BP神經(jīng)網(wǎng)絡(luò)算法在個股投資項(xiàng)目風(fēng)險度量中的應(yīng)用研究

1、BP神經(jīng)網(wǎng)絡(luò)算法在個股投資工程風(fēng)險度量中的應(yīng)用研究論文導(dǎo)讀:：神經(jīng)網(wǎng)絡(luò)算法在個股投資工程風(fēng)險度量中的應(yīng)用研究。能有效地提高個股投資工程風(fēng)險度量的準(zhǔn)確性。論文關(guān)鍵詞：個股投資，工程風(fēng)險度量，BP神經(jīng)網(wǎng)絡(luò)算法:實(shí)證分析BP神經(jīng)網(wǎng)絡(luò)算法在個股投資工程風(fēng)險度量中的應(yīng)用研究摘要：度量個股投資工程風(fēng)險是一個復(fù)雜的過程，目前的大局部研究方法都沒有考慮個股投資工程風(fēng)險的非線性復(fù)雜特點(diǎn)。本文通過BP神經(jīng)網(wǎng)絡(luò)算法，對個股投資工程進(jìn)行實(shí)證分析。結(jié)果顯示，利用BP算法具有很好的預(yù)測精度，能有效地提高個股投資工程風(fēng)險度量的準(zhǔn)確性。關(guān)鍵字：個股投資；工程風(fēng)險度量； BP神經(jīng)網(wǎng)絡(luò)算法：實(shí)證分析1引言Eugene F.Fam

2、a(1970)的有效市場假說(Efficient Market Hypothesis)認(rèn)為，如果證券市場在價格形成中充分而準(zhǔn)確地反映全部相關(guān)信息，那么稱該市場是有效率的。但現(xiàn)實(shí)情況恰恰相反，由于股票行市受市場層次、行業(yè)層次和公司微觀層次等因素影響，其內(nèi)部規(guī)律非常復(fù)雜，周期變化無序。同時我國資本市場個人投資者的比例高，相對于機(jī)構(gòu)投資者而言，投資者個人心理狀態(tài)不同畢業(yè)論文提綱，風(fēng)險承受能力差，專業(yè)水平低，尤其是非職業(yè)股民由于受時間、空間上的限制，往往無法長期關(guān)注股市動態(tài)和開展，同時出于追逐利益的目的以及本身缺乏風(fēng)險意識以及缺少信息的原因，使得投資者普遍抱持著投機(jī)心理，產(chǎn)生了跟莊行為，由此導(dǎo)致羊群效

3、應(yīng);的發(fā)生。羊群效應(yīng);是行為金融學(xué)的一個重要概念，是指在一定時期，當(dāng)采取相同策略k=對于隱層，有j=j=由于標(biāo)準(zhǔn)BP算法存在一些缺陷：1易形成局部最小而得不到全局最優(yōu)；2訓(xùn)練次數(shù)多使學(xué)習(xí)效率低，收斂速度慢；3) 學(xué)習(xí)過程出現(xiàn)假飽和。另外，網(wǎng)絡(luò)隱含層數(shù)及隱節(jié)點(diǎn)的選取缺乏理論指導(dǎo)，網(wǎng)絡(luò)訓(xùn)練時學(xué)習(xí)新樣本有遺忘舊樣本的趨勢。因此，我們采取如下措施進(jìn)行改良：1增加動量項(xiàng)令，稱為動量系數(shù)，一般有。2輸入數(shù)據(jù)處理在輸入數(shù)據(jù)的標(biāo)準(zhǔn)化方面，輸入數(shù)據(jù)太大，容易導(dǎo)致模型無法收斂，所以將輸入數(shù)據(jù)變換為區(qū)間的值，其公式如下其中，代表輸入數(shù)據(jù)，代表數(shù)據(jù)變化范圍的最小值，代表數(shù)據(jù)變化范圍的最大值。3學(xué)習(xí)速率的調(diào)整令K為訓(xùn)練

