基于神经网络技术的股票买入点预测系统的设计与实现

《基于神经网络技术的股票买入点预测系统的设计与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中文图书分类号：TP39密级：公开UDC：004学校代码：10005工程硕士学位论文M.E.DISSERTATION论文题目：基于神经网络技术的股票买入点预测系统的设计与实现论文作者：张宇领域：计算机技术指导教师：李玉鑑教授王屹副教授论文提交日期：2016年6月16日UDC：004学校代码：10005中文图书分类号：TP39学号：G201207007密级：公开北京工业大学硕士专业学位论文（非全日制）题目：基于神经网络技术的股票买入点预测系统的设计与实现英文题目：DESIGNANDIMPLEMENTATIONOFSTOCKBUYINGPOINTFORECASTSYSTEMBASED

2、ONNEURALNETWORKTECHNOLOGY论文作者：张宇领域：计算机技术研究方向：计算机软件技术申请学位：工程硕士专业学位指导教师：李玉鑑教授王屹副教授所在单位：计算机学院答辩日期：2016年5月授予学位单位：北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：张宇日期：2016年5月8日

3、关于论文使用授权的说明本人完全了解北京工业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。（保密的论文在解密后应遵守此规定）签名：张宇日期：2016年5月8日导师签名：李玉鑑日期：2016年5月8日摘要摘要股票市场受到政治形势、国家政策、投资者心理等诸多因素的影响，其内部的变化规律极其复杂，并且变化周期也杂乱无章。人们很难凭直觉和经验从庞大的数据中获取隐藏的信息。因此，运用数据挖掘的相关技术对股票市场进行分析和预测成为必然的选择。其中以神经网络技术为代表，它通过对

4、人脑进行简化和抽象，用以进行智能化的决策和推断。神经网络具备较强的自组织、自适应、自学习等特点，并且可以对问题进行分布式的处理。将其应用于股票市场这类复杂多变的非线性动力学系统进行分析和预测的研究时具有明显优势。本课题设计并实现了基于神经网络技术的股票买入点预测模型。相较于同类研究，本预测模型创新性的将未来一段时间内的最大累计涨幅作为预测对象。它可以较为精确的对股票的涨跌趋势进行预测，在训练样本集和测试样本集中的平均正确率超过80%，具有较强的实际应用价值。此预测模型由6个独立的BP神经网络所组成，通过对6组特征信息分别进行训练学习，实现对股票未来28天内涨跌幅度的预测。基于此预

5、测模型设计并实现了股票买入点预测系统。此系统由两部分组成，分别为股票分析客户端和股票分析服务端。其中股票分析客户端包含数据全量加载模块和预测查询模块，股票分析服务端包含数据增量采集模块、特征提取模块和训练学习模块。通过对2005年1月至2016年1月间沪深2市共2000余支股票的日线数据进行特征提取，利用神经网络进行训练学习，对股票的买入点进行预测，为股票市场中的投资者在进行股票交易和决策时提供重要的参考依据。关键词：股票市场；预测；神经网络；−I−AbstractAbstractStockmarketisaffectedbypoliticalsituation,national

6、policy,investorpsychologyandotherfactors.Itsinteriorlawisverycomplex,andchangecycleisunordered.It’sdifficultforpeopleobtainhiddeninformationfromenormousdatabyintuitivelyandexperience.Itisanecessarychoicetointroducedataminingtechnologytoanalyzeandpredictstockmarket.Representedbyneuralnetworkte

7、chnology,itisthehumanbrain’ssimplificationandabstractionandmainlydependsonintelligentdecisionsanddeduction.Sincetheneuralnetworkhasthestrongcharacteristicsofself-organization,self-adaptation,self-learningandsoon,itcanbedistributedandprocessed