基于BP神经网络的工商银行股价预测分析

宋彬

作为一个影响因素多样的非线性系统，股票市场的可预测性是金融学术界始终关注的焦点，预测模型层出不穷。本文在BP神经网络模型的基础上，结合主成分分析和遗传算法对工商银行的高频股票份格进行可预测研究，结果发现预测结果良好，平均绝对百分误差值低至3335%，且预测的股票價格与实际变化趋势一致。

可预测性 BP神经网络

中国股票市场存在着异常波动、投机型强和制度不健全等现象，为股票市场的可预测性提供了可能。国内外学者聚焦于建立高效合理的数学模型来解释并预测股票市场的变化规律，那么中国股票市场是否具有可预测性？该高效合理的数学模型是否存在？

文献综述

现有关于中国股票市场有效性的研究中，大部分学者认为中国股票市场不是弱势有效的，即不满足有效市场假说。俞乔（ 1994）、贾权和陈章武（2003）、Wen等（ 2010）与Sun和Fang（ 2004）的研究结果均表明中国股票市场不是有效市场。

中国股票市场不满足有效市场假说的现状为研究股票市场可预测性提供了机会。Liu等（2012）研究发现神经网络模型良好的拟合和预测效果为投资者提供了有效的参考价值。王波和张凤玲（ 2005）运用神经网络模型和ARIMA模型分别模拟和预测了股票价格，发现神经网络模型得到了更精确的效果。

研究设计

（1）模型构建

本文的核心模型是BP神经网络模型。BP神经网络的数据处理包含两个步骤：首先，学习样本正向传递由输入层经过各隐含层传向输出层，然后，为使函数误差值达到最小值，数据由输出层开始反方向经过各个中间隐含层，不断修正各连接权值达到最优拟合效果。

然而，BP神经网络存在运算速度慢及已陷入局部最小值的缺陷。首先，本文运用主成分分析对原始数据进行降维，不仅避免了信息的冗余，而且降低了输入维度从而加快运算速度。其次，因为BP神经网络模型采用的是误差梯度下降，极易陷入局部最小值，遗传算法通过全局筛选出最优值，从而达到最优拟合效果。最后本文采用平均绝对百分误差值（ MAPE）来检验预测效果。

（2）数据的选取

本文选取2017年5月的工商银行（代码：601398）的高频分笔交易数据进行分析，共20个工作日99623组数据，包含时间、成交额、成交量、最低价、最高价和最新价。数据来源：国泰安（ CSMAR）高频数据库。

实证分析

（1）主成分分析

针对6个交易历史数据，本文先利用SPSS统计软件对数据进行相关分析。结果表明个别交易指标之间有显著的相关性，其相关系数高达0.85以上。为避免信息的冗余，进行降维处理后得到两个主成分。

（2） BP神经网络模型预测

首先，将前18个工作日的股票交易数据作为训练段数据，最后2个工作日的数据则作为拟合段数据；其次，借助沈花玉等（ 2008）发现当隐含层单位数是11时的网络模拟误差最小，所以设置隐含层单元数为11。

再次，整合遗传算法和BP神经网络来拟合数据，设置好遗传算法训练网络的相关参数。最后，用检验段数据检验训练好的网络，得到如下的模拟图3，其中绿色曲线是原始数据，而蓝色曲线是预测数据。可以看出模拟效果比较良好，预测价格和实际价格的每时刻变化趋势是一致的，但是在数值上有误差。计算可得该预测模型的MAPE=3.335%%。

结论与建议

本文得出以下结论：从实证模拟结果可以看出，BP神经网络模型的拟合预测效果很好，说明工商银行的股票价格具备可预测性，市场参与者可以通过合理有效的数学模型从中获利。

提出以下建议：加强和规范信息披露制度；大力培养机构投资者，培育成熟的投资理念；加快运作市场化的步伐，加强股市的创新。

[1]俞乔.（1994）.市场有效、周期异常与股价波动一一对上海、深圳股票市场的实证分析.经济研究（9）.43-50.

[2]贾权，&陈章武.（2003）.中国股市有效性的实证分析.金融研究（7）.86-92.

[3] Wen， X.， Li， K.， &Liang，L（ 2010）.AWeak-Form EfficiencyTesting ofChina's Stock Markets[J].Third International Joint Conferenceon Computational Science andOptimization.5 14-5 17

[4]Sun， B.B.，&Fang， J.W（ 2004 ）.Atest on wea-kform efficiency ofchina's stock market：

an empiricalstudy based on the profitability oftechnical trading rules[J].Journal ofShanghai University of Finance&Economics， 52-57.

[5] Liu， X.， Ma， X.， Liu， X，&Ma， X.（ 2012） .Based on bp neuralnetwork stock prediction. Journal ofCumculum& Teaching，1（1）

[6]王波，&张凤玲.（2005）.神经网络与时间序列模型在股票预测中的比较.武汉理工大学学报（信息与管理工程版），27 （6），69-73.