【MATLAB数据处理实用案例详解（13）】——利用Elman网络实现上证股市开盘价预测

一、问题描述

选择2005年6月30日至2006年12月1日的上证开盘价进行预测分析。数据保存在elm_stock.mat文件中，共计337条开盘价格，保存为double类型的向量中，开盘价的走势如下图所示。

二、Elman网络预测上证股市开盘价原理

采用过去的股价预测下一期股价，因此相当于一个时间序列问题，可以用Elman神经网络求解。
x n = f ( x n − 1 , x n − 2 , x n − N ) {x_n} = f\left( {{x_{n - 1}},{x_{n - 2}},{x_{n - N}}} \right) xn=f(xn−1,xn−2,xn−N)
对于给定的337条开盘价数据，首先将其划分为训练样本和测试样本。以训练样本为例，抽取 x 1 ∼ x N {x_1} \sim{x_N} x1∼xN组成第一个样本，其中 ( x 1 , x 2 , ⋯ , x N − 1 ) \left( {{x_1},{x_2}, \cdots ,{x_{N - 1}}} \right) (x1,x2,⋯,xN−1)为自变量， x N {x_N} xN为目标函数值；抽取 x 2 ∼ x N + 1 {x_2} \sim{x_{N+1}} x2∼xN+1组成第二个样本，其中 ( x 2 , x 3 , ⋯ , x N ) \left( {{x_2},{x_3}, \cdots ,{x_{N}}} \right) (x2,x3,⋯,xN)为自变量， x N + 1 {x_{N+1}} xN+1为函数值，以此类推，最终形成以下训练矩阵：
[ x 1 x 2 x i x 2 x 3 x i + 1 ⋯ ⋯ ⋯ x N − 1 x N x N x N + 1 ] \left[ \begin{array}{l} {x_1}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {x_2}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {x_i}\\ {x_2}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {x_3}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {x_{i + 1}}\\ {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \cdots \\ {x_{N - 1}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {x_N}\\ {x_N}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {x_{N + 1}} \end{array} \right] x1x2xix2x3xi+1⋯⋯⋯xN−1xNxNxN+1

主要流程图如下：

三、算法步骤

主要步骤如下：

3.1 加载数据

代码如下：

%% 清除工作空间中的变量和图形
clear,clc
close all
% 加载337个上证指数开盘价格
load elm_stock
whos

列出当前工作空间中的变量：
Name Size Bytes Class Attributes

price 337x1 2696 double

3.2 构造样本集

抽取 x 1 ∼ x N {x_1} \sim{x_N} x1∼xN组成第一个样本，其中 ( x 1 , x 2 , ⋯ , x N − 1 ) \left( {{x_1},{x_2}, \cdots ,{x_{N - 1}}} \right) (x1,x2,⋯,xN−1)为自变量， x N {x_N} xN为目标函数值，以此类推，代码如下：

% 数据个数
n=length(price);% 确保price为列向量
price=price(:);% x(n) 由x(n-1),x(n-2),...,x(n-L)共L个数预测得到.
L = 6;% price_n：每列为一个构造完毕的样本，共n-L个样本
price_n = zeros(L+1, n-L);
for i=1:n-Lprice_n(:,i) = price(i:i+L);
end

这里取N=6，即当期的开盘价，应由当期之前6期的开盘价计算得到。这一步将最初长度为337向量转化为7x331矩阵。

3.3 划分训练集和测试集

将前380份样本作为训练样本，最后51分样本作为测试样本：

trainx = price_n(1:6, 1:280);
trainy = price_n(7, 1:280);testx = price_n(1:6, 290:end);
testy = price_n(7, 290:end);

3.4 创建Elman神经网络

MATLAB神经网络工具箱提供了newelm与elmannet函数，都可以建立Elman反馈网络。这里采用elmannet函数，它只需要三个参数，分别指定延迟、隐含层神经元个数和训练函数。

% 包含15个神经元，训练函数为traingdx
net=elmannet(1:2,15,'traingdx');% 设置显示级别
net.trainParam.show=1;% 最大迭代次数为2000次
net.trainParam.epochs=2000;% 误差容限，达到此误差就可以停止训练
net.trainParam.goal=0.00001;% 最多验证失败次数
net.trainParam.max_fail=5;% 对网络进行初始化
net=init(net);

3.5 网络训练

先归一化再训练。

%训练数据归一化
[trainx1, st1] = mapminmax(trainx);
[trainy1, st2] = mapminmax(trainy);% 测试数据做与训练数据相同的归一化操作
testx1 = mapminmax('apply',testx,st1);
testy1 = mapminmax('apply',testy,st2);% 输入训练样本进行训练
[net,per] = train(net,trainx1,trainy1);

训练过程如下：

3.6 测试

进行测试时应使用归一化后的数据，得出实际输出后再将输出结果反归一化为正常的数据。

% 将训练数据输入网络进行测试
train_ty1 = sim(net, trainx1);
train_ty = mapminmax('reverse', train_ty1, st2);% 将测试数据输入网络进行测试
test_ty1 = sim(net, testx1);
test_ty = mapminmax('reverse', test_ty1, st2);

四、结果展示

预测值与真实值比较如下：

以上便是完整代码了，如果还是不懂，可以下载源码，参考资源：https://download.csdn.net/download/didi_ya/87734622。
制作不易，如果对你有所帮助，记得点个赞哟~