证券系统论文：网络证券智能系统论述

作者：王释 王宝生 单位：国防科学技术大学计算机学院

较好的全局搜索能力，易于并行化处理，使得陷入局部极小值的概率减小，这种搜索方法是对群体中几个解进行同时处理，不像解析法、穷举法、随机搜索方法等搜索方法是一种点到点的搜索方法，这种单点搜索策略在多峰情况下易陷入局部极小值；第三，遗传操作仅需要通过适应度函数对个体进行评价处理，通常情况下不需要其它的附加信息，适应度函数的好处是它不受连续可微的约束定义域可以在任意范围内取值，但是在进行比较的情况要求其输出为正值；第四，算法操作具有随机性和明确搜索方向，根据概率的变化来引导搜索方向，不需要确定性的规则；第五，遗传算法具有良好的扩展性，且计算简单功能强，易于同其他算法结合，且采用自然选择和生物中进化传思想加上它固有并行性，能够在短时间内处理好较复杂的问题。遗传算法的缺点也包括：第一，编码方法的不规范和不确定性；第二，对于影响遗传操作效率的交叉概率、变异概率等因素，需要依据经验选取合适的值；第三，局部搜索能力差，进入遗传操作后期群体多样性减少，群体中的个体具有相似性，遗传算法较容易出现早熟；第四，遗传算法的并行计算能力没有得到充分利用。混合算法通过上文中对GA和SA两种算法的分析，结合两种算法组成一种混合算法，弥补独立的算法在实际应用中的缺点，并利用两种算法各自的优势，进而提高算法的性能达到最优的效果，提高了处理非线性高度复杂问题的准确性并缩短了处理时间。SAGA混合优化策略的构造需要考虑以下几个方面：第一、优化机制的融合；第二、优化结构的互补；第三、优化操作的结合；第四、优化行为的互补；第五、削弱参数选择的依赖[4]。SAGA算法具体步骤如下：步骤一，初始化，设定初始个体、初始温度、迭代次数、收敛精度。步骤二，根据初始个体，随机产生初始种群。步骤三，对种群进行遗传操作，首先计算个体适应度值，然后进行选择、交叉和变异操作，产生出新的个体。如果满足收敛准则输出最优个体，结束算法，反之，执行步骤四。步骤四，对遗传操作产生的最优个体，进行模拟退火操作。满足收敛准则输出最优个体，结束算法，反之，执行步骤五，步骤五，将模拟退火算法产生的新个体与最优个体进行比较。当最新个体的能量函数值小于最优个体的能量函数值时，执行步骤二，反之，执行步骤四。SAGA-BP神经网络误差反向传播的思想最早由Bryson等人于1969年提出，是一种由非线性变换神经单元构成的神经网络。

如果输出数据与期望输出的误差不在允许的范围之内，则将误差数据按前向传播路径反向输入到各隐含层，通过调整各神经元的网络权值和阈值，使得输出层各神经元的输出数据与期望输出数据相接近。[5]BP神经网络是具有泛化能力的一种网络，可以对复杂的非线性问题进行求解，通过不断的训练学习，找出数据信息中隐藏的一般规则，实现了输入的数据信息和输出的数据信息的非线性的映射。标准的BP神经网络在学习训练过程中还存在缺点：第一，学习率如果过小，将导致算法低效，从而学习训练时间过长；第二，学习训练中如果对权值的修改不适当，会使激活函数处于饱和状态，不能对权值进行修正，将让学习训练过程停滞不运行；第三，BP神经网络是通过学习训练的迭代，将网络权值收敛到最优，使得这个网络权值并不一定是全局最优解，可能只是一个局部极小值，让网络陷入一个局部极小值问题中；第四，BP神经网络不但是一种前馈型神经网络，也是一种典型静态神经网络，缺少记忆功能，学习训练中将忘记以前数据信息中的数据信息，而使得网络的全局性很差。我们以上证指数为例，使用标准的BP神经网络预测分析通过预测分析，我们发现标准的BP神经网络不能满足我们的要求，而采用上文提出的SAGA组合策略对标准的BP神经网络进行优化，弥补了BP神经网络的不足，缩短了对复杂问题求解的时间，并提高了解的精确度，文章中将这种神经网络简称为SAGA-BP神经网络。SAGA-BP神经网络的拓扑结构采用三层式（m-r-n）结构，Kosmogorov定理证明了三层前馈型人工神经网络可以逼近任意的连续函数，传统的BP神经网络采用的是梯度下降法对网络权值、阈值进行学习训练，而在这该网络中使用的SAGA对网络的权值、阈值进行学习训练。SAGA-BP神经网络的操作步骤为：步骤一，初始化操作，确定神经网络的拓扑结构，随机产生一组网络权值和阈值。步骤二，读入数据，对数据归一化处理。步骤三，将网络权值和阈值作为初始个体传入混合算法，并执行SAGA混合算法操作。步骤四，将SAGA算法的运算结果，最优权值和阈值传入BP神经网络。步骤五，计算神经网络的误差。步骤六，判断是否满足精度的要求，如果不能满足精度的要求，调整网络的权值与阈值，转入步骤五，反之，继续执行。步骤七，保存网络的权值和阈值，同时存储网络的拓扑结构。步骤八，根据保存的权值、阈值和网络结构，系统会进行智能预测分析，得出合理的分析结果。使用SAGA-BP神经网络对上证指数进行预测分析，不仅在运算速度方面有了很大的提高，预测精度也有了很好的改善（图略）

