文章目錄
- 摘要
- bp神經網絡
- 遺傳算法
- 實驗結果與分析
- 完整代碼下載下傳：
摘要
在目前的股票投資市場，不少自然人股民的投資主要方式使根據對當天或者一個較長周期對股票資料的預測，來得到下一天的股票資料，進而進行相應的投資。為了滿足股民希望能更為理性合理準确的預測股票走向，需要借助機器的幫助。本文主要是利用優化過的遺傳算法，利用遺傳算法調整BP三層神經網絡的權重與門檻值，使BP神經網絡的訓練效果得到提升，進而對股票市場的行情有比較好的預測效果。
關鍵詞 BP神經網絡 遺傳算法 特征選取
實驗論文節選
bp神經網絡
遺傳算法
遺傳算法的過程：
實驗結果與分析
3.1 實驗設定
3.1.1 股票資料庫的選擇
本實驗使用了兩種股票種類，為某單支股票（150個）資料與上證綜合指數前複權日線（533個）資料，分别儲存在兩個檔案中，将兩個資料集的特征向量人工設定為同一列位置，友善後續實驗。
3.1.2 實驗參數設定
本次實驗在Matlab環境上運作，分析給予遺傳算法的BP神經網絡與随機初始化的BP神經網絡在股票預測上的差距。
本次實驗所采用的為BP神經網絡：訓練次數epochs為1000，訓練目标goal為0.01，學習速率lr為0.1；遺傳算法：群體規模為N=60。
3.2 實驗結果與分析
實驗1：測試未優化的遺傳算法運作的預測效果
本次實驗，隐含層神經元個數為3，交叉機率為p_c=0.8，變異機率為p_m=0.05，交叉位置為15L到20L。疊代次數分别設為10次，50次，100次，比較差別。
本次測試出的每一代的最小誤差波動很大，而且随着疊代次數的增加，最新一帶的最小誤差沒有明顯減小，達不到預期效果。
實驗2：測試帶名額變異操作的遺傳算法優化的預測效果
本次實驗，隐含層神經元個數為3，群體規模為N=60，交叉機率為p_c=0.8，變異機率為p_m=0.05，雙點交叉，交叉位置為15L到20L。疊代次數分别設為10次，50次，100次，比較差別。
本次測試出的每一代的最小誤差雖然波動很大，但是可以看出随着疊代次數的增加，最後一代的最小誤差有下降的趨勢，但是容易陷入局部最優解，可能使由于參數設定的問題。
實驗3：測試優劣同時保留的遺傳算法優化的預測效果
本次實驗，隐含層神經元個數為3，群體規模為N=60，交叉機率為p_c=0.8，變異機率為p_m=0.05，交叉位置為15L到20L。疊代次數分别設為10次，50次，100次，比較差別。
本次測試出的每一代的最小誤差雖然還是有波動，但是較前兩個實驗，已經是降低的趨勢了，最優誤差也是下降的趨勢，說明此優化可以幫助算法跳出局部最差解，逼近局部最優解。
實驗4：測試大變異值的自适應的遺傳算法優化的預測效果
本次實驗，隐含層神經元個數為3，群體規模為N=60，交叉機率為p_c=0.8，交叉位置為15L到20L。疊代次數分别設為10次，50次，100次，比較差別。
本次測試出的每一代的最小誤差波動相較前幾個實驗，波動十分巨大，但是産生目前最優解的個數是最大的，說明可以幫助算法跳出局部最優解。
實驗5：遺傳算法不同參數的遺傳算法優化的預測效果
可以看出，雖然最終的最終誤差相差很小，但是種群個數為100的遺傳算法明顯要比種群個數為60的遺傳算法收斂效果要好，相應的，算法的運作時間也有所增加。
實驗6：BP神經網絡算法不同參數的預測效果
可以看出，隐含層神經元個數為3個時，BP神經網絡的預測效果更好。
股票預測模型實驗結果對比：實驗結果選驗證綜合指數前複權日線資料的總預測曲線。
圖1 普通BP神經網絡的預測效果
圖1中，綠色線為股票真實值。可以看出，進行4次的普通BP神經網絡算法的預測，預測效果十分不穩定。
圖2 優化BP神經網絡的預測效果
圖2中，綠色線為股票真實值，紅色線為帶名額變異操作的遺傳算法優化後的BP神經網絡的預測值，藍色線為優劣同時保留的遺傳算法優化後的BP神經網絡的預測值，黑色線為普通遺傳算法優化後的BP神經網絡的預測值，紫色線為大變異值的自适應的遺傳算法優化後的BP神經網絡的預測值。可以看出，這四次實驗的預測效果比普通BP神經網絡算法的預測效果穩定很多，也更為準确。
圖3 優化BP神經網絡的預測效果（放大節選）
從圖3中，可以看出，預測效果的最好的是優劣同時保留的遺傳算法優化後的BP神經網絡，其次是帶名額變異操作的遺傳算法優化後的BP神經網絡，然後是普通遺傳算法優化後的BP神經網絡，最差的是大變異值的自适應的遺傳算法優化後的BP神經網絡。
針對以上實驗，可以得知，在遺傳算法的優化下BP神經網絡的預測值明顯比未優化的普通BP神經網絡的預測值更為準确和穩定。更進一步對遺傳算法進行優化，優化的關鍵點在于遺傳算法的選擇、交叉、變異三大操作，優化後預測的準确度也有了進一步的提升
參考到的資料：
https://download.csdn.net/download/u010667861/9617803
[1] 史峰，王輝，郁磊，胡斐. MATLAB智能算法30個案例分析——基于遺傳算法的BP神經網絡優化算法[M]. 北京航空航天大學出版社，2011：27-37.
[2] 翁蘇駿. 遺傳算法改進的新思路及其在股市投資中的應用[D]. 廈門：廈門大學，1999.
完整代碼下載下傳：
注意，代碼下載下傳後仍需自行調試~
有調試能力的人再下載下傳，問關于代碼問題的不會回複，應該每個人環境不同，會出現各種問題，需要大家自己解決！！！
積分值為5（如果有變為csdn自行修改）
https://download.csdn.net/download/zxm_jimin/10976678
如果出現圖書推薦，點選更多資源-》展開-》下拉即可看到，應該是csdn的問題。
本文為原創，轉載請注明出處。