股票是市场经济的产物,上市公司通过发行股票聚拢资金,投资者将股票作为一种投资手段。随着经济的发展,人们对股市认识的逐渐深入,越来越多的投资者进入股市,股票也成为日常生活中的常见事物。投资股市具有高回报性,但与之相伴的还有它的高风险性。在股票投资者中,不乏取得收益的佼佼者,但更多的却是面对变化莫测的股市,不知所措任其摆布的投资者。但因为股市强大的吸引力,人们从未放弃对它的追逐,个人投资者和机构投资者都强烈希望能够找到一种有效的方法,来预测股票未来的走势情况。越来越多的研究者也投入到对股票预测方法的研究中。预测股市的方法很多,例如通过分析财务数据,寻找其中决定股市走势的因素,从而对股市未来发展趋势进行预测等。然而,股票市场是一个复杂的非线性动态系统,运用传统的时间序列预测技术,想要对它进行预测几乎是不可能的。随着对股票特征的认识,近年来,将神经网络用于股市预测的研究越来越多。由于神经网络强大的非线性问题处理能力,很好的自学习能力和自适应能力,使它可以逼近任意函数,在股票的预测中也取得了一定的效果。模糊逻辑提供了模糊规则的生成机制,可以模拟人类的推理过程,并能利用已有的专家知识。由于模糊逻辑和神经网络存在很多互补的优缺点,将两者结合取长补短就成了自然而然的事,因此产生了模糊神经网络。模糊神经网络用于股票预测有很多不同的形式,笔者认真研究了已有成果,学习其成功之处,也分析了存在的不足,并在此基础上用改进的模糊神经网络——动态模糊神经网络(D-FNN)用于股市预测。神经网络用于股市预测,就是利用股票的历史数据组成的时间序列,通过神经网络的自学习能力对其进行分析,发掘其中的规律,模拟网络输出与输入间的函数关系,并将此函数用于对未来股价的预测中。D-FNN用于股票预测运用同样的原理,但与普通神经网络相比,学习算法存在较大不同。D-FNN是改进了的模糊神经网络,它无需像普通神经网络那样需要预先由人工确定网络结构,而是采用一种模糊规则自适应的学习算法,可根据具体问题的需要生成不同数目的模糊规则,并根据模糊规则来确定网络结构。在网络结构的确定上,由于不是随机生成,也无需反复试验,所以更具科学性。在股票预测中,随着所选股票的不同,生成的网络结构也不尽相同,使训练好的网络更具针对性,将其用于股票预测也更加准确。股票未来的走势相对于股价的具体值来说更容易被预测,而且对股票走势的预测也更具实际意义,因此,本文也对股票走势的预测进行了研究。实验证明,将D-FNN用于趋势预测相比价格预测更具稳定性,这一发现对今后的研究具有一定的借鉴意义。本文改进了模糊神经网络的算法,并将其运用到股票预测中,意在寻找一种更适合的股票预测方法。通过实验分析尝试为广大投资者或研究人员提供新的思路和实用方法。