎沒有，訓(xùn)練也少得可憐。閱讀與寫作都需要很強(qiáng)的實(shí)踐操作，學(xué)習(xí)理論固然必不可少，但是閱讀方法和寫作技巧的掌握才是最重要的。由于以上的原因，我們的