简介BP神经网络模型是目前应用最广泛的神经网络之一。 其本质是通过学习历史数据找到与数据变化趋势的非线性关系，持续调整网络内各单元的权重，使输出量与期望值之间的误差最小化。 因此，为了达到良好的预测精度，需要确定网络预测模型本身的结构。
1 )网络层数的设计。 本文应建立的预测模型主要用于研究股指期货短期内收盘价的走势。 我国股指期货市场存在的时间比较短，因此历史数据有限。 在这种情况下，不选择增加网络层数的方法，而是选择增加隐含层神经元节点的数量以提高输出结果的精度。 因此，本文选择单隐层的BP神经网络模型。
2 )输入层神经节点的设计。 在单因素预测中，只将股指期货每天的收盘价作为原始数据使用。 选择5d (一周的交易天数)作为预测的分析周期。 即，将5d的交易收盘价历史数据作为预测的依据，依次将5d的数据作为BP神经网络的一个输入值，将之后的第二天的数据作为网络数据的目标数据。 因此，将输入层神经元节点数设为5； 在多因素预测模型中，使用合同收盘价、成交量、OBV指标、WR1指标、沪深300指数收盘价作为输入向量，输入向量共有5个，因此输入层神经元节点数也为5。
3 )传递函数和学习函数的设计。 本文设计的模型均采用相同的隐式层传递函数tansig、输出层传递函数logsig和学习函数learngdm。
4 )性能函数的确定。 网络误差直观地反映了预测效果的好坏，是预测精度的具体反映。 本文在建立BP神经网络模型时，选择均方误差来确定网络的误差情况。
5 )隐含层神经节点的设计。 如果模型中其他参数的值不变，本文通过调整抑制层神经元节点的数量重复实验并比较输出误差，确定最佳抑制层神经元节点的数量。 对于单因子BP神经网络，当隐式层神经节点的数目为24时，BP神经网络的均方误差最小，即对函数的逼近效果最好，此时的均方误差为1.1609； 对于多因子BP神经网络，抑制层神经节点数为5时，BP神经网络的均方误差最小，最小值为0.0126。 以上分析表明，单因素BP神经网络预测模型的结构为单隐式层和单输出层； 输入层神经节点数为5； 抑制层神经节点数为24； 输出层神经节点数为1； 隐式层传递函数、输出层传递函数、学习函数分别为谭SIG、logsig、learngdm； 性能函数为mse。 多因素BP神经网络预测模型的隐含层神经元节点数为5，模型的其他属性与单因素BP神经网络模型一致。
双部分代码clc； clearallclosealldata=xls read ('1. xlsx )、'秦皇岛港动力煤价格(每周价格)、' D3:D673 )； lag=3； 将%前lag时刻的价格数据作为神经网络的输入变量，将lag第1时刻的价格数据作为输出变量。 t=1:长度(数据； %输入时间x=data； n=长度(数据； %%培训集创建inputs=Zeros(lag，n-lag )； fori=1:n-laginputs(:I )=x ) I:Ilag-1 )； %形成训练集的网络结束目标=x (lag 1:结束)； %训练集输出%%数据规范化[p_train，PS_input]=mapminmax(inputs，0，1 )； [t_train，PS_output]=mapminmax(targets，0，1 )； 创建%%网络%net=newff(p，t，[S1 S2…SN1]，{TF1 TF2…TFN1}，BTF，BLF，PF )； %% PT:输入矩阵和目标矩阵f_out=sim(net，p_test )； %预测次%%数据逆规范化t_sim=mapminmax('reverse '，f_out，ps_output )； %%预测图figure(1) plot (1:length ) T_sim )、T_sim、' ro-'、1: length ) T_sim、data、' b*-' )； legend ("预测振幅"、"实际振幅" )； xlabel (时间序列) ylabel (振幅) ) img=gcf； %获取当前绘图的句柄print(img，“-dpng”，“-r600”，“. /执行结果1.png”)时，相应的格式和所需dpi的图像figure(2)2) plot 110 %获取当前绘图的手柄print(img，“-dpng”，“-r600”，“. /执行结果. png”)将获得相应格式和所需dpi的图像3模拟结果
4参考文献[1]基于落后豌豆andttdMHT.'MATLAB的BP神经网络煤炭需求预测模型。' 中国管理科学S1(2008 ) :5。
部分理论引用网络文献，若有侵权联系博主删除。
5将5 MATLAB代码和数据下载到见博客主页