周陽

【摘 要】針對BP神經網絡在數(shù)據(jù)挖掘領域的應用研究，將其估值預測能力應用到基金預測方面，通過BP神經網絡建立起一套基金預測模型。選取2016年某銀行基金數(shù)據(jù)作為實驗數(shù)據(jù)，對實驗數(shù)據(jù)進行訓練和測試，結果表明，BP神經網絡能預測基金凈值和基金風險的趨勢。

【關鍵詞】數(shù)據(jù)挖掘;BP神經網絡;基金;預測模型

【中圖分類號】TP183 【文獻標識碼】A 【文章編號】1674-0688（2019）12-0077-02

1 概述

近年來，“大數(shù)據(jù)”已成當下社會的高頻詞匯，人們在瀏覽網頁、使用手機軟件等都會產生大量的數(shù)據(jù)留存在企業(yè)。數(shù)據(jù)挖掘技術有分類、估值、預測等功能，將數(shù)據(jù)挖掘技術應用到基金投資過程中，對基金的投資和選基過程進行數(shù)據(jù)挖掘，從而為投資者提供幫助。對基金的短期收益做簡單預測，向投資者進行低價買入高價賣出，是繼續(xù)持有還是清倉出售提供投資建議。本文基于基金的歷史凈值的變化，結合證券市場的股指變化，選用BP神經網絡算法對基金收益與風險進行短期預測。

2 BP神經網絡

BP神經網絡又稱為誤差反向傳播網絡，將期望與實際輸出之間的誤差通過構建的神經網絡反向傳播，經過輸入數(shù)據(jù)正向傳播和誤差反向傳播的過程，以獲得最終達到訓練次數(shù)或無限逼近期望值時神經網絡的權值。

一個神經網絡通常由一個輸入層、多個隱層和一個輸出層構成。構建神經網絡的重點在于如何設計隱層和各神經元之間的權重。

3 基金預測模型的設計

基金的收益與風險預測實際上是求解其收益與風險下一個時間段內的變動趨勢，而選用的BP神經網絡的算法主要實現(xiàn)輸入數(shù)據(jù)的前向傳播和實際輸出與期望的誤差的反向傳播過程。輸入數(shù)據(jù)正向傳播時，通過隱含層及隱含層的權重，計算得到實際的輸出，如果實際輸出值沒有達到期望輸出值，則計算二者的誤差，并通過神經網絡再反向傳播。經過一定次數(shù)的訓練，將與誤差最小的權值作用于各個神經元，即得到訓練完成的神經網絡。

4 算法設計

4.1 輸入、輸出數(shù)據(jù)選擇

在BP神經網絡中，輸入、輸出數(shù)據(jù)的選擇會直接影響到整個模型的建立。本文預測基金凈值的變化和基金的風險情況，我們需計算出每只基金上個月的收益和風險情況，再計算本月每只基金的收益和情況，與上月的差值作為輸入。我們以次月每只基金的收益和風險情況作為輸出進行模型的訓練。

激勵函數(shù)為g（x）取Sigmoid函數(shù)：

g（x）=（1）

隱含層的輸出，其中ωij和aj分別為輸入層到隱層的權重和偏置：

Hj=gωijxj+aj（2）

輸出層的輸出，其中ωjk和bk分別為隱層到輸出層的權重和偏置：

Ok=Hjωjk+bk（3）

誤差：

E=（Yk-Ok）2（4）

4.2 歸一化數(shù)據(jù)

進行數(shù)據(jù)歸一化主要是因為根據(jù)輸入數(shù)據(jù)最小相關性原則，神經網絡的輸入數(shù)據(jù)往往都代表不同的意義，只有通過歸一化處理后，才能使神經網絡的訓練在輸入時更加統(tǒng)一，不會因為輸入數(shù)據(jù)的較大波動造成整個神經網絡的不穩(wěn)定而影響輸出結果。本文設計的BP神經網絡將Sigmoid作為激活函數(shù)，它是便于求導的平滑函數(shù)，能使誤差梯度變化更加平緩和準確。本文經計算的收益增長和收益變化（風險），均在[-1，1]之間，無需進行歸一化處理，可直接使用。