4、次數(shù)，為網(wǎng)絡(luò)均方根誤差畢業(yè)論文提綱，這樣保證一個近最優(yōu)的學(xué)習(xí)速率，從而得到比標(biāo)準(zhǔn)BP算法更快的收斂速度論文提綱格式。3實(shí)證分析表1：個股投資工程指標(biāo)體系 一級指標(biāo) 二級指標(biāo) 成長性指標(biāo) 凈利潤增長率 資產(chǎn)增長率 資本增長率 每股收益增長率 財務(wù)能力指標(biāo) 資產(chǎn)負(fù)債率 債務(wù)資本率 股東權(quán)益比率 償債能力指標(biāo) 流動比率 速動比率 長期資產(chǎn)適合率 現(xiàn)金流指標(biāo) 每股現(xiàn)金流量 經(jīng)營現(xiàn)金流與負(fù)債比 現(xiàn)金流量比率 凈利潤現(xiàn)金含量 經(jīng)營能力指標(biāo) 銷售收入增長率 應(yīng)收帳款周轉(zhuǎn)率 存貨增長率 營業(yè)周期 盈利能力指標(biāo) 總利潤率 凈利潤率 資產(chǎn)收益率 資本收益率 資料來源于和訊網(wǎng)下面采用BP神網(wǎng)絡(luò)算法和回歸方法對個股投

5、資工程風(fēng)險進(jìn)行度量分析：3.1利用BP神網(wǎng)絡(luò)算法度量個股投資工程風(fēng)險1實(shí)證主要具體過程a初始化對權(quán)值矩陣、賦隨機(jī)數(shù)，誤差置為0, 動量系數(shù)取0.9，訓(xùn)練間隔次數(shù)為50，最大訓(xùn)練次數(shù)為1000，網(wǎng)絡(luò)訓(xùn)練后到達(dá)的精度設(shè)為0.001。b采用批Batch訓(xùn)練方式，輸入樣本對，計算各層輸出及網(wǎng)絡(luò)誤差。c檢查網(wǎng)絡(luò)總誤差是否到達(dá)精度要求。假設(shè)滿足，訓(xùn)練結(jié)束，否那么置0，重新訓(xùn)練。其中，均方根誤差MSE=mse(E) save net1212 net基于上述MATLAB程序代碼局部，得到誤差結(jié)果圖2所示。圖2：誤差仿真結(jié)果從圖2可以發(fā)現(xiàn)模型經(jīng)過442步，到達(dá)誤差精度0.001要求。3BP算法測試過程load

6、net1212 netP1;A = sim(net,P1)加載訓(xùn)練好的網(wǎng)絡(luò)，利用上述代碼局部，輸入測試樣本進(jìn)行網(wǎng)絡(luò)測試，得到結(jié)果如表2。表2： BP算法測試結(jié)果 10.96 29.74 68.64 11.84 92.28 35.72 26.44 39.90 3.2利用多元回歸方法度量個股投資工程風(fēng)險多元回歸分析是一種處理變量的統(tǒng)計相關(guān)關(guān)系的一種數(shù)理統(tǒng)計方法，其主要是解決線形回歸問題。為了與BP神經(jīng)網(wǎng)絡(luò)算法做比擬，我們引入了多元回歸方法。運(yùn)用EVIEWS軟件同樣對前15組樣本進(jìn)行回歸分析，得到表3。表3：多元回歸方法結(jié)果 Dependent Variable: Y Method: Least S

7、quares Date: 11/28/09 Time: 21:35 Sample: 1 15 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. X1 0.390030 0.020215 19.39022 0.0000 X2 0.364723 0.018747 19.45511 0.0000 X3 0.222463 0.025181 8.834431 0.0000 X4 0.268660 0.022068 12.17428 0.0000 X5 0.359174 0.025394 14.14397

8、 0.0000 X6 0.320806 0.025749 12.45912 0.0000 C -45.05147 2.431970 -18.52468 0.0000 R-squared 0.998199 Mean dependent var 58.64467 Adjusted R-squared 0.996848 S.D. dependent var 25.16816 S.E. of regression 1.413083 Akaike info criterion 3.834149 Sum squared resid 15.97442 Schwarz criterion 4.164572 L

