PENERAPAN PREDIKSI HARGA SAHAM JARINGAN SARAF ELMAN BERDASARKAN
METODE PRINCIPALCOMPONENTANALYSIS
HONGYAN SHI 1, XIAOWEI LIU 2
1 Sekolah Tinggi Sains, Universitas Teknologi Shenyang, Shenyang 110000, Cina
2 Jurusan gelar sarjana, Universitas Teknologi Shenyang, Shenyang, Cina
E-MAIL: 657850440@qq.com
Abstrak:
Studi tentang prediksi harga saham memiliki signifikansi teoritis dan nilai
aplikasi yang besar. Metode peramalan saham tradisional tidak dapat cocok dan
analisisnya sangat nonlinier, multi-faktor pasar saham baik, terdapat masalah
seperti akurasi prediksi yang tidak tinggi, kecepatan pelatihan yang lambat dll.
Untuk meningkatkan akurasi peramalan harga saham, makalah ini mengusulkan
metode prediksi model jaringan syaraf tiruan Elman berdasarkan metode
analisis komponen utama. Untuk membandingkan hasil dengan lebih baik, buat
struktur jaringan BP yang sama dan jaringan Elman, ramalan untuk data stok;
Kemudian menggunakan analisis komponen utama, filter faktor yang
berpengaruh signifikan terhadap harga saham, model jaringan saraf elman
berdasarkan metode analisis komponen utama, dan dibandingkan dengan
jaringan Elman tunggal dan jaringan BP hasil prediksi. Hasilnya menunjukkan
konvergensi jaringan BP relatif lambat, berlatih lama, dan dapat menyatu ke
minimum lokal; Waktu pelatihan jaringan Elman singkat, bilah kesalahan untuk
kinerja yang lebih lancar dan lebih stabil; Model jaringan saraf Elman
berdasarkan analisis komponen utama dengan akurasi lebih tinggi, kecepatan
jaringan lebih cepat.
Kata kunci:
Jaringan saraf BP; Jaringan saraf Elman; metode analisis
komponen utama
1. pengantar
Ada banyak faktor yang mempengaruhi pergerakan harga saham,
seperti faktor psikologis, kebijakan, kondisi ekonomi, investor, faktor-faktor
tersebut kompleks, saling mempengaruhi, adanya nonlinier yang lebih kuat
dan tidak pasti, sehingga model prediksi saham lebih sulit ditentukan.
Bagaimana membangun model perkiraan kecepatan operasi yang presisi
dan lebih tinggi, memiliki signifikansi teoritis dan nilai praktis bagi investor
saham.
Karena jaringan syaraf tiruan (JST) memiliki pendekatan linier yang
baik banyak digunakan dalam berbagai bidang prediksi, paling awal White
(1988) mencoba menggunakan jaringan syaraf tiruan untuk memprediksi
tarif remunerasi harian saham biasa IBM, hasilnya jauh dari memuaskan. Itu
978-1-4799-7208-1 / 14 / $ 31.00 © 2014 IEEE
Alasannya adalah jaringan saraf tenggelam ke minimum lokal dan tidak bisa
melompat [ 1], Kemudian Kimoto, Asakawa, Takeoka dan Yoda (1990), yang
mengembangkan sistem prakiraan Indeks Harga Bursa Efek Tokyo (TPOIX),
meneliti Bursa Efek Tokyo, indeks tertimbang harga, hasil untuk model
jaringan Neural dari rata-rata tertimbang dari tarif kembali dari indeks
TOPIX19% [ 2], pada tahun 1999 Inggris Raya Timmwemann dan Pesaran
melalui sejarah indeks saham London dari 25 data uji, menemukan bahwa
berdasarkan akurasi prediksi model jaringan saraf hingga 60% [ 3]. Mizuno,
Yajima dan Kosaka di Tokyo menggunakan ANN untuk memprediksi akurasi
prediksi harga beli dan jual rata-rata pasar saham sebesar 63% [ 4].
Lin, Paua dan Ming menggunakan ANN untuk memprediksi saham Singapura
harga mencapai akurasi 81% [ 5]. Meskipun banyak ahli dalam teknik
peramalan jaringan saraf melakukan banyak upaya, ada banyak kemajuan
tetapi masih gagal, alasannya adalah bahwa menggunakan peramalan
jaringan saraf tradisional membutuhkan pemodelan persyaratan tinggi, jika
tidak, model yang ada kecepatan jaringan lambat, akurasi dan kesalahan
prediksi sulit untuk mengontrol kekurangan [ 6]. Untuk mengatasi kekurangan
jaringan syaraf tradisional, pada tahun 1990 JL Elman mengusulkan jaringan
syaraf Elman. Karena dapat mengambil perkiraan presisi sewenang-wenang
dari pemetaan nonlinier [ 7] untuk mengatasi kecepatan jaringan lambat yang
buruk, akurasi dan kesalahan yang sulit untuk mengontrol masalah
menyediakan seperangkat ide dan metode baru. Jaringan saraf Liang Qibin
radial (RBF) dan jaringan saraf Elman untuk memprediksi efek substrat
senyawa dekontaminasi di lahan basah yang dibangun, Dan memverifikasi
metode peramalan jaringan saraf Elman dengan akurasi tinggi [ 8]. Jaringan
saraf OIF Elman diusulkan oleh Li Ming untuk memprediksi indeks komposit
pasar saham, hasilnya menunjukkan bahwa model prediksi pasar saham
layak dan efektif, sangat baik dalam memprediksi potensi dan prospek
aplikasi yang luas [ 9].
Namun sulit untuk memilih variabel input jaringan syaraf tiruan karena
harga saham dipengaruhi oleh banyak faktor. Ketika variabel masukan
berlebihan, struktur jaringan rumit, menambah beban jaringan saraf
411
Kecepatan pelatihan dan pembelajaran turun tajam, sementara pilihan
subjektif kemungkinan besar berisi variabel masukan dan variabel keluaran
yang relevan sangat kecil, dan meningkatkan kemungkinan minimum lokal,
daripada meningkatkan akurasi perkiraan, menurunkan kinerja perkiraan
jaringan saraf, mengusulkan jaringan saraf Elman model berdasarkan
metode analisis komponen utama.
Untuk membandingkan hasil model, pertama-tama membangun
struktur yang sama dari jaringan saraf BP dan model jaringan saraf Elman,
kemudian disaring menggunakan analisis komponen utama dari variabel
asli, konstruksi berbasis model prediksi jaringan saraf PCA-Elman. saham
baotou steel tanggal 12 April 2013 sampai dengan 14 Mei 2014 harga
penutupan saham sebagai contoh analisis komparatif hasil. Hasil penelitian
menunjukkan model prediksi jaringan saraf Elman berdasarkan metode
analisis komponen utama dengan akurasi lebih tinggi, kecepatan jaringan
lebih cepat
s.
2. Model instruksi
1) Mode jaringan saraf BP
Jaringan BP milik jaringan saraf maju umpan, itu adalah jaringan
saraf tiga lapis atau tiga lapis neuron.
PCA (Principal components analysis, PCA) adalah teknik analisis, kumpulan
data yang disederhanakan, adalah informasi yang paling sedikit kehilangan banyak
variabel asli menjadi salah satu dari sedikit faktor, faktor yang memungkinkan
memiliki beberapa metode interpretif yang jelas dari analisis statistik multivariat [ 11].
Langkah-langkah umum analisis komponen utama adalah sebagai
berikut: (1) normalisasi (2) menghitung matriks kovarian (3) menghitung fitur
persamaan (4) menentukan bahan utama.
3. Contoh penelitian
Untuk menguji hasil prediksi model prediktif, melalui software query ke
baotou Steel Corporation, data indikator saham, menggunakan data harga
saham perusahaan baja 12 April 2013 sampai dengan 28 Mei 2014. Setelah
analisis dipilih saham indeks dari ledakan energi OBV, indeks kekuatan relatif
RSI, BIAS tingkat keberangkatan, MA rata-rata bergerak, indeks acak K, garis
mentalitas OSY, indikator sentimen, tingkat penutupan dan tingkat
pembukaan. Biarkan 220 depan menetapkan data sebagai sampel pelatihan,
keluaran perkiraan adalah 10 set data antara 15 Mei 2014 dan 28 Mei.
Analisis kesalahan antara nilai aktual dan prediksi dan verifikasi prediksi
model.

