基于Spike神经元的神经网络及其股市预测模型

[摘要] Spiking神经网络是一种新型的神经网络，它采用更接近于生物神经元的动态的Spike神经元作为计算单元，进行信息的编码和处理。文中给出了基于粒子群算法的Spiking神经网络学习模型，并运用于上证指数的趋势预测，结果表明其用于股市预测是有效性。

[关键词] Spiking神经网络 学习模型 股市预测

一、引言

随着经济的增长，对于股市的预测将变得越来越重要，也成为经济理论研究中的一个重要课题。股票市场的变化有很多因素，是一个复杂的非线性系统，而人工神经网络能够从大量复杂的数据中找到数据间的内在联系，具有良好的自我学习和抗干扰能力，在股票预测领域中取得了显著的效果。本文应用一种更接近于生物神经系统的Spiking神经网络，采用基于粒子群算法的学习模型，构建了沪市上证综合指数的学习预测模型，并用实际数据进行了分析实验。

二、Spiking神经网络及其学习模型

Spike神经元模型是更接近生物神经元的一个数学模型，由Spike神经元构成的人工神经网络称为Spiking神经网络。在Spiking神经网络中，一个Spike神经元在t时刻接收来自于父突触神经元的多个post-synaptic potential（PSP）信号，不断改变自己的膜电压。当它的膜电压超过阈值时，产生一个spike，并通过突触连接向外发送PSP信号。用于描述PSP信号的spike响应函数定义为：

三、上证综合指数的预测

沪市上证综合指数是上海证券交易所编制的，以上海证券交易所挂牌上市的全部股票为计算范围，以发行量为权数综合，上证综指反映了上海证券交易市场的总体走势，所以对上证综指的预测具有重要的意义。文中选取了2006年6月～2007年7月共286个工作日的沪市上证综合指数作为研究的原始数据，利用滑动窗口技术，通过前6天收盘时的上证指数来预测第7天收盘时的上证指数。

我们构建了具有6个输入神经元、4个隐含层神经元和1个输出节点的前向全连接Spiking神经网络，并利用以上的Spiking神经网络学习模型进行测试。选取了原始数据中的前276个数据构成神经网络的训练集，后10个数据用于测试。在实验前，我们对原始数据进行归一化的处理转换为[0，1]之间的值。把归一化后的前6天收盘时的上证指数分别作为6个输入神经元的spike时间加入到Spiking神经网络中进行学习和计算，获得神经网络输出节点的spike时间，该时间对应于第7天的收盘指数。按本文式（3）计算获得Spiking神经网络的学习误差，通过粒子群算法不断调整神经网络的参数使误差最小化。获得了最优的Spiking神经网络后，用测试集的数据对其性能进行了测试。经Spiking神经网络学习预测后的上证指数变化如图。

结果表明，与传统BP算法相比，基于粒子群算法的Spiking神经网络具有较快的运算速度和逼近性能， 同时可以克服SpikeProp算法陷入局部最优解和对权值有约束的缺点，可以较好地处理股票类非线性数据的学习和预测。

四、结论

股票市场的不确定因素太多，是一个复杂的非线性系统，而神经网络具有自我学习的能力，能很好地解决不明确环境中的非线性应用问题。Spiking神经网络作为一种新型的动态的神经网络，其利用动态的spike时间进行信息编码和计算的特点与股票市场中动态的时间序列相吻合。文中对应用Spiking神经网络预测国内股票市场做了初步的探讨，获得了较好的拟合效果。进一步改进原始数据的处理方式，提高Spiking神经网络的自适应能力，将能得到更好的预测效果。

参考文献:

[1]Sander M:Bohte, Spiking Neural Networks [D].ISBN 90-6734-167-3, 2003

[2]Gerstner W, Kistler W. Spiking Neuron Models: Single Neurons, Populations, Plasticity [M]. Cambridge University Press, 2002

[3]韩文蕾王万诚:概率神经网络预测股票市场的涨跌[J].计算机应用与软件，2005，22(11):133～135

[4]廉新宇吴立锋:基于小波神经网络的股票价格预测[J].商场现代化，2006，10月中旬刊:331～332

[5]郑建刚等：基于改进免疫遗传算法的神经网络及其在股票预测中的应用[J].华东理工大学学报，2006，32(11):1342～1345