BP神经网络算法在个股投资项目风险度量中的应用研究

论文导读:：神经网络算法在个股投资项目风险度量中的应用研究。能有效地提高个股投资项目风险度量的准确性。
论文关键词：个股投资，项目风险度量，BP神经网络算法:实证分析

 

BP神经网络算法在个股投资项目风险度量中的应用研究

摘要：度量个股投资项目风险是一个复杂的过程，目前的大部分研究方法都没有考虑个股投资项目风险的非线性复杂特点。本文通过BP神经网络算法，对个股投资项目进行实证分析。结果显示，利用BP算法具有很好的预测精度，能有效地提高个股投资项目风险度量的准确性。

关键字：个股投资；项目风险度量； BP神经网络算法：实证分析

1引言

Eugene F.Fama(1970)的有效市场假说(Efficient Market Hypothesis)认为，如果证券市场在价格形成中充分而准确地反映全部相关信息，则称该市场是有效率的。但现实情况恰恰相反，由于股票行市受市场层次、行业层次和公司微观层次等因素影响，其内部规律非常复杂，周期变化无序。同时我国资本市场个人投资者的比例高，相对于机构投资者而言，投资者个人心理状态不同毕业论文提纲，风险承受能力差，专业水平低，尤其是非职业股民由于受时间、空间上的限制，往往无法长期关注股市动态和发展，同时出于追逐利益的目的以及本身缺乏风险意识以及缺少信息的原因，使得投资者普遍抱持着投机心理，产生了跟庄行为，由此导致“羊群效应”的发生。“羊群效应”是行为金融学的一个重要概念，是指在一定时期，当采取相同策略（买或卖）交易特定资产的行为主体达到或超过一定数量。这种投资者结构以及投资者行为的特点使得中国股票市场的股票行为具有了不同于成熟市场的特点论文提纲格式。所有这些给股票风险分析提出了新的课题。目前的诸多相关研究，其融合了诸多学科中的理论精华，并结合现代个股投资项目风险的特点，迄今在业界已经取得了不少成就，如主成分分析法、多元回归方法等，但这些方法大都没有考虑个股投资项目风险非线性复杂特点。

因此，本文从个股投资项目风险度量建模的具体情况出发，采用神经网络算法，应用MATLAB仿真软件进行了实证分析。并且通过与多元回归方法对比得到了，在具有复杂特点的个股投资项目风险管理中，BP神经网络算法具有很好的预测精度，能有效地提高个股投资项目风险度量的准确性。

2 BP神经网络

BP(backpropagation)神经网络是前馈型神经网络的一种，其是建立在梯度下降法的基础上的，学习过程(训练)由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出毕业论文提纲，则转入反向传播，逐层递归地计算实际输入与期望输入的差(即误差)。将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

图1：三层神经网络模型

在图1中，输入向量为；隐层输出向量为；输出层输出向量为；期望输出向量为。输入层到隐层之间的权值矩阵用V表示，，其中列向量为隐层第j个神经元对应的权向量；隐层到输出层之间的权值矩阵用W表示，，其中列向量为输出层第k个神经元对应的权向量。各层信号之间的数学关系如下：

对于输出层，有

k=（2﹒1）

k=（2﹒2）

对于隐层，有

j=（2﹒3）

j=（2﹒4）

由于标准BP算法存在一些缺陷：

（1）易形成局部最小而得不到全局最优；

（2）训练次数多使学习效率低，收敛速度慢；

（3) 学习过程出现假饱和。

另外，网络隐含层数及隐节点的选取缺乏理论指导，网络训练时学习新样本有遗忘旧样本的趋势。因此，我们采取如下措施进行改进：

（1）增加动量项

令，称为动量系数，一般有。

（2）输入数据处理

在输入数据的标准化方面，输入数据太大，容易导致模型无法收敛，所以将输入数据变换为[0,1]区间的值，其公式如下

其中，代表输入数据，代表数据变化范围的最小值，代表数据变化范围的最大值。

（3）学习速率的调整

令

K为训练次数，为网络均方根误差毕业论文提纲，这样保证一个近最优的学习速率，从而得到比标准BP算法更快的收敛速度论文提纲格式。

3实证分析

本文数据来源于和讯网国内工业运输行业个股投资价值财务得分表，数据截止到2009.12.18（http://www.hexun.com/http://quote.hexun.com/stock/icb.aspx?code=2770&name=工业运输）部分情况见表1。

表1：个股投资项目指标体系

资料来源于和讯网

下面采用BP神网络算法和回归方法对个股投资项目风险进行度量分析：

3.1利用BP神网络算法度量个股投资项目风险

（1）实证主要具体过程

（a）初始化

对权值矩阵、赋随机数，误差置为0, 动量系数取0.9，训练间隔次数为50，最大训练次数为1000，网络训练后达到的精度设为0.001。

（b）采用批（Batch）训练方式，输入样本对，计算各层输出及网络误差。

（c）检查网络总误差是否达到精度要求。

若满足﹤，训练结束，否则置0，重新训练。

 1/2    1 2 下一页 尾页