2) Model jaringan saraf Elman 3.1. prediksi saham jaringan saraf

Jaringan Elman selain jaringan saraf BP tingkat masukan tersembunyi,
tingkat keluaran, juga menambahkan elemen kontak khusus Unit ini digunakan untuk
nilai-nilai keluaran waktu sebelum lapisan tersembunyi memori, dapat dilihat sebagai
operator penundaan, sistem ini memiliki kemampuan untuk beradaptasi dengan
karakteristik yang berubah-ubah waktu. Yang menampilkan keluaran lapisan
tersembunyi melalui pelaksanaan penundaan dan penyimpanan. Tautan ke
masukan lapisan tersembunyi Koneksi ini memungkinkan kemampuan jaringan
dengan pemodelan dinamis [ 10]. Matematika
1) desain model prediksi
untuk analisis komparatif yang lebih baik dari dua model untuk
memprediksi hasil, menetapkan struktur jaringan BP dan Elman yang sama,
dengan mempertimbangkan faktor-faktor signifikan dan mempelajari situasi, input
model diatur ke 8, tingkat keluaran diatur ke 1. Setelah beberapa upaya, nomor
18 di lapisan tersembunyi ketika kesalahan jaringan relatif kecil, sehingga lapisan
tersembunyi disetel ke 18.

