基于BP神经网络的基金预测应用研究

周阳

【摘 要】针对BP神经网络在数据挖掘领域的应用研究，将其估值预测能力应用到基金预测方面，通过BP神经网络建立起一套基金预测模型。选取2016年某银行基金数据作为实验数据，对实验数据进行训练和测试，结果表明，BP神经网络能预测基金净值和基金风险的趋势。

【关键词】数据挖掘;BP神经网络;基金;预测模型

【中图分类号】TP183 【文献标识码】A 【文章编号】1674-0688（2019）12-0077-02

1 概述

近年来，“大数据”已成当下社会的高频词汇，人们在浏览网页、使用手机软件等都会产生大量的数据留存在企业。数据挖掘技术有分类、估值、预测等功能，将数据挖掘技术应用到基金投资过程中，对基金的投资和选基过程进行数据挖掘，从而为投资者提供帮助。对基金的短期收益做简单预测，向投资者进行低价买入高价卖出，是继续持有还是清仓出售提供投资建议。本文基于基金的历史净值的变化，结合证券市场的股指变化，选用BP神经网络算法对基金收益与风险进行短期预测。

2 BP神经网络

BP神經网络又称为误差反向传播网络，将期望与实际输出之间的误差通过构建的神经网络反向传播，经过输入数据正向传播和误差反向传播的过程，以获得最终达到训练次数或无限逼近期望值时神经网络的权值。

一个神经网络通常由一个输入层、多个隐层和一个输出层构成。构建神经网络的重点在于如何设计隐层和各神经元之间的权重。

3 基金预测模型的设计

基金的收益与风险预测实际上是求解其收益与风险下一个时间段内的变动趋势，而选用的BP神经网络的算法主要实现输入数据的前向传播和实际输出与期望的误差的反向传播过程。输入数据正向传播时，通过隐含层及隐含层的权重，计算得到实际的输出，如果实际输出值没有达到期望输出值，则计算二者的误差，并通过神经网络再反向传播。经过一定次数的训练，将与误差最小的权值作用于各个神经元，即得到训练完成的神经网络。

4 算法设计

4.1 输入、输出数据选择

在BP神经网络中，输入、输出数据的选择会直接影响到整个模型的建立。本文预测基金净值的变化和基金的风险情况，我们需计算出每只基金上个月的收益和风险情况，再计算本月每只基金的收益和情况，与上月的差值作为输入。我们以次月每只基金的收益和风险情况作为输出进行模型的训练。

激励函数为g（x）取Sigmoid函数：

g（x）=（1）

隐含层的输出，其中ωij和aj分别为输入层到隐层的权重和偏置：

Hj=gωijxj+aj（2）

输出层的输出，其中ωjk和bk分别为隐层到输出层的权重和偏置：

Ok=Hjωjk+bk（3）

误差：

E=（Yk-Ok）2（4）

4.2 归一化数据

进行数据归一化主要是因为根据输入数据最小相关性原则，神经网络的输入数据往往都代表不同的意义，只有通过归一化处理后，才能使神经网络的训练在输入时更加统一，不会因为输入数据的较大波动造成整个神经网络的不稳定而影响输出结果。本文设计的BP神经网络将Sigmoid作为激活函数，它是便于求导的平滑函数，能使误差梯度变化更加平缓和准确。本文经计算的收益增长和收益变化（风险），均在[-1，1]之间，无需进行归一化处理，可直接使用。

4.3 划分训练集、测试集

在输入和输出数据准备完成后，为了验证设计的神经网络的运算和预测能力，我们把输入和输出数据分别划分为训练集和测试集。训练集的数据用以训练生成神经网络权值，测试集的数据用来验证模型的准确性。

4.4 算法的实现

本文采用的BP神经网络为三层结构，包括输入层、隐含层和输出层。算法描述如下。

（1）选取输入数据，随机生成输出层到隐层和隐层到输出层的权重，根据选定的输入数据确定输出数据。

（2）将输入数据通过隐层和输出层节点的处理计算得到的网络实际输出进一步与期望输出相比较，并计算实际输出与期望输出的误差。

（3）将误差作为修改权值的依据反向传播至输入层，再修正各层的权系数，并且反复这一过程。

（4）直到实际输出与期望输出的误差达到预先设定的误差收敛标准，从而获得最终的网络权值。

（5）将上月和本月的数据作为输入，根据计算得到的权值作用于整个神经网络权值进行计算，从而得到的预测结果。

5 BP神经网络在基金预测的实现

基金净值和风险的预测采用三层的BP神经网络算法实现，本文选取了166只基金的总共1 992条数据作为训练样本，50只基金总共600条数据作为测试数据。将每只基金2—11月中每月的基金的2个指标（收益、风险）和与上月的2个指标差作为输入，一共4个输入，故输入层有4个节点;隐层的节点数的选择通常根据经验及实现结果分析后实时调整。经过反复试验证实，本文的隐层节点数设置为15时，学习速率设置为0.167时，能取得较好的训练结果。故隐含层有15个节点;将下个月受益或风险分别作为输出，故输出层有一个节点。

将输入、输入数据，各层节点数等数据放入算法模型进行训练和测试，能较为准确地预测基金净值和风险。具体实现过程如图1所示。

6 结语

本文采用了BP神经网络对某银行2016年的基金净值数据进行挖掘和预测，运用每月的基金净值和风险数据作为输入数据，成功预测下个月的基金净值和风险走势。

参 考 文 献

[1]许兴军，颜钢锋.基于BP神经网络的股价趋势分析[J].浙江金融，2011（11）：37-40.

[2]高玉明，张仁津.基于遗传算法和BP神经网络的房价预测分析[J].计算机工程，2014，40（4）：187-191.

[3]Matei O，Nagorny K，Stoebener K.Applying data mining in the context of Industrial Internet[J].International Journal of Advance Computer Science & Applications，2016，7（1）.

[4]Ticknor J L.A Bayesian regularized artificial neural network for stock market forecasting[J].Expert Systems with Applications，2013，40（14）：5501-5506.

[5]Somani P，Talele S，Sawant S.Stock Market Pre-

diction Using Hidden Markov Model[A].Information Technology & Artificial Intelligence Conference.Infor-

mation Technology & Artificial Intelligence Conferen-

ce，2015：89-92.