SVM与BP网络对基金波动预测效果比较分析.pdfVIP

【市场研究】 SVM 与 BP 网络对基金波动的预测效果比较分析 傅东升 　曹丽娟 ( ) 摘 　要 :运用支持向量机 Support Vector Machine , SV M 预测基金波动率时间序列 , 并将 Back - p rop agation (B P) 神经网络作为基准方法 ,实验选取沪深交易所上市的 6 只样本基金 ,根 ( ) ( ) ( ) 据选用的性能评价尺度 :正则均方误差 N M SE ,平均绝对误差 MA E 以及方向对称 D S 指标 , 仿真结果表明在预测基金波动率问题上 ,SVM 比B P 有更好的预测精度 。文章最后给出解释 。 ( ) 关键词 :支持向量机 SV M 　B P 神经网络 　基金波动率预测 1 、引言 ( ) 波动率 Volatilit y ,或简称“波动”是对资产投资收益率的变化程度的一种度量 ,可以理解为对价格变 异性和随机性的度量 , 目前的研究中常用的波动度量方法是收益率的标准差 。许多证券分析的方法也都依 赖于对波动的估计以便度量投资于金融资产的风险 。就基金管理而言 ,当基金经理对冲 日常风险而需要决 定对冲比率时或当风险管理者计算 VaR 时都需要估计波动 ; 当人们在对资产进行定价时 ,资产的价格或收 益波动是一个很重要的因素 ; 当市场监管者对市场的运行质量进行评价时 ,市场的波动是一个很重要的 指标 。 截至 2006 年 8 月底 ,我国基金管理公司数量达到 57 家 ,证券投资基金总规模达到 4566 亿份 、净值 5307 亿元 。在机构投资者逐渐走向我国证券市场主流的总体趋势之下 ,基金的波动和股票的波动一样得 到更为广泛的关注 。作为基金风险的代表 ,基金波动特的征明显不同于股票和股票市场指数 ,怎样采用科 学方法 ,合理预测基金波动成为广大投资者和研究者关注的焦点之一 。 在有关基金预测的文献当中 ,预测方法主要分为两类 : ( 1) 统计方法[ 1 ] [2 ] [ 3 ] , (2) 人工智能方法 [4 ] 。统计方法有自回归 Auto Regression ( A R) , 移动平均 Moving Average ( MA ) , 自回归条件异方差 Autoregressive Conditional Het ero skedasticit y (A RC H) 。传统方法是一种参数方法 ,首先要定义模型的具 体形式 ,根据历史数据找出最优参数 , 所以,模型精度容易遭到模型定义错误的影响 ,导致模型不匹配问 题 。人工智能方法主要是神经网络方法 。和传统的统计模型不同 ,神经网络是数据驱动的非参数模型 ,它 们让“数据 自己说话”。因此 ,和大多数参数模型相比,神经网络较少遇到模型误配问题 。而且 ,神经网络具 有较强的噪声容忍能力 ,能够用不完整甚至是缺失的数据来学习复杂系统 。它们还具有柔性 ,能够用新的 数据重新训练网络来学习动态系统 。因此 ,和传统的统计模型相比,神经网络在描述基金的动态性方面具 ( ) 有更大的潜力 。Chiang et al . [3 ] 比较了神经网络和传统的线性回归方法来预测基金的年末净值 N AV 方 面的表现 , 发现神经网络有着更好的预测精度 。Carhart and Karaali [4 ] 也用同样的方法来预测基金业绩 上的效果 ,得到近似的结论 。Indro et al . [ 5 ]也发现在预测股票共同基金业绩方面 ,神经网络比传统计量方 法有更好的预测精度 。