model untuk: 2) Pelatihan jaringan dan analisis hasil

3 xk Menetapkan siklus pelatihan maksimum untuk proses pelatihan 5.000 kali,
lapisan keluaran yk g (2)
MSE adalah 0,001, Gunakan model untuk memprediksi harga saham. Kurva
1 xx 2
xk f C
k1 kesalahan prediksi adalah Gambar 1.
tersembunyi (3)

melakukan lapisan x C k x C k 1 xk 1 ( 4)

Dimana y, x,, adalah vektor berdimensi-m dari node keluaran

masing-masing, vektor berdimensi-n dari simpul perantara, vektor masukan

berdimensi-r dan dimensi-n

umpan balik Status vektor. , , mewakili usaha

lapisan ke lapisan tersembunyi, lapisan masukan ke lapisan tersembunyi, tersembunyi

lapisan untuk menghasilkan bobot lapisan, g adalah neuron keluaran

fungsi transfer, fungsi transfer Untuk

neuron lapisan menengah, dan umumnya menggunakan fungsi.
Gambar 1 kurva kesalahan model
3) metode analisis komponen utama.

412
 Jaringan saraf BP dalam kesalahan perkiraan kurang dari 3%, dan
kesalahan prediksi jaringan saraf Elman dalam
- 2% ~ 2.5%, efeknya lebih baik, dengan menghitung prediksi jaringan BP
rata-rata kesalahan kuadrat MSE 2.9453e-004, namun prediksi jaringan
Elman berarti kesalahan kuadrat MSE 1.1574e-004, kurva pelatihan
jaringan saraf Elman daripada jaringan saraf BP lebih lancar , performa
lebih stabil.
3.3. Analisis komparatif dari ketiga model dalam prediksi
saham
Tabel 2 adalah mean squared error dari tabel tiga model, model
prediksi jaringan saraf PCA-Elman mean squared error adalah yang
terkecil.

Meja 2 tiga model prediksi tabel error mean square

model MSE
3.2. Prediksi saham berdasarkan jaringan saraf PCA-Elman
Jaringan saraf BP 2.9453e-004

Jaringan saraf Elman 1.1574e-004

Untuk lebih menggambarkan pengenalan analisis komponen utama
untuk mengoptimalkan fungsi prediksi jaringan saraf, tetapkan 85% untuk Jaringan PCA-Elman 0,54990e-004
nilai kontribusi varians kumulatif, menggunakan perangkat lunak komputasi
Matlab Dibandingkan proses pelatihan model tiga spesies dan hasil
Kepala Sekolah komponen skor, menghitung perkiraan, yang kecepatan konvergensi jaringan saraf BP relatif lebih
eigenvalues, eigenvectors dari matriks kovarians, dan tingkat kontribusi varians lambat, dan waktu pelatihan lama, dan dapat konvergensi nilai minimum
terakumulasi seperti yang ditunjukkan pada tabel 1. lokal Yu; Juga, kurva kesalahan pelatihan jaringan saraf Elman dari jaringan
saraf BP halus, kinerja lebih stabil, dan berdasarkan jaringan saraf
Tabel 1 bentuk kontribusi varians kumulatif
PCA-Elman dalam iterasi 253 kali mencapai kisaran kesalahan minimum,
Kepala Sekolah eigenvalue perbedaan kumulatif dalam tiga model ini kecepatan pelatihan paling cepat, kesalahan minimum.
komponen kontribusi perbedaan Setelah banyak pelatihan, berdasarkan setelan jaringan saraf PCA-Elman
s menilai kontribusi dipengaruhi oleh banyak faktor, model yang kompleks.
menilai

