用于数据预测的人工神经网络摘要；考虑到股市情况通常受不同外部因素的影响，股票市场预测是时间序列分析中最困难的预测分析之一。本文的研究旨在调查在时间序列是非稳定状态下和最常见的情况下，研究人工神经网络（ANN）在解决预测任务中的潜力。我们使用前馈型神经网络结构，具有外部输入的非线性自回归网络。神经网络的训练函数用来跟新权重和偏差参数，神经网络模型的特点是具有反向传播算法的自适应学习速率的梯度下降算法。使用均方差（MSE）测量在评估模型的性能，通过对比使用这种技术和一些ARIMA模型得出的结果进行比较。比较分析得出的结论是，提出的模型可以成功应用于预测相关数据。关键词：神经网络；非线性回归网络；ARIMA模型中图分类号：TP393文献标识码：A文章编号；1009-3044（2017）07-0162-031介绍预测股市指数及其趋势已被认为是时间序列预测中最具挑战性的应用之一。根据现有提出的有效市场理论，股价遵循随机路径，实际上不可能根据历史数据制定特定的长期预测模型。ARIMA和ANN技术已经成功地用于建模和预测金融时间序列。与作为复杂预测系统的ANN模型相比，ARIMA模型被认为是更容易的训练和预测技术。神经网络的一个重要特征是能够从他们的环境中学习，并通过学习在某种意义上提高性能。其中一个新的趋势是专门的神经结构与学习算法的发展，提供替代工具用来解决特征提取，信号处理和数据预测等问题。近年来，在使用ARIMA模型进行金融时间序列预测的金融数据分析领域中进行了一系列研究。Meyler等人使用ARIMA模型来预测爱尔兰通货膨胀。Contreras等人使用ARIMA方法预测第二天的电价。FxJiger等人用于ARIMA模型来预测在土耳其通过燃料一次能源的需求。Datta使用相同的Box和Jenkins方法预测孟加拉国的通货膨胀率。A1-Zeaud已经使用ARIMA模型来建模和预测银行部门的波动率。本文的结构如下。在本文的第二部分，我们简要介绍ARIMA模型进行预测。接下来，给出了旨在预测特定股票收盘价的外部输入的非线性自回归网络。应用于数据预测的基于ANN的策略是针对ARIMA模型进行分析的，并且在文章的第四部分中描述了这些模型的比较分析。关于报告的研究的结论在本文的最后部分提出。2RIM模型自回归积分移动平均（ARIMA）模型和Box-Jenkins方法是一种统计分析模型。它主要用于时间序列分析的计量经济学和统计学。ARIMA模型使用时间序列数据来预测系列中的未来点。非季节性ARIMA模型由ARIMA（p，d，q）表示，其中p，d，q是非负整数，它们分别是自回归（AR），集成（I）和移动平均（MA）的参数。（1）（2）（3）可以使用??ARMA过程开发的预测技术的扩展来解决预测ARIMA过程的问题。预测ARMA（p，q）过程中最常用的方法之一是用于计算最佳线性预测变量（Durbin-Levison算法，创新算法等）的递归技术类。在下面我们描述使用创新算法的递归预测方法。3用于预测股票收盘价的基于ANN的模型具有旨在预测特定股票的收盘价的外部输入的非线性自回归网络的过程如下所示；我们假设Yt是时间z时刻的股票收盘价。对于每个时刻t，我们用Xt=（Xt（1），Xt（2），…，Xt（n）表示与Yt显著相关的指标的值的向量，即在Xt（i）和Yt之间的相关系数大于某一阈值。我们研究中使用的神经模型是一个动态网络。直接法用于建立股票平仓值的预测模型，具体描述如下。（4）（5）（6）所考虑的延迟对训练集和预测过程具有显著影响。我们使用相关图为我们的神经网络选择适当的窗口大小。我们需要消除部分自相关函数（PACF）在统计上不相关的滞后。具有外部输入的非线性自回归网络（NARX）是一个递归动态网络，反馈连接包含网络的多个层。NARX网络的输出可以被认为是某个非线性动态系统的输出估计。由于在网络训练期间实际输出是可用的，所以产生串并联架构，其中估计输出被实际输出替代。这个模型的优点有两个方面；一方面，在训练阶段中使用的输入更精确，另一方面，由于所得到的网络具有前馈结构，因此可以使用静态反向传播类型的学习。NARX网络在这里用作预测器，预测公式如下：（7）在图1中描述了该串并联神经网络的示例，其中d=2，n=10并且隐层中的神经元的数量是24。隐藏层和输出层中的神经元的激活...