9、og likelihood -21.75612 F-statistic 738.8587 Durbin-Watson stat 2.051189 Prob(F-statistic) 0.000000 因此回歸模型為：Y=0.390030(X1)+0.364723(X2)+0.222463(X3)+0.268660(X4)+0.359174(X5)+0.320806(X6)-45.05147其中：Y表示綜合得分；X1表示成長性；X2表示財務(wù)能力；X3表示償債能力；X4表示現(xiàn)金流量；X5表示經(jīng)營能力；X6表示盈利能力。利用回歸模型畢業(yè)論文提綱，輸入后8組樣本進(jìn)行仿真，得到結(jié)果見表4。表4： 回歸算

10、法仿真結(jié)果 12.85 38.74 65.86 11.23 110.51 40.13 35.01 48.48 3.3兩種方法預(yù)測情況對個股投資工程的綜合得分問題，BP神經(jīng)網(wǎng)絡(luò)算法與回歸方法的預(yù)測值、殘差情況見表5和表6論文提綱格式。表5：兩種方法對結(jié)果的預(yù)測值比照情況表 實(shí)測值 預(yù)測值 多元回歸算法 誤差 BP算法 誤差 9.67 12.85 -3.18 10.96 -1.29 30.17 38.74 -8.57 29.74 0.43 62.58 65.86 -3.28 68.64 -6.06 8.40 11.23 -2.83 11.84 -3.44 95.10 110.51 -15.41 9

11、2.28 2.82 31.02 40.13 -9.11 35.72 -4.7 33.56 35.01 -1.45 26.44 7.12 43.77 48.48 -4.71 39.90 3.87 表6：兩種方法殘差比擬 多元回歸算法 BP算法 殘差最大絕對值 15.41 7.12 殘差最小絕對值 1.45 0.43 殘差平方和均值 55.88 18.26 4研究結(jié)論人工神經(jīng)網(wǎng)絡(luò)開展至今，理論正逐漸完善，作為主要的網(wǎng)絡(luò)模型之一的BP網(wǎng)絡(luò)，在個股投資工程風(fēng)險度量中的應(yīng)用也在逐漸增加。它以成熟的計算機(jī)技術(shù)為根底，拋開了先假設(shè)后驗(yàn)證的傳統(tǒng)統(tǒng)計分析方法，不需要對研究問題提出任何假設(shè)，在進(jìn)行個股投資工程風(fēng)險

12、度量方面有著廣闊的應(yīng)用前景畢業(yè)論文提綱，特別是在變量較多或關(guān)系不明的情況下。標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)在很多情況下是發(fā)散的，預(yù)測值也不是很理想。本文對BP神經(jīng)網(wǎng)絡(luò)模型采用了附加動量法、自適應(yīng)學(xué)習(xí)速率等簡單切實(shí)有效方法，不但克服了傳統(tǒng)的BP算法收斂速度慢等缺點(diǎn)，大大縮短了學(xué)習(xí)時間，也由于其易于實(shí)現(xiàn)而有利于在個股投資工程風(fēng)險度量中推廣。與傳統(tǒng)統(tǒng)計方法相比，BP神經(jīng)網(wǎng)絡(luò)理論根底還不是十分完善，在解決問題的模型上沒有一個統(tǒng)一的標(biāo)準(zhǔn)，因此BP神經(jīng)網(wǎng)絡(luò)并不能完全取代統(tǒng)計學(xué)分析，兩者是互相補(bǔ)充的關(guān)系，應(yīng)該將BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)統(tǒng)計分析結(jié)合起來應(yīng)用，如BP神經(jīng)網(wǎng)絡(luò)樣本處理時需要運(yùn)用統(tǒng)計工具進(jìn)行因子分析。對于回歸方法等難以解決的問題，利用BP神經(jīng)網(wǎng)絡(luò)能夠反映非線性特征的優(yōu)點(diǎn)，可得到滿意的結(jié)果。例如在實(shí)證研究局部，BP神經(jīng)網(wǎng)絡(luò)模型的擬合和預(yù)報精度都要優(yōu)于回歸模型，對于結(jié)果的估計，BP算法預(yù)測的誤差平方和均值僅為18.26，而多元回歸算法那么