基于Bp神经网络的股票预测

% 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1}

% 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数

net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9;

net_1.trainParam.epochs = 100000; net_1.trainParam.goal = 1e-3;

% 调用 TRAINGDM 算法训练 BP 网络 [net_1,tr]=train(net_1,Pn,Tn); % 对 BP 网络进行仿真 A = sim(net_1,Hn); % 计算仿真误差 E = Tn - A; MSE=mse(E);

[A1,T1] = postmnmx(A,min(min(P)),max(max(P)),Tn,mint,maxt) x=1:129; x1=1:131 plot(x,A1,'r'); hold on plot(x,T1,'b'); hold on

plot(x1,K,'w'); hold on plot(x1,L,'y'); hold on

plot(x1,M,'m'); hold on plot(x1,N,'c');

title('中国银行2013/11/1-2014/5/15');

legend('预测','实际','五日线','十日线','二十日线','六十日线',1); figure(2) plot(x,E,'r')

4.2中国汽研预测分析;

在MATLABr2014a 中用函数xlsread 导入已经下载好的中国汽研（601965）2013/4/1-2014/5/12的收盘价作为输入样本，进行BP网络训练。

网络结构：

BP神经网络的仿真结果：

图中红色曲线为预测曲线，蓝色曲线为实际曲线，从图可以看出，BP曲线近似的模拟出真实曲线，较之前中国银行的预测效果要好，主要原因是中国汽研的训练样本数目提升到256组，并且训练了十万次，误差到了0.006。

误差训练情况：

梯度：

回归曲线：

股票分析：

方法一：移动平均线与BP曲线相结合