股票已经成为人们日常投资理财的重要手段之一，准确地预测股票的价格走势，能够帮助投资人获取稳定的收益，有效的规避风险。但是股票价格的变化与社会、经济、法律等诸多方面都有关联，难于准确预测。由于股票价格是非线性的，传统的线性模型不能很好地对股票价格进行拟合与预测。神经网络模型能够很好地拟合非线性的股票价格，提高预测精度。BP神经网络算法简单、操作方便，在股票价格预测中得到了较广泛的应用。RBF神经网络适应性更强，学习速度更快，具有全局寻优能力与良好的泛化推广能力，因而预测精度更高。GABP神经网络是指在传统的BP神经网络的基础之上引入遗传算法，对神经网络的初始权值优化后再使用神经网络进行学习和训练，不仅很好地避开BP网络的弊端，继承神经网络很强的学习、训练能力，同时也提高了预测精度。

一、股票价格预测模型原理

（一）BP神经网络BP神经网络是一种多层前馈网络，按误差逆传播算法训练，是目前应用最广泛的神经网络之一。BP网络能学习和存贮大量的输入-输出模式映射关系，它使用最速下降法，通过反向传播调整网络的阈值和权值，使网络的误差平方和最小。然而由于其收敛速度慢，以及网络的学习和记忆具有不稳定性等缺陷，影响了股票价格的预测精度。

（二）RBF神经网络RBF神经网络是一种高效的前馈型局部逼近式网络，它具有最佳逼近性能和全局最优特性，训练速度快，结构简单，在时间预测、非线性函数逼近等领域具有广泛的应用。RBF神经网络由n个输入节点、m个隐含层节点和1个输出节点组成，隐层节点是RBF函数。RBF神经网络隐含层节点的基函数通常选择高斯核函数，输出层节点是简单的线性函数。

（三）GABP网络基于遗传算法的BP网络模型将遗传算法和BP神经网络相结合可以充分利用两者优势。先用遗传算法在全局范围内搜索最优解的近似值，再经BP网络训练最终得到全局最优解。基于遗传算法的BP网络模型用于预测主要由三个阶段构成。先用遗传算法在全局搜索BP神经网络的最优初始权值和阈值的近似值，再将其赋值给BP网络训练，逐步求精，最终得到全局最优的权值和阈值，最后用训练好的BP网络实现预测功能。

二、基于神经网络的股票价格预测

本文采用2011年7月1日以后105天的上证指数数据为样本数据。以影响股票价格的相关因素为输入层，以收盘价为输出层。前100天的数据为训练样本，预测后5天的收盘价。为消除数据间量纲级别，加快网络训练速度，对所有的原始数据进行归一化处理。采用遍历法，以最小预测误差为目标确定各个相关参数。三种神经网络模型对股票价格的预测结果及误差如下，见表1。由以上结果可知，神经网络模型对股票价格的拟合与预测能力强，预测精度很高，能够满足股票价格预测的要求。在实际操作中发现，RBF神经网络的收敛速度最快，BP神经网络最慢。在预测精度方面，基于遗传算法优化的GABP网络拟合精度更高，能够更为准确的预测股票价格，其误差率均低于千分之四，误差率绝对值的平均值仅为0.00178，误差绝对值之和仅为6.864，较传统的BP与RBF网络更为有效。

三、结束语

本文提出BP、RBF神经网络，以及基于遗传算法优化的GABP网络，应用于股票价格的预测中。预测结果表明，神经网络模型能够较好地拟合股票价格趋势，并较准确地对股票价格进行预测。其中GABP神经网络比传统的BP和RBF神经网络有更好的全局收敛性、更高的学习效率和预测精度，达到了更好的预测效果，在股票价格预测的应用中有一定推广价值。