论文总字数：16237字

摘 要

股票市场里存在着许多既复杂又难懂的股票价格规律和关系，所以对股票价格的预测是富有深远意义的研究主题。随着时代和科技的进步，预测股票价格的方式也在发生变化。用机器学习和人工智能中的各种方法对股票价格进行预测是近年来十分流行和热门的研究方式，它们为预测股票的价格趋势提供了更高效和便捷的研究途径。

本文采用支持向量机回归和BP神经网络分别对科大讯飞和南大光电的未来股价进行预测，并结合均方误差和决定系数以及预测值与真实值的比对图表，来分析比较两种模型的预测精确度和优缺点。本文的实证研究最终证明了，在预测股票的收盘价方面，支持向量机回归较BP神经网络更具有优越性和准确性，能取得更好的预测结果。

关键词：支持向量机回归 BP神经网络 股票价格预测

Stock price prediction based on BP neural network and support vector machine regression

Abstract

There are many complicated and difficult stock price rules and relations in the stock market, so the prediction of stock price is a profound research topic. With the development of time and technology, the way to predict the stock price is changing. In recent years, it is very popular to predict the stock price by various methods of machine learning and artificial intelligence, which provides a more efficient and convenient research approach for predicting the stock price trend.

In this paper, support vector machine regression and BP neural network are used to forecast the future stock prices of Iflytek and Nata Opto-electronic, respectively. In combination with the mean square error and determination coefficient, as well as the comparison chart between the predicted value and the real value, the prediction accuracy, advantages and disadvantages of the two models are analyzed and compared. The empirical study in this paper finally proves that SVM regression is more advantageous and accurate than BP neural network in predicting stock closing price, and can obtain better prediction results.

Keywords: Support vector machine regression; BP neural network; Stock price forecasting

目 录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 论文的背景和意义 1

1.2 论文的主要方法和研究进展 2

1.3 国内外文献综述 3

1.3.1.国外相关研究回顾 3

1.3.2国内相关研究回顾 4

第二章 理论基础 6

2.1 支持向量机回归 6

2.1.1核函数 6

2.1.2 不敏感损失函数 7

2.1.3 参数优化 7

2.2 BP神经网络 8

第三章 实证分析 10

3.1实验数据选取 10

3.2 实验工具选取 10

3.3 实验数据处理 11

3.4 实验结果分析 11

第四章 实证研究结论 18

第五章 总结与展望 20

5.1 总结 20

5.2 展望 20

参考文献 22

第一章 绪论

1.1 论文的背景和意义

股市是随着社会经济发展应运而生的重要金融产物，它的发展与社会经济的发展起着互相促进的作用。股票市场具有以下四大基本功能：为上市公司融资，解决企业融资难问题；具有投资功能，拓宽了投资者的投资渠道；集中社会闲散的存量资金，实现资源的优化配置；具有价值发现功能，使上市公司股价在合理范围内波动。正是如此，股票市场成为了很多人投资理财的首选场所。

非常多的专家学者对股票市场十分感兴趣，并对其进行了深入研究，取得了丰富的研究成果。其中，对股票价格的预测一直是尤为热门和常见的研究主题。在以往的研究中，常见的股价预测法有：

证券投资分析法，是对股价变化进行定性的分析，其中三个基本要素为：信息、步骤和方法，常见的证券投资分析法有：基本分析法、技术分析法、量化分析法。

（1）基本分析法

它是指分析师根据金融学、管理学和投资学等基本原理，对证券投资价值起决定性作用的基本要素，如宏观的经济政策影响、行业发展状况、公司销售和财务状况等进行分析，从而评估证券是否具有投资价值，以及其合理的投资价格。 此法需要运用比较完整和长期的数据来对股价走势进行预测。

（2）技术分析法

它是一种根据市场最基本的供求关系变化规律来预测股票市场未来趋势和波动规律的分析方法。技术分析法需要依照时间顺序把市场本身的行为变化绘制成图表，然后再研究和分析这些图表，以预测未来股票价格的走势。

（3）量化分析法

它是一种首先对市场风险进行定性分析，然后将这些风险排出优先顺序后，再进行量化分析的分析方法。需要注意的是，一般情况下，先进行定性风险分析，再进行定量风险分析。完成前面的步骤后，就可以制定应对风险的计划。计划制定完成后，可以再次进行定量风险分析，来判断投资总风险是否相应地减少或增加，如此循环往复，直至达到满意的风险承担范围内。量化分析法具有很强的风险的检测和控制的能力，能够很好地预测股价走势。

时间序列预测法，是基于股票市场相关的理论知识，根据时间数列所能反映的股票市场的发展过程和规律性，运用大量历史数据来建立数学模型，根据其所求出的结果来预测股价发展趋势的预测方法。它具有以下几大特征：假设事物的发展趋势会从过去延伸到未来；用来进行预测研究的数据具有不规则性；撇开了股票市场发展的因果关系.时间序列预测法根据预测周期长短可以分为短期、中期和长期预测。它依据不同的分析方法还可以分为以下几种预测方法：简单序时平均数法、加权序时平均数法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法、移动平均法、加权移动平均法等。

神经网络预测法，是以数学方法为基础，通过高度的自学习能力、并行计算能力、映射能力和容错能力来研究学习数据之间的内在联系和规律，再对未来股价发展趋势进行预测的一种分析方法。神经网络预测法通过强大的自学习、自适应能力和并行计算能力，可以对未知的模式进行正确分类，并能从大量复杂的数据中找出它们的规律。这使得它很大程度上缩减了传统的预测所需的复杂的计算过程，并且有效地解决了如何选择精确的数学模型函数所带来的困难。神经网络预测法是一种自然的非线性建模过程，能够学习大量的股票历史数据，并分析描述它们之间的规律，这给对未来股价的预测与分析带来了极大的方便。

请支付后下载全文，论文总字数：16237字