基于som网络灰关联分析BP网络预测模型

基于som网络-灰关联分析-BP网络预测模型梁娜张吉刚（咸宁学院湖北咸宁437100）摘要:提出一种基于som网络-灰关联分析-BP网络预测模型，用于股市收盘价的预测。首先采用som神经网络将特性分散的样本划分成不同的子类，然后采用灰关联分析方法，解析了各个影响因子对股市收盘价的影响程度，以反映股市收盘价的影响因子作为输入变量，构建了股市收盘价的BP网络预测模型，结果表明：利用灰关联分析，得出各因子对股市收盘价影响程度的大小排序；基于BP网络模型的预测结果准确，通过对采集的股市数据进行测试，证实本文提出方法的有效性。关键词：som网络：灰关联分析：BP网络中图分类号:TP183;N941文献标识码:ACombinationalForecastingModelBasedonNeuralNetworkandGrayRelationalAnalysisLiangNaZHANGJi-Gang(DepartmentofMathematicsXianningCollege,HuBeiXianning,437100)Abstract:PresentsacombinationalpredictionmodelbasedonneuralnetworkandGrayrelationalanalysis,whichisappliedtoreal-timepredictionofeconomic-technicalindexesinstockprices.Theproposedmethoddividessampleswhichhavecharacteristicofdecentralizationintodifferentsub-classeswiththeaidofsomneuralnetwork,andusesGrayrelationalanalysismethodtoreducethedimensionalityofthefeaturespace,andthenbuildsBPneuralnetworkforecastingmodel.Theexperimentsshowthattheproposedmethodisefficient.Keywords:Somneuralnetwork;Grayrelationalanalysis;BPneuralnetwork1引言神经网络可较好地拟合非线性函数，被广泛地用于各种预报中。但是，对于复杂问题和高维输入变量，直接用神经网络进行预测，会带来网络规模的剧增，网络的收敛性和泛化能力的降低[1]；另一方面，由于各种因素的随机性、模糊性、各因素之间不确定的相关性，因此，应对此类样本和众多的预报因子进行必要的处理。本文针对股市收盘价的预测问题，采用som神经网络对总样本进行分类，对各子类，分别建立BP神经网络预测模型；为提高网络预测精度和网络训练的效率，对众多的影响因子采用灰色关联分析,解析出各影响因子对股市收盘价的影响程度大小排序，由此筛选出影响股市收盘价的主要因素，以作为BP神经网络的输入参数，建立基于BP神经网络的股市收盘价预测模型，对股市收盘价进行预测。2样本分类som神经网络是一种具有自学习、自适应能力和强容错性的智能化的分类网络，它能够根据学习获得的知识经验对复杂问题进行合理的判断决策，使分类结果客观、可靠，而且其计算简单、准确、快捷、可靠。本文采用som神经网络对股市数据进行分类。依据数据的真实性和可得性，在证券之星网站，选取中国石化（60028）的2006年11月—2007年4月共150组数据作为总样本数据，预测因子为涨跌幅、开盘价、成交量、成交额、最高价、最低价。som神经网络采用二层结构(见图1)。输入层参数为预测因子的个数6，共计1506个数据。输出层为二维平面空间，由6个神经元构成(32)。训练参数：最大训练次数为1000次。图1som神经网络结构经过对样本数据训练，som神经网络的输出结果为：Yc=[224411111111111111114111111111111111111111111111411111124221111111111111144444442222225555555555555555535555555536666666666666666666666366333366666365]根据以上的分类结果，将股市的样本数据划分为六个子类126,,GGG。我们约定输出结果是1的为子类1G，是2的为子类2G，相应的输出结果是6的为子类6G。任意选取6G为例，作本文的实证分析。3股市中收盘价影响因子的灰色关联分析灰色系统理论提出的灰色关联分析方法可用在不完全的信息中，对于要分析研究的各因素，通过一定的数据处理，在随机的因素序列间，找出它们的关联性，发现主要矛盾，找到主要特征和主要影响因素[23]，。因此，特别适合像股市收盘价这类数据，没有原型、复杂而且具有不确定性问题的分析和评价。本文提出了灰关联分析方法，来确定股市收盘价影响因子的重要性程度。以任意选取som网络分类结果中的6G的30份结果，作为灰色关联分析的样本数据。灰色关联分析的计算分析步骤如下：（1）将股市收盘价作为参考序列0(),1,,30xkk，6个影响因子涨跌幅、开盘价、成交量、成交额、最高价、最低价，作为比较因素序列(),1,,6;1,,30ixkik，对各因素初值化处理，得各标准化序列(),1,,6;1,,30iykik，得表1。