【股价预测】基于matlab遗传算法优化BP神经网络预测股价【含Matlab源码 1250期】

本文主要是介绍【股价预测】基于matlab遗传算法优化BP神经网络预测股价【含Matlab源码 1250期】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

⛄一、遗传算法简介

1 引言
在这里插入图片描述

2 遗传算法理论
2.1 遗传算法的生物学基础

2.2 遗传算法的理论基础

2.3 遗传算法的基本概念

2.4 标准的遗传算法

2.5 遗传算法的特点

2.6 遗传算法的改进方向

3 遗传算法流程
在这里插入图片描述

4 关键参数说明

⛄二、BP神经网络简介

1 BP神经网络预测原理简介
BP 神经网络是一种多层前馈神经网络，常用的为输入层-单隐含层-输出层的三层结构，如下图所示。
在这里插入图片描述
BP神经网络训练的主要思想：输入的信号特征数据先映射到隐含层（激活函数实现），再映射到输出层（默认采用线性传递函数），得到期望输出值。将期望输出值和实际测量值做比较，计算误差函数J，再将误差反向传播，通过梯度下降等算法来调节BP网络的权值和阈值。重复该过程，直到满足设定的目标误差或者最大迭代次数等终止准则，停止训练。

⛄三、部分源代码

clear all
clc
close all
tic
%% 全局变量

global pn
global tn
global R
global S2
global S1
global S
S1 = 12;
%% 数据处理
load data.mat
X=xlsread(‘数据.xls’);
data = [data X(:,end)];
% 85%用于训练，15%进行预测
nn = floor(0.85*size(data,1));
input=data(1:nn,1:3)‘;
output=data(1:nn,end)’;
input_test=data(nn+1:end,1:3)‘;
output_test=data(nn+1:end,end)’;

M =size(input,2); %输入节点个数
N =size(output,2);%输出节点个数
%% 训练数据
p = input;
t = output;
[pn,minp,maxp,tn,mint,maxt] =premnmx(p,t);%归一化
%% 建立神经网络
net = newff(minmax(pn),[S1,1],{‘tansig’,‘purelin’});
net.trainParam.show = 50;
net.trainParam.lr = 0.1;
net.trainParam.epochs = 1000;
net.trainParam.goal =1e-10;
[net,tr] = train(net,pn,tn);
%% 遗传操作
R = size(p,1);
S2= size(t,1);
S = RS1+S1S2+S1+S2;
aa = ones(S,1)*[-1 1];
popu = 50;
initPpp = initializega(popu,aa,‘gabpEval’);
gen = 500;
[x,endPop,bPop,trace] = ga(aa,‘gabpEval’,[],initPpp,[1e-6 1 1],‘maxGenTerm’,gen,…
‘normGeomSelect’,[0.09],[‘arithXover’],[2],‘nonUnifMutation’,[2 gen 3]);
%% 画图迭代图
figure(1)
plot(trace(:,1),1./trace(:,3),‘r-’);
hold on
grid on
plot(trace(:,1),1./trace(:,2),‘b-’);
xlabel(‘迭代数’)
ylabel(‘均方误差’)
title(‘均方误差曲线图’)
figure(2)
plot(trace(:,1),trace(:,3),‘r-’);
hold on
grid on
plot(trace(:,1),trace(:,2),‘b-’);
xlabel(‘迭代数’)
ylabel(‘适应度函数值’)
title(‘适应度函数迭代曲线图’)
[W1,B1,W2,B2,val] = gadecod(x);
W1;
W2;
B1;
B2;
net.IW{1,1} = W1;
net.LW{2,1} = W2;

net = train(net,pn,tn);
k = input_test;
kn = tramnmx(k,minp,maxp);
s_bp = sim(net,kn);
s_bp22 = postmnmx(s_bp,mint,maxt);
toc
load gabp.mat
xk=2;
figure
plot(1:length(output_test),output_test,‘r-*’,1:length(output_test),s_bp22,‘b-o’,‘linewidth’,xk)
grid on%加网格
legend(‘真实值’,‘预测值’)%图例
title(‘神经网预测真实值与预测值对比’)%标题
xlabel(‘样本’)%横坐标标题
ylabel(‘成交额’)%纵坐标标题
xk = 2;
error2 = abs(s_bp22 - output_test)./output_test.*100;
figure%画图
plot(1:length(error2),error2,‘ko-’,‘linewidth’,xk)%测试输出与真实值的对比图
grid on%加网格
title(‘测试样本相对误差图%’)%标题
xlabel(‘样本’)%横坐标标题
ylabel(‘相对误差%’)%纵坐标标题
zh_gabp = [output_test ;s_bp22; error2]
save zh_gabp zh_gabp
function [W1,B1,W2,B2,val] = gadecod(x)
global pn;
global tn;
global R;
global S2;
global S1;
global S

for i = 1 : S1
for k = 1 : R
W1(i,k) = x(R*(i-1)+k);
end
end

for i = 1 : S2
for k = 1 : S1
W2(i,k) = x(S1*(i-1)+k+R*S1);
end
end

for i = 1: S1
B1(i,1) = x((RS1+S1S2)+i);
end

for i = 1: S2
B2(i,1) = x((RS1+S1S2+S1)+i);
end

A1 = tansig(W1pn,B1);
A2 = purelin(W2A1,B2);
SE = sumsqr(tn-A2);
val = 1/SE;
%% 训练模型
[net,tr] = train(net,pn,tn);%训练网络
nihe = sim(net,pn);%训练输出
nihe2 = postmnmx(nihe,mint,maxt);%训练输出反归一化
%% 预测
s_bp = sim(net,kn);%预测
s_bp2 = postmnmx(s_bp,mint,maxt);%预测输出反归一化
s_bp2 = s_bp2’;%转置
figure%画图
xk = 2;
plot(1:length(outtest),outtest,‘r–’,1:length(outtest),s_bp2,‘b.-’,‘linewidth’,xk)%测试输出与真实值的对比图
grid on%加网格
legend(‘真实值’,‘预测值’)%图例
title(‘神经网预测真实值与预测值对比’)%标题
xlabel(‘样本’)%横坐标标题
ylabel(‘成交额’)%纵坐标标题
%% 误差分析
j_error = abs(outtest - s_bp2’); %绝对误差
x_error = abs(outtest - s_bp2’)./outtest.*100;%相对误差
figure%画图
plot(1:length(x_error),x_error,‘ko-’,‘linewidth’,xk)%测试输出与真实值的对比图
grid on%加网格
title(‘测试样本相对误差图%’)%标题
xlabel(‘样本’)%横坐标标题
ylabel(‘相对误差%’)%纵坐标标题
%% 显示
disp(‘测试真实值’)
outtest
disp(‘测试预测值’)
s_bp2
disp(‘相对误差%’)
x_error
zh_bp = [outtest; s_bp2’; x_error];
save zh_bp zh_bp