时间序列预测--基于CNN的股价预测（Matlab代码实现）

       目录

💥1 概述

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码

---

💥1 概述

时间序列预测有很多方法，如传统的时序建模方法ARIMA、周期因子法、深度学习网络等，本次实验采用最简单的卷积神经网络进行训练。对于用CNN处理时序数据，通常使用一维卷积网络Conv1d。

随着我国资本市场的快速发展和居民收入水平的逐步提升,股票市场吸引了越来越多的投资者参与其中,特别是在2020年新冠疫情影响下,为提振经济实行的较为宽松的货币政策令股票市场表现不俗,股市吸引了大量新增投资者。数据显示,截至2020年12月,中国A股投资者共计1.77亿户,户均市值达到45万,全年新增投资者1802.11万户,同比增加了36.02%。股市的参与人数众多说明市场交易活跃,但是,个人投资者在交易中存在非理性投机倾向,盲目地追涨杀跌不利于股票市场的健康发展。倘若能够利用技术手段对股票价格走势进行预测,同时为投资者提供投资参考建议,那么此举将会促进资本市场的良性发展并提升投资者的收益水平,具有较强的理论和现实意义。本文在股票价格趋势预测中引入深度学习神经网络算法,使用CNN进行股价预测。

从结果来看，使用CNN来处理时间序列数据产生的预测值总体来说还行，但与真实值存在一定出入。对于股票来说，影响股价波动因素繁多，单单从历史股价进行预测未来股价是不足够的，这也符合弱式有效市场假说，即技术分析失败；另一方面，本次实验采用的网络结构较简单，采用更强大的网络进行回归预测任务则会得到更好的效果。

📚2 运行结果

主函数部分代码：

%% 清除工作空间中的变量和图形

clear,clc

close all

%% 1.加载337期上证指数开盘价格

load elm_stock

whos

rng(now)

price=price(:);

train_num=280;

price1=price(1:train_num);  %前280个数据为训练组

price2=price(train_num+1:337);      %后面的数据为测试组

x=price1';

%[x,ps]=mapminmax(x,0,1);   %归一化处理，可自行添加或不加

lag=6;    % 自回归阶数

iinput=x; % x为原始序列（行向量）

n=length(iinput);

%准备输入和输出数据

inputs=zeros(n-lag,lag);

for i=1:n-lag

    inputs(i,:)=iinput(i:i+lag-1)';

end

targets=x(lag+1:end);

%创建网络

P=inputs;

P=P';

T=targets;

net=newff(minmax(P),[10,1],{'logsig','purelin'},'trainlm');

inputWeights=net.IW{1,1} ;

inputbias=net.b{1}; 

layerWeights=net.LW{2,1} ;

layerbias=net.b{2,1} ;

% 避免过拟合，划分训练，测试和验

net.trainParam.show = 50; 

net.trainParam.lr = 0.1; 

net.trainParam.mc = 0.04; 

net.trainParam.epochs = 1000; 

net.trainParam.goal = 1e-5; 

%训练网络

[net,tr] = train(net,P,T);

%% 根据图表判断拟合好坏

yn=net(P);

errors=T-yn;

figure(1)

plot(T,'b-');

hold on

plot(yn,'r--')

legend('股价真实值','BP网络输出值')

title('训练数据的测试结果');

% 显示均方误差

mse1 = mse(errors);

fprintf('    mse = \n     %f\n', mse1)

figure(2)

title('训练数据测试结果的残差')

% 显示相对误差

disp('    相对误差：')

fprintf('%f  ', (T - yn)./T );

fprintf('\n')

%% 预测

% 2.显示测试数据的测试结果

%预测

fn=57;  %预测步数为fn。

f_in=iinput(n-lag+1:end)';

f_out=zeros(1,fn);  %预测输出

% 多步预测时，用下面的循环将网络

for i=1:fn

    f_out(i)=net(f_in);

    f_in=[f_in(2:end);f_out(i)];

end

figure(3)

% 显示真实值

x2=1:length(price2');

plot(price2,'b-');

hold on

% 显示神经网络的输出值

plot(f_out,'r--')

legend('initial data','prediction result');

title('BP prediction');

hold off

grid on

% 显示残差

figure(4)

errors2=price2'-f_out;

mse2=mse(errors2);

plot(mse2)

title('测试数据测试结果的残差')

% 显示均方误差

mse2 = mse(errors2);

fprintf('    mse = \n     %f\n', mse2)

% 显示相对误差

disp('    相对误差：')

fprintf('%f  ', errors2./price2' );

fprintf('\n')

🎉3 参考文献

[1]李晨阳. 基于CNN-LSTM的股票价格预测及量化选股研究[D].西北大学,2021.DOI:10.27405/d.cnki.gxbdu.2021.001928.

👨‍💻4 Matlab代码