对于很多人人为，股票预测是一个很难的问题。其实不然，运用今天这种数学工具你可以大概预测出股票的短期走势。因为长期走势受很多因素的影响。

运用MATLAB神经网络工具箱，快速建立BP网络结构。那么你会问什么是神经网络，那么我下面就给大家简单的介绍一下：

人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。

所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。

如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。

如图所示拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。

BP神经网络结构

​​言归正传，那么接下来就看看我对运用神经网络对股票的预测模型吧。以前五日的交易数据，作为输入，预测明天的股票价格。​​

mtlab代码：

%bp.m​

%处理数据

clear

close all

echo on  %窗口响应执行过程

clc

pause

a=xlsread('learn.xls',1,'A2:A301');%样本时间序号

a1=xlsread('learn.xls',1,'A7:A301');%预测时间序号

b=xlsread('learn.xls',1,'C2:C301');%读取指数

for i=1:1:295

y(i)=b(i+5);%理想输出

end

for i=1:1:295

for j=1:1:5

x(j,i)=b(i+j-1);%输入

end

end

a

x    %以前五日预测明天的大盘指数的输入矩阵

y    %理想的输出

%pause

[xn,minx,maxx,yn,miny,maxy]=premnmx(x,y) %数据归一化处理

xn

yn

%pause

tic;

%建立神经网络

net=newff(minmax(xn),[11,1],{'tansig','purelin'},'trainlm');

net.trainparam.show=50;    %显示迭代过程

net.trainparam.lr=0.5;    %学习率

net.trainparam.epochs=1000; %最大训练次数

net.trainparam.goal=1e-3;  %训练要求精度

net.trainparam.mc=0;     %动量因子

[net,tr]=train(net ,xn,yn); %训练bp网络

t = toc;

t

pause

inputWeights=net.iw{1,1} %输入层权值

inputbias=net.b{1}      %输入层阈值

layerWeights=net.lw{2,1} %输出层权值

layerbias=net.b{2}       %输出层阈值

%对网络仿真预测

On = sim (net ,xn);

E=On-yn %计算误差

M=sse(E)

N=mse(E)

%pause

a2=postmnmx(On,miny,maxy)

plot(a1,xn)

title('归一化处理后的样本','FontSize',12);

xlabel('统计时间2014.9.6-2015.11.10','FontSize',10);

ylabel('归一化后的上证指数','FontSize',10);

figure;

plot(a1,yn)

plot(a,b,'*');

title('上证指数预测收盘价格','FontSize',12);

xlabel('统计时间2014.9.1-2015.11.10','FontSize',10);

ylabel('上证指数','FontSize',10);

hold on

plot(a1,a2,'r+');

legend('实际值','r预测值');

echo off

pause

clc

训练神经网络、预测

BP网络验证图像