论文部分内容阅读
本研究希望运用人工神经网络技术,探讨考虑基本面因素(如总体经济状况、行业经济状况、公司经营状况)时对个股短期股价预测有无帮助。首先,本研究选择在美国上市的汤姆逊公司股票为研究对象。其次,希望找到合适的人工神经网络,能准确预测个股一周后的股价。本研究采用带延时单元的三层反向传播神经网络。最后,我们选择两套指标分别作为网络的输入变量以比较预测效果,它们是:1、基本面因素(包括总体经济状况、行业经济状况、公司经营状况)和股市实时指标;2、仅采用股市实时指标。 本研究的实证分析表明:1、训练算法Levenberg-Marquardt算法的训练精度高,与共轭梯度算法相比,它们的预测精度没有显著差异;2、隐含层神经元数目多少,与预测精度没有必然的联系;3、在本研究中,对数S型激励函数比正切S型激励函数的预测效果更佳;4、总体经济状况、行业经济状况、公司经营状况都是一定时期的统计数据,只有达到一定积累后才能从统计数据中有所体现。而且个股对总体经济变化的反应不如整个股票市场敏感,所以使用经济指标只适合预测股市的中长期趋势,对于预测个股每周股价变化的短期趋势作用不大。我们选用股市实时指标作为人工神经网络的输入变量,经过循环13次的训练96组数据和预测1个股价,结果显示平均预测误差率3.4%,绝对偏差在USD0.27~1.94之间。 本研究结论应属原创,如果预测一周以下的个股的短期股价趋势时,仅采用股市实时技术指标作为人工神经网络的输入变量,而不考虑基本面因素,其预测精度将提高。