系统中需要以海量数据为基础，进行计算分析的过程中将占用大量的系统资源，造成计算机的运算负荷比较重。考虑到现在的客服端PC机各项性能有了很大提高，大多数普通PC机已经超越了过去的服务器，这样对于采用浏览器/服务器（Brows-er/Server）不适用，而使用客户端/服务器（Client/Server）结构可以提高响应速度系统，还充分利用了客户端与服务器端计算机的硬件优势，大大降低系统通讯开销。体系结构设计系统由模型、视图、控制器三个不同的层次组成，选用MVC（model,viewandcontroller）模式作为总体框架设计的基础。视图层由用户界面组成，用户可以将指令传送给系统，系统的把处理结果反馈给用户，而控制层会根据业务逻辑调用视图和模型进行处理，SAGA-BP神经网络是系统中的核心模型，会根据一系列的算法对复杂问题进行求解。系统功能设计系统中的用户权限有两种，分别为授权用户和未授权用户。以不同身份的用户登入系统后使用的功能权限不同，授权用户拥有未授权用户的所有功能。（1）未授权用户登录系统a.计算功能。使用SAGA-BP神经网络对历史数据进行处理，计算功能未启用的情况下，下一日功能是不能使用的。如果本地无历史数据系统将会提示用户下载历史数据，仅提供近3个月的历史数据下载且仅包含每日的开盘价、收盘价、最高价、最低价、成交量和成交金额。b.参数设置模块。用于SAGA-BP神经网络模型的参数调整，未授权的用户仅拥有训练数据功能的使用权，且数据下载的时间段为近3个月。c.下一日功能。使用计算好的SAGA-BP神经网络对次日的开盘价、收盘价、最高价、最低价、成交量、成交金额进行预测分析，得出次日相关的参考数据。d.帮助功能。对参数设置中的各项功能进行解释。e.退出功能。关闭系统，结束有关进程，并释放占有资源。（2）授权用户登录系统a.计算功能。包括了未授权用户的所有权限，当本地计算机无历史数据状态下，系统会提示用户下载相关数据，提供从1992年1月1日至今所有历史数据下载。b.参数设置模块，包含隐含层的神经元个数调整功能、交叉概率调整功能和变异概率调整功能，训练数据可以下载从1992年1月1日以来的所有历史数据，对于输入数据功能模块不仅仅提供每日的开盘价、收盘价、最高价、最低价、成交量和成交金额，还可以新增输入数据，数据种类包含各类宏观经济数据、全球指数、股指期货数据、国内各种期货数据、港股数据和技术指标数据等。MATLAB和VisualC++的接口设计MATLAB不但提供了神经网络的工具箱，还提供了与VisualC++等外部程序编程的接口，充分发挥了它的优势。在MATLAB中与VisualC++进行通信的方法有多种，在我们的系统中，主要是通过调用MATLAB中的API函数来完成它们之间的通信。VisualC++与MATLAB进行信息处理时，首先通过函数Engine*engOpen（constchar*startcmd）或En-gine*engOpenSingleUse（constchar*startcmd,void*dcom,int*retstatus）启动MATLAB的函数引擎，这样两个开发工具之间才可以进行通信。从MATLAB中获取矩阵的信息，使用mxArray*engGetVariable（Engine*ep,constchar*name），可以根据需要从VisualC++的程序中发送矩阵的信息，使用函数intengPutVariable（Engine*ep,constchar*name,constmxArray*mp），在具体使用时我们只需要通过调用这些函数就可以将数据信息互相传递，还有其他的API函数可以通过查看MATLAB的帮助信息[6]。证券智能分析系统充分利用了BP神经网络、模拟退火算法和遗传算法对非线性的高度复杂问题的处理能力，对数据进行分析预测，协助投资者进行合理的投资，规避风险。用户可以通过参数功能对神经网络结构进行调整，这样针对的不同问题而设置不同结构神经网络，提高了分析结果的准确度，但是参数的调整需要一定的经验，如果经验不丰富的用户给出的不合理的参数，将会导致系统对问题的预测分析结果出现较大的偏差，这个问题也是现在人工神经网络在应用过程中遇到的一个障碍，我们还需要通过不断的研究探索来解决该问题。