### 基于前馈型神经网络股价预测的一点改进
#### 一、研究背景与意义
随着金融市场的发展以及信息技术的进步，如何利用先进的数据分析技术提高股价预测的准确性成为了研究者们关注的重点。传统的股价预测方法往往依赖于统计学模型，但这类模型在处理非线性关系时存在局限性。近年来，基于神经网络的方法因其强大的非线性拟合能力而在金融领域得到了广泛的应用。
#### 二、研究方法与创新点
本研究主要探讨了一种基于前馈神经网络的股价预测方法——差价预测模型。这种方法与传统预测模型相比具有一定的创新性和实用性：
1. **选择关键输入变量**：选取开盘价、收盘价、最高价、最低价作为网络输入变量，这些变量被认为对股价变动有着显著的影响。
2. **优化网络结构与参数**：采用三层BP神经网络（5L-16-1结构），并设置了合理的学习率、误差阈值等参数，以确保模型的有效性和准确性。
3. **引入差价预测模型**：不同于以往直接预测股价的方法，本研究提出了预测股价差价的新思路。通过预测连续两天股价之间的差值来间接预测未来的股价走势，这种方法理论上可以减小预测误差。
#### 三、数据准备与模型构建
1. **数据来源**：选取了中国石化股票2021年4月1日至2021年12月9日间的150组交易数据作为原始数据。
2. **数据划分**：将数据分为两部分，前120组数据用于训练神经网络模型，剩余30组数据则用于测试模型的预测效果。
3. **网络结构设置**：使用BP神经网络，具体结构为5L-16-1，其中5表示技术分析周期采用5日，L代表输入向量的个数（即2或4）。隐含层单元的传递函数采用Tansig函数，输出层单元采用线性函数y=x。
4. **参数调整**：网络的学习率为0.1，要求输出误差d≤0.005，训练次数最大设置为500次。通过动量法和学习率自适应调整来改进BP算法。
#### 四、实验结果分析
1. **模型训练**：实验结果显示，差价预测模型在网络训练过程中达到目标所需的步数较少，如图1(a)所示，仅需9步即可完成训练；而股价预测模型则需要更多的训练步数，如图1(d)所示，需要24步。
2. **预测精度**：通过计算平均绝对误差百分比(MAPE)，差价预测模型的预测误差明显低于股价预测模型。例如，图1(c)显示差价预测模型的MAPE为1.1725%，而图1(f)显示股价预测模型的MAPE为1.7%。
3. **预测效果**：图1和图2进一步证明了差价预测模型不仅训练速度快，而且预测效果更优。相较于股价预测模型，差价预测模型的预测误差更小，预测精度更高。
#### 五、结论与展望
本文提出的基于前馈神经网络的差价预测模型在预测股价方面表现出色。与传统直接预测股价的方法相比，该模型能够有效减小预测误差，提高预测精度。此外，由于其快速的训练速度和较高的预测准确度，差价预测模型有望成为未来股价预测领域的主流方法之一。然而，尽管取得了良好的效果，但仍需进一步研究以提高模型的稳定性和适用性，比如探索更多样化的网络结构、优化参数设置以及考虑更多市场因素的影响等。