4.3 劃分訓練集、測試集

在輸入和輸出數(shù)據(jù)準備完成后，為了驗證設計的神經網絡的運算和預測能力，我們把輸入和輸出數(shù)據(jù)分別劃分為訓練集和測試集。訓練集的數(shù)據(jù)用以訓練生成神經網絡權值，測試集的數(shù)據(jù)用來驗證模型的準確性。

4.4 算法的實現(xiàn)

本文采用的BP神經網絡為三層結構，包括輸入層、隱含層和輸出層。算法描述如下。

（1）選取輸入數(shù)據(jù)，隨機生成輸出層到隱層和隱層到輸出層的權重，根據(jù)選定的輸入數(shù)據(jù)確定輸出數(shù)據(jù)。

（2）將輸入數(shù)據(jù)通過隱層和輸出層節(jié)點的處理計算得到的網絡實際輸出進一步與期望輸出相比較，并計算實際輸出與期望輸出的誤差。

（3）將誤差作為修改權值的依據(jù)反向傳播至輸入層，再修正各層的權系數(shù)，并且反復這一過程。

（4）直到實際輸出與期望輸出的誤差達到預先設定的誤差收斂標準，從而獲得最終的網絡權值。

（5）將上月和本月的數(shù)據(jù)作為輸入，根據(jù)計算得到的權值作用于整個神經網絡權值進行計算，從而得到的預測結果。

5 BP神經網絡在基金預測的實現(xiàn)

基金凈值和風險的預測采用三層的BP神經網絡算法實現(xiàn)，本文選取了166只基金的總共1 992條數(shù)據(jù)作為訓練樣本，50只基金總共600條數(shù)據(jù)作為測試數(shù)據(jù)。將每只基金2—11月中每月的基金的2個指標（收益、風險）和與上月的2個指標差作為輸入，一共4個輸入，故輸入層有4個節(jié)點;隱層的節(jié)點數(shù)的選擇通常根據(jù)經驗及實現(xiàn)結果分析后實時調整。經過反復試驗證實，本文的隱層節(jié)點數(shù)設置為15時，學習速率設置為0.167時，能取得較好的訓練結果。故隱含層有15個節(jié)點;將下個月受益或風險分別作為輸出，故輸出層有一個節(jié)點。

將輸入、輸入數(shù)據(jù)，各層節(jié)點數(shù)等數(shù)據(jù)放入算法模型進行訓練和測試，能較為準確地預測基金凈值和風險。具體實現(xiàn)過程如圖1所示。

6 結語

本文采用了BP神經網絡對某銀行2016年的基金凈值數(shù)據(jù)進行挖掘和預測，運用每月的基金凈值和風險數(shù)據(jù)作為輸入數(shù)據(jù)，成功預測下個月的基金凈值和風險走勢。

參 考 文 獻

[1]許興軍，顏鋼鋒.基于BP神經網絡的股價趨勢分析[J].浙江金融，2011（11）：37-40.

[2]高玉明，張仁津.基于遺傳算法和BP神經網絡的房價預測分析[J].計算機工程，2014，40（4）：187-191.

[3]Matei O，Nagorny K，Stoebener K.Applying data mining in the context of Industrial Internet[J].International Journal of Advance Computer Science & Applications，2016，7（1）.

[4]Ticknor J L.A Bayesian regularized artificial neural network for stock market forecasting[J].Expert Systems with Applications，2013，40（14）：5501-5506.

[5]Somani P，Talele S，Sawant S.Stock Market Pre-

diction Using Hidden Markov Model[A].Information Technology & Artificial Intelligence Conference.Infor-

mation Technology & Artificial Intelligence Conferen-

ce，2015：89-92.