[论文解读] ANN Model to Predict Stock Prices at Stock Exchange Markets

Barack Wanjawa, Lawrence Muchemi|arXiv (Cornell University)|Dec 17, 2014

Stock Market Forecasting Methods参考文献 14被引用 16

一句话总结

本文提出一种使用误差反向传播的前馈多层感知器人工神经网络（ANN），用于预测主要证券交易所的股价。该模型基于2008–2012年肯尼亚和纽约证券交易所80%的数据进行训练，采用5:21:21:1的网络结构，平均绝对百分比误差（MAPE）在0.71%至2.77%之间，表明其在不同市场中均展现出强大的预测准确性。

ABSTRACT

Stock exchanges are considered major players in financial sectors of many countries. Most Stockbrokers, who execute stock trade, use technical, fundamental or time series analysis in trying to predict stock prices, so as to advise clients. However, these strategies do not usually guarantee good returns because they guide on trends and not the most likely price. It is therefore necessary to explore improved methods of prediction. The research proposes the use of Artificial Neural Network that is feedforward multi-layer perceptron with error backpropagation and develops a model of configuration 5:21:21:1 with 80% training data in 130,000 cycles. The research develops a prototype and tests it on 2008-2012 data from stock markets e.g. Nairobi Securities Exchange and New York Stock Exchange, where prediction results show MAPE of between 0.71% and 2.77%. Validation done with Encog and Neuroph realized comparable results. The model is thus capable of prediction on typical stock markets.

研究动机与目标

• 开发一种比传统技术分析、基本面分析或时间序列方法更准确的股价预测模型。
• 评估人工神经网络（ANN）在真实世界股票交易所数据上预测股价的表现。
• 验证该模型在不同金融市场（包括内罗毕和纽约证券交易所）中的预测能力。
• 将ANN模型的表现与成熟的机器学习框架（如Encog和Neuroph）进行比较。
• 证明使用前馈多层感知器结合反向传播进行高精度股价预测的可行性。

提出的方法

• 本研究采用带有误差反向传播的前馈多层感知器（MLP）进行训练。
• 网络结构配置为5:21:21:1，表示输入层、两个隐藏层和一个输出神经元。
• 模型在80%的数据集上进行训练，经过130,000次训练周期以优化权重调整。
• 输入特征源自历史股价数据，并应用归一化以提高收敛性。
• 采用平均绝对百分比误差（MAPE）指标评估模型性能。
• 通过两个外部框架——Encog和Neuroph——进行验证，以确保结果的一致性和可靠性。

实验结果

研究问题

• RQ1 人工神经网络模型能否在预测股价方面超越传统的技术分析和基本面分析？
• RQ2 前馈多层感知器结合反向传播在真实股票交易所数据上的预测准确率如何？
• RQ3 该模型在不同股票市场（如内罗毕和纽约证券交易所）中的表现如何？
• RQ4 外部机器学习框架（如Encog和Neuroph）在多大程度上能复现相同的预测结果？
• RQ5 何种网络配置最有利于最小化股价预测中的误差？

主要发现

• 该ANN模型在内罗毕和纽约证券交易所的测试数据上，平均绝对百分比误差（MAPE）在0.71%至2.77%之间。
• 该模型在发达市场和新兴市场交易所中均表现出一致的性能，表明其对市场差异具有鲁棒性。
• 使用Encog和Neuroph框架进行验证后，得到的预测结果相近，证实了该模型的可靠性和可复现性。
• 5:21:21:1的网络结构在捕捉股价波动中的复杂非线性模式方面表现有效。
• 使用80%的数据进行训练，并经过130,000次循环后，权重实现稳定收敛，提升了泛化能力。
• 结果表明，结合反向传播的ANN可作为传统股价预测技术的可行且准确的替代方案。