BP神经网络算法在个股投资项目风险度量中的应用研究

（2）BP算法训练过程样本一共23组，其中训练样本15组，测试样本8组，利用MATLAB软件仿真。首先对测试样本进行网络训练，成长性、财务能力、偿债能力、经营能力、现金流指标、盈利能力等六个指标作为模型的输入因子。net=newff(minmax(P),[2,1],{'tansig’,’tansig'},'traingdx') net.trainParam.show=50; net.trainParam.epochs=1000; net.trainParam.mc=0.9;net.trainParam.goal=0.001; lr=0.01; lr_inc=1.05;lr_dec=0.7;err_ratio=1.04; [net,tr]=train(net,P,T); A = sim(net,P) E =A-T

MSE=mse(E) save net1212 net基于上述MATLAB程序代码（部分），得到误差结果（图2所示）。

图2：误差仿真结果

从图2可以发现模型经过442步，达到误差精度0.001要求。（3）BP算法测试过程load net1212 netP1;

A = sim(net,P1)加载训练好的网络，利用上述代码（部分），输入测试样本进行网络测试，得到结果如表2。表2： BP算法测试结果

3.2利用多元回归方法度量个股投资项目风险

多元回归分析是一种处理变量的统计相关关系的一种数理统计方法，其主要是解决线形回归问题。为了与BP神经网络算法做比较，我们引入了多元回归方法。运用EVIEWS软件同样对前15组样本进行回归分析，得到表3。

表3：多元回归方法结果

因此回归模型为：

Y=0.390030(X1)+0.364723(X2)+0.222463(X3)+0.268660(X4)+0.359174(X5)+0.320806(X6)-45.05147

其中：Y表示综合得分；X1表示成长性；X2表示财务能力；X3表示偿债能力；X4表示现金流量；X5表示经营能力；X6表示盈利能力。

利用回归模型毕业论文提纲，输入后8组样本进行仿真，得到结果见表4。

表4： 回归算法仿真结果

3.3两种方法预测情况

对个股投资项目的综合得分问题，BP神经网络算法与回归方法的预测值、残差情况见表5和表6论文提纲格式。

表5：两种方法对结果的预测值对比情况表

表6：两种方法残差比较

实证分析采用主要处理线性问题的回归方法和可以处理非线性问题的BP神经网络算法对股票分值预测结果进行对比分析，可以发现，对于预测的残差最大绝对值，回归方法达到了15.41，而BP神经网络算法只有7.12；对于残差最小绝对值，回归方法有1.45之多，而BP神经网络算法只有其的1/3；对于残差平方和均值，回归方法更是达到了55.88，而BP神经网络算法仅为18.26.因此，不管在残差最大绝对值、残差最小绝对值方面，还是在残差平方和均值方面，相比多元回归算法，BP神经网络算法预测精度是比较高的。目前个股投资项目其涉及到得各种风险因素都是错综复杂的，是一种非线性的关系，利用BP神经网络算法，并且加以适当的改正，将能为个股投资项目风险管理带来巨大的帮助。
 

4研究结论

人工神经网络发展至今，理论正逐渐完善，作为主要的网络模型之一的BP网络，在个股投资项目风险度量中的应用也在逐渐增加。它以成熟的计算机技术为基础，抛开了先假设后验证的传统统计分析方法，不需要对研究问题提出任何假设，在进行个股投资项目风险度量方面有着广阔的应用前景毕业论文提纲，特别是在变量较多或关系不明的情况下。

标准BP神经网络在很多情况下是发散的，预测值也不是很理想。本文对BP神经网络模型采用了附加动量法、自适应学习速率等简单切实有效方法，不但克服了传统的BP算法收敛速度慢等缺点，大大缩短了学习时间，也由于其易于实现而有利于在个股投资项目风险度量中推广。

与传统统计方法相比，BP神经网络理论基础还不是十分完善，在解决问题的模型上没有一个统一的标准，因此BP神经网络并不能完全取代统计学分析，两者是互相补充的关系，应该将BP神经网络与传统统计分析结合起来应用，如BP神经网络样本处理时需要运用统计工具进行因子分析。

对于回归方法等难以解决的问题，利用BP神经网络能够反映非线性特征的优点，可得到满意的结果。例如在实证研究部分，BP神经网络模型的拟合和预报精度都要优于回归模型，对于结果的估计，BP算法预测的误差平方和均值仅为18.26，而多元回归算法则高达55.88。

参考文献
[1]Eugene F.Fama.Efficient capital markets: A review of theory and empirical work[J].Journal ofFinance,1970.25::383-417.
[2]John Y Campbell,MartinLettau,Burton G,Malkiel and Yexiao Xu.Have Individual Stocks Become MoreVolatile?An Empirical Exploration of Idiosyncratic Risk[J].Journal of Finance,2001.2:1-44．
[3]吴福龙,曾勇.羊群效应理论及其对中国股市的现实意义[J].预测,2003.22(2):62-68
[4]刘波,曾勇,唐小我.中国股票市场羊群效应的实证研究[J].运筹与管理,2004.13(1):87-94
[5]金德环,王俊.上市公司信息披露与个股异常波动相关性研究[J].财经研究, 2002.28(7):19-25
[6]陆建军,管清友,张征宇.中国股票市场个股价格异常波动实证分析[J].现代财经,2003.23(5):19-21
[7]姚辉.证券投资分析[M].中国科学技术大学出版社,合肥,2008.1
[8]A.VAN OOYEN,B.NIENHUIS.Improving theconvergence of the back-propagation algorithm[J].NeuralNetworks,1992(5):465-471
[9]韩力群.人工神经网络教程[M].北京邮电大学出版社,北京,2007.7
[10]周开利,康耀红.神经网络模型及其MATLAB实证程序设计[M].清华大学出版社, 北京,2009.2
 

 2/2   首页 上一页 1 2