表1各因素数据序列无量纲竞争层输入层1y2y3y4y5y6y0y0.577130.629440.411190.431730.646180.644040.652540.555170.636210.308350.330940.651160.688070.647460.992510.678510.557860.641280.774090.743120.80.454820.800340.555690.663510.91860.844040.784750.625560.769880.231380.281560.838870.833030.8271210.83080.324990.412560.968440.880731............0.4148810.309110.40534110.96780.421870.739420.399790.444070.735880.752290.710170.709940.714040.408280.456020.752490.750460.7779700.780030.575430.617950.76080.669720.610170.775340.605750.537150.568240.687710.63670.68983（2）根据表1求出00()()()iikykyk，并找出minmax0,1，由灰关联系数公式max00max((),())()iiykykk其中分辨系数取值0.5，计算出6个影响因子与收盘价在30个样本点上的灰关联系数，如表2。表26个影响因子与收盘价在30个样本点上灰关联系数0102030405060.868950.955840.674450.693660.987440.983280.844180.9780.595870.612350.992650.924880.722010.804520.673730.759050.950730.897860.602460.969760.685810.804840.788830.893990.71270.897280.456310.478210.977040.9883210.747160.425530.45980.940630.8074............0.844510.928560.554810.582510.984210.947490.634280.944730.616990.652660.951090.922310.880240.886630.574920.608310.951510.947850.450380.746420.935030.984680.768490.893580.853960.856050.766070.804390.995780.90395（3）计算关联度由公式30001(,)((),())ikikryyykyk，取1230130i，及根据表2求得比较因素ix和参考因素0x的关联度，如表3所示。表3比较因素ix和参考因素0x的关联度1234560.714250.891050.670430.706680.94140.92971（4）灰关联排序根据表3的结果，关联度排序如下：562143rrrrrr这一关联序直接反映了比较因素ix对参考因素0x的相关性强弱的顺序，即各影响因子与股市收盘价的接近程度，同时也说明了这6个影响因子对股市收盘价影响程度由大到小的顺序—关联序。由以上关联排序我们可知：5x最高价、6x最低价和2x开盘价对股市收盘价的影响程度最大，关联度值都在0.89105以上；1x涨跌幅、4x成交额对股市收盘价的影响程度也较大，关联度值都在0.70668以上，3x成交量对股市收盘价的影响程度最小。4基于BP神经网络的股市收盘价预测随机抽取6G的30份结果的24个样本用于BP网络学习训练，另外的6个作为BP网络训练完毕后的预测样本。根据上文灰关联分析知，各个影响因子对股市收盘价的关联度值都在0.67以上，因此，上述的6个影响因子都作为输入变量，股市收盘价作为输出数据。BP神经网络模型采用三层结构。中间层的节点数经过实验对比选定为10，输出节点为股票收盘价。中间层的传递函数选择tansig函数，输出层传递函数选用使网络的输出可为任意值的purelin函数。采用体现数值优化思想[4,5]的LM学习算法对网络进行训练，训练次数最大设置为100次，网络收敛误差为0.0001。为了验证本文提出模型的有效性，实验中分别对以下两种情况构建了网络并对它们的预测结果进行了比较。（1）对样本不做任何处理，直接用于BP网络训练和测试。（2）在BP网络训练前，用som神经网络对样本分类，并做灰色关联分析，将其结果作为BP网络的输入建立网络模型(即本文提出的方法)。以下分别称上述两种情况所构建的网络为第1类网络、第2类网络。图2第1类网络训练的收敛情况图3第1类网络训练对样本后6个收盘价的预测图4第2类网络训练的收敛情况图5第2类网络训练对样本后6个收盘价的预测从图中可以看出，第2类网络的训练经过17步就达到了最小误差，这说明经过分类，将特性比较接近的样本聚到一个子类中，减少了关联不大的样本在训练时的相互影响，有助于网络训练效率的提高，因此，本文模型的网络训练效率高于BP网络模型。表4给出了子类6G中的6个测试样本在第1，2类不同网络中的预测情况的对比。从中可以看出在第1类网络预测的准确率低，而本文模型，由于消除了样本数据的分散特性，其预测的准确率较高，如图3、5所示。表4二类网络预测准确性的比较实际值第1类第2类预测值误差绝对值预测值误差绝对值9.379.81840.44849.42610.05619.649.40240.23769.75750.11759.497.50121.98889.65280.16289.899.78820.10189.96050.07058.905.21453.68559.1030.2039.379.81840.44849.42610.05615结论本文针对股市收盘价的实际数据，采用som神经网络，对总样本进行分类分析；利用灰色关联分析方法探讨了各影响因子对股市收盘价的影响程度；采用BP网络模型对股市收盘价进行预测，得出以下结论：（1）与统计分类方法相比，som神经网络能实现分类智能化，使分类结果客观、可靠。（2）利用som神经网络方法，对总样本进行分类，能减少了关联不大的样本在训练时的相互影响，从而使得BP网络预测模型的训练速度和预测精度都有所提