excel的nasdaq行情预测(源码)
数据挖掘是近些年迅速发展起来的一项技术，被广泛应用于各个领域，而预测技术是数据挖掘中的一个重要方向。为了实现对NASDAQ的行情预测，本文对反向传播神经网络模型进行设计并对数据的归一化，网络结构和参数选择提出见解。尤其是在数据归一化上对传统方法改进，以适应预测数据超出训练集范围的情况；运用多重线性回归和BP神经网络模型分别对NASDAQ数据拟合建模从而进行预测并相互比较，结果表明线性回归并不适用于这类数据的建模，神经网络对这类复杂的时间序列的建模更加可靠。建立的神经网络模型适用性十分广泛，在其他需要神经网络建模的地方也可以尝试使用。关键词 数据挖掘，预测，时间序列，神经网络，线性回归
目录
1 引言 3
1.1 课题研究背景 3
1.1.1 数据挖掘的发展 3
1.1.2 预测技术在数据挖掘中的应用 3
1.2 课题研究意义 3
2 基于时间序列的预测方法原理 4
2.1 几种回归分析方法 4
2.1.1 简单线性回归 4
2.1.2 多重线性回归 5
2.1.3 对数回归 5
2. 2 神经网络方法 5
2.2.1 一般神经网络 5
2.2.2 全连接BP神经网络 6
2. 3 本章小结 6
3 全连接BP神经网络模型的设计 7
3.1 BP网络的模型及程序设计 7
3.1.1 结构设计 7
3.1.2 网络训练算法 9
3.1.3 训练程度判断 10
3.1.4 网络的简单检验 11
3. 2 对于BP神经网络模型训练的细节处理 11
3.2.1 数据归一化预处理 11
3.2.2 训练参数选择 12
3.2.3 不同网络结构的选择 13
3.3 本章小结 14
4 基于EXCEL的NASDAQ行情预测 15
4.1 多重线性回归预测NASDAQ行情 15
4.1.1 不同自变量数目的选择 15
*好棒文|www.hbsrm.com +Q: ^351916072^
4.1.2 用线性回归进行连续预测的准确性 18
4. 2 全连接BP神经网络预测NASDAQ行情 18
4.2.1 数据预处理和训练参数选择 18
4.2.2 输入神经元数量的选择 19
4.2.3 用神经网络进行连续预测的准确性 21
4. 3 多重线性回归与BP神经网络预测NASDAQ比较 22
4.4 本章小结 23
结 论 25
致 谢 26
参 考 文 献 27
1 引言
NASDAQ是美国证券业协会行情自动传报系统的缩写，是世界最大的股票市场之一。股票市场其实涵盖了人类生活的各个方面，从全球经济到一张纸的价格，这些都与股市行情息息相关，由此可见，对股市行情的预测实乃事关经济走向乃至国计民生的大事。
1.1 课题研究背景
讨论对股票数据的预测就不得不讨论数据挖掘技术在近些年的迅猛发展。
1.1.1 数据挖掘的发展
数据挖掘技术是迅速发展起来的一门交叉学科，涉及数据库、统计学、人工智能和机器学习等多个领域。数据挖掘是一个过程——是一个不断把商业经验和知识与数据相结合的过程，通过数据挖掘可以更好地认识所面临的问题并发现新的市场机会，做出更加明智的决策[1]。
人工神经网络（下文简称神经网络）因为其强大的学习能力，面对海量数据寻找模式的能力，近年来在数据挖掘中扮演着不可缺少的角色。多层神经网络理论上可以拟合任意函数的强大能力让其不仅在人工智能领域中表现活跃，而且在数据挖掘中也取得了广泛的应用。
1.1.2 预测技术在数据挖掘中的应用
预测是一种用于确定未来结果的有指导学习策略。预测的方法多种多样，可以从决策树转化为产生式规则，并用以预测；可以通过训练神经网络建立模型来进行预测；也可以通过有指导分类器进行分类属性预测；还可以从统计技术的角度出发，有线性回归分析，对数回归等。
神经网络模型是本文进行预测的重要方法，而且也是近年数据挖掘技术中十分热门的技术，去年家喻户晓的AlphaGo就采用了多层神经网络的深度学习技术。神经网络这门技术正如其名，来自于对人脑的神经元结构的研究。
本文主要通过反向传播学习训练前馈神经网络，并将网络模型用于行情预测，同时用线性回归预测进行结果比较。
1.2 课题研究意义
股票市场作为市场经济的重要特征，很早就有人试图对股票走势进行预测，一百多年来，一些分析方法随着股市的产生和发展逐步完善起来，如：道氏分析法、K线图分析法、柱状图分析法、点数图分析法、移动平均法，还有形态分析法、趋势分析法、角度分析法、神秘级数与黄金分割比螺旋历法、四度空间法等，然而这些方法只是基于经验或者哲学发展起来的分析手段，此外人们也试图用统计学手段如回归分析来预测股市。然而由于股市变化规律的复杂性，这些传统的预测方法有时不能有效地预测行情，而数据挖掘近些年来得迅速发展给股市预测开启了一扇新的大门。