OBV 3.5201 0.44 0.4400

RSI 1.9029 0,2379 0,6779
AR 0,9593 0.1199 0.7978 4. Kesimpulan
PSY 0.6623 0,0828 0.8806
K 0,5471 0,0684 0,9490
BIAS 0,3001 0,0375 0,9865 Makalah ini pertama-tama menetapkan struktur yang sama dari
Buka 0,0944 0,0118 0.9983 jaringan saraf Elman dan jaringan BP, dan kemudian mengambil indeks
MA1 0,0138 0,0017 1.0000 harga saham peramalan membuat analisis komponen utama, faktor filter
yang berpengaruh signifikan terhadap harga saham, tidak termasuk korelasi
Ambil analisis komponen utama data sebagai vektor input, harga rendah dengan fungsi tujuan parameter, mengurangi jumlah input variabel
penutupan sebagai output dari jaringan setelah standarisasi vektor dan menyederhanakan arsitektur jaringan, yang meningkatkan kecepatan
pelatihan.
pembelajaran jaringan. Kemudian berdasarkan data yang telah disaring
Gambar 2 adalah hasil prediksi dan kurva kesalahan, model lebih membentuk model prediksi jaringan saraf tiruan PCA-Elman, secara terpisah
pas, kesalahan dalam -1,25% ~ 1%. Dengan menghitung model mean
dengan tiga model pengujian simulasi harga penutupan saham baotou steel.
squared error MSE bahwa jaringan PCA-Elman adalah 0.54990e-004, lebih
Hasil yang ditemukan: dengan perbandingan model prediksi jaringan saraf
baik dari jaringan saraf BP tunggal dan jaringan Elman memprediksi,
BP dan jaringan saraf Elman, analisis komponen utama meningkatkan
akurasi perkiraan model jaringan saraf Elman dan kecepatan pelatihan.

Gambar 2 Hasil prediksi PCA-Elman dan kurva kesalahan

413
Referensi [14] Xizhao Wang, Buku nya' nama, Penerbit, Lokasi,
Tahun.

[1] Zhengdong Li, studi BP-RBF tentang gabungan

penerapan jaringan syaraf tiruan dalam prediksi saham. Perguruan
tinggi komersial Lanzhou, 2010.
[2] Dong Yan, Penerapan teknologi jaringan saraf dalam prediksi harga
saham. Universitas Chongqing Jiaotong, 2013.

[3] Bo Jiang, dan Dong Chen, Studi jaringan saraf BP dalam prediksi
indeks saham dan aplikasi. Universitas Maritim Dalian, 2012.

[4] Abhishek. K, Khairwa.A, Pratap. T. ” Model prediksi pasar saham

menggunakan Jaringan Saraf Tiruan ".
Prosiding Konferensi ICCCNT2012l, Coimbatore, hlm, 1-5, Juli, 2012.

[5] Xiuzhen Xie, dan Jianyang Li, ” Mempelajari prediksi saham jangka
pendek berdasarkan jaringan saraf LAMSTAR ".
teknik komputer dan sains, Vol 30, No. 5, hlm.150-153.

[6] Veselin.L, Shahpazov.L, Lyubka. “ Rancangan dan

Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Nilai Indeks di
Pasar Saham Bulgaria ". Prosiding Konferensi SPS2013, Se rock, PP.
1-6.

[7] Xiaorui Zhang, chuanglin Fang. “ berdasarkan RBF Neural network

untuk prediksi urban built-up area - dan berbeda dengan jaringan
neural BP dan analisis regresi linier ". sumber daya dan lingkungan di
lembah Sungai Yangtze, Vol 22, No.6, hlm. 691-696, 2013. Qibin
Liang, Yungen Liu. ” Jaringan saraf RBF dan Elman dalam aplikasi
[8] media kompleks lahan basah buatan untuk memprediksi efek
dekontaminasi ".

Jurnal teknik lingkungan, Vol 7, No. 4, hlm.1369-1372, 2013.

[9] Ming Li, Limin Wang, Yang Liu. ” Model Jaringan Saraf Tiruan OIF
Elman yang Ditingkatkan dengan Faktor Arah Keuntungan dan
Aplikasinya ". Prosiding
Konferensi ICMV2009, Dubai. PP.208-211, Des 2009. [10] Lian
Zeng, dan Cenglian Liu, “ prediksi harga emas
berdasarkan jaringan saraf BP ditingkatkan ". simulasi komputer, Vol
27, No. 9, hlm. 200-203, 2010. [11] Chen Zhou, Yudong Feng, “ berdasarkan
multivariat
analisis model regresi linier dari permintaan air di Timur Laut ". praktek
dan pengetahuan matematika, Vol 44, No. 1, hal 119-123, 2014. [12]
Peter. C. Penulis, “ Kertas ' nama S ", Prosiding

Konferensi ICMLC2002, Beijing, hlm. 111-116, November 2002.

[13] Yohanes. B. Penulis, dan Seorang teman, " J kertas jurnal kita ' s
nama ", Nama jurnal, Vol 39, No.1, hlm.222-226, Februari 2001.

414