股票数据是时间序列的一个典型代表，对股票数据预测不仅在经济上有重要作用，对其他时间序列的预测也有重要的借鉴作用。其他文献中有专门对时间序列进行讨论的：如《时间序列分析的工程应用》一书中讲解了时间序列的各种模型的工程应用[2]；还有人运用时间序列的GARCH模型，对汇率体制改革后的人民币美元汇率建模进行预测[3]；也有人结合时间序列与神经网络对短期风速进行预测，这也是本文要应用的方法[4]。由此可见，时间序列应用十分广泛，跨越各种领域，对此进行预测方面的研究有十分广泛而重要的意义。
目录
1 引言 3
1.1 课题研究背景 3
1.1.1 数据挖掘的发展 3
1.1.2 预测技术在数据挖掘中的应用 3
1.2 课题研究意义 3
2 基于时间序列的预测方法原理 4
2.1 几种回归分析方法 4
2.1.1 简单线性回归 4
2.1.2 多重线性回归 5
2.1.3 对数回归 5
2. 2 神经网络方法 5
2.2.1 一般神经网络 5
2.2.2 全连接BP神经网络 6
2. 3 本章小结 6
3 全连接BP神经网络模型的设计 7
3.1 BP网络的模型及程序设计 7
3.1.1 结构设计 7
3.1.2 网络训练算法 9
3.1.3 训练程度判断 10
3.1.4 网络的简单检验 11
3. 2 对于BP神经网络模型训练的细节处理 11
3.2.1 数据归一化预处理 11
3.2.2 训练参数选择 12
3.2.3 不同网络结构的选择 13
3.3 本章小结 14
4 基于EXCEL的NASDAQ行情预测 15
4.1 多重线性回归预测NASDAQ行情 15
4.1.1 不同自变量数目的选择 15
*好棒文|www.hbsrm.com +Q: ^351916072^
4.1.2 用线性回归进行连续预测的准确性 18
4. 2 全连接BP神经网络预测NASDAQ行情 18
4.2.1 数据预处理和训练参数选择 18
4.2.2 输入神经元数量的选择 19
4.2.3 用神经网络进行连续预测的准确性 21
4. 3 多重线性回归与BP神经网络预测NASDAQ比较 22
4.4 本章小结 23
结 论 25
致 谢 26
参 考 文 献 27
1 引言
NASDAQ是美国证券业协会行情自动传报系统的缩写，是世界最大的股票市场之一。股票市场其实涵盖了人类生活的各个方面，从全球经济到一张纸的价格，这些都与股市行情息息相关，由此可见，对股市行情的预测实乃事关经济走向乃至国计民生的大事。
1.1 课题研究背景
讨论对股票数据的预测就不得不讨论数据挖掘技术在近些年的迅猛发展。
1.1.1 数据挖掘的发展
数据挖掘技术是迅速发展起来的一门交叉学科，涉及数据库、统计学、人工智能和机器学习等多个领域。数据挖掘是一个过程——是一个不断把商业经验和知识与数据相结合的过程，通过数据挖掘可以更好地认识所面临的问题并发现新的市场机会，做出更加明智的决策[1]。
人工神经网络（下文简称神经网络）因为其强大的学习能力，面对海量数据寻找模式的能力，近年来在数据挖掘中扮演着不可缺少的角色。多层神经网络理论上可以拟合任意函数的强大能力让其不仅在人工智能领域中表现活跃，而且在数据挖掘中也取得了广泛的应用。
1.1.2 预测技术在数据挖掘中的应用
预测是一种用于确定未来结果的有指导学习策略。预测的方法多种多样，可以从决策树转化为产生式规则，并用以预测；可以通过训练神经网络建立模型来进行预测；也可以通过有指导分类器进行分类属性预测；还可以从统计技术的角度出发，有线性回归分析，对数回归等。
神经网络模型是本文进行预测的重要方法，而且也是近年数据挖掘技术中十分热门的技术，去年家喻户晓的AlphaGo就采用了多层神经网络的深度学习技术。神经网络这门技术正如其名，来自于对人脑的神经元结构的研究。
本文主要通过反向传播学习训练前馈神经网络，并将网络模型用于行情预测，同时用线性回归预测进行结果比较。
1.2 课题研究意义
股票市场作为市场经济的重要特征，很早就有人试图对股票走势进行预测，一百多年来，一些分析方法随着股市的产生和发展逐步完善起来，如：道氏分析法、K线图分析法、柱状图分析法、点数图分析法、移动平均法，还有形态分析法、趋势分析法、角度分析法、神秘级数与黄金分割比螺旋历法、四度空间法等，然而这些方法只是基于经验或者哲学发展起来的分析手段，此外人们也试图用统计学手段如回归分析来预测股市。然而由于股市变化规律的复杂性，这些传统的预测方法有时不能有效地预测行情，而数据挖掘近些年来得迅速发展给股市预测开启了一扇新的大门。
股票数据是时间序列的一个典型代表，对股票数据预测不仅在经济上有重要作用，对其他时间序列的预测也有重要的借鉴作用。其他文献中有专门对时间序列进行讨论的：如《时间序列分析的工程应用》一书中讲解了时间序列的各种模型的工程应用[2]；还有人运用时间序列的GARCH模型，对汇率体制改革后的人民币美元汇率建模进行预测[3]；也有人结合时间序列与神经网络对短期风速进行预测，这也是本文要应用的方法[4]。由此可见，时间序列应用十分广泛，跨越各种领域，对此进行预测方面的研究有十分广泛而重要的意义。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1424.html
