神经网的原理及在金融中的应用重点解析.ppt

汇率的不可预测性广为人知。多数不可预测的结论是由线性时间序列方法得出的，因而汇率的线性不可预测性可能应归于线性模型的局限性。 自从1980 年以来，已经发现了非线性的证据。作为一种函数形式灵活的非线性模型，ANN 可以提高预测的准确度。 ANN金融应用领域:汇率预测 Kuan 和 Liu（1995） 研究 神经网络在五种货币对美元汇率的样本外预测能力， 发现 对日元和英镑而言ANN 被发现具有显著的市场同步能力 英镑、加拿大元、德国马克、日元和瑞士法郎 加拿大元和德国马克而言，所选的网络仅有二流的表现 Diebold 和Nason （1990） ANN 的汇率变化预测 方向的预测很有用处，不便于进行数量大小的预测 由于ANN 具有归纳、适应和稳健的性质，大量的研究致力于将ANN 用于预测股票收益。但迄今为止取得的成功还相当有限。 ANN金融应用领域:股票市场预测 Chuah（1993） 纽约证券交易所股票指数收益率 预测能力检验显示网络的预测误差和基准线性模型没有显著的差异，而且网络不具有市场同步能力 Refenes，Zapranis 和Francis（1995） 研究 表明在股票收益的多因素动态模型，即APT的动态形式中，神经网络是线性回归的上好替代 * 虽然 ANN 在期权定价和分类问题上已经取得了很大的成功，但ANN 在汇率预测和股票市场预测方面的成果就没有那么引人注目了。 ANN金融方面应用 股票市场 汇率预测 期权定价 破产预测 神经网络的实证分析 ANN的实例分析 1. 公司财务预警预测 ——分类问题 2. 上证指数的开盘指数预测 ——时间序列问题 1.公司财务预警预测 背景 公司财务预警系统是为了防止公司财务系统偏离预期目标而建立的报警系统，具有针对性和预测性等特点。它通过公司的各项财务指标来综合评价并预测公司财务状况、发展趋势和变化，为决策者科学决策提供支持。 财务危机预警指标体系中的指标包括盈利能力指标、偿还能力指标、成长能力指标、线性流量指标等。 ST制度针对的对象是出现财务状况或其他状况异常的上市公司，这类公司的股票交易会被进行特别处理，简称前冠以“ST”，称为ST股。 数据来源 以2007年与2008年我国沪深两市首次被ST的38家制造业上市公司对象，从中选取30家ST公司与30家正常的制造业公司作为训练样本，剩下的的8家与8家正常的制造业公司作为测试样本。 1.公司财务预警预测 数据集变量 因变量：公司类型（分类变量：0表示正常，1表示ST） 自变量：剩下的26个财务指标（盈利能力、偿还能力、成长能力流动能力等） 1.公司财务预警预测 数据预处理： 变量中心标准化 1.公司财务预警预测 人工神经网络分类模型——R语言代码实现 函数nnet介绍： 单层的前馈反向传播神经网络算法 nnet(formula, data, subset, size, rang, linout = F, decay,maxit = 200) 主要的参数说明: formula:公式 data:数据集 subset:给出数据集要训练的样本下标 size: 隐层结点数 range:初始化随机权重的范围 linout :值为F表示分类方法，值为T表示回归方法 decay,:值是递减的(可以防止过拟合) maxit, 最大迭代次数; 注：对于其他参数设置，参考R的help文档 1.公司财务预警预测 人工神经网络分类模型——R语言代码实现 准确率 100% 五折交叉验证法的结果 鉴于样本量较少，防止模型预测结果的偶然性，将测试集与训练集合并，使用五折交叉验证法来得到正确率的平均值 ANN模型与其他模型效果的对比 1.公司财务预警预测 模型 ANN 决策树 随机森林 SVM KNN Accuracy 0.948 1 0.923 0.909 0.854 Recall 0.925 1 0.871 0.925 0.786 Precision 0.975 1 0.953 0.905 0.92 2.上证指数的开盘指数周均值预测 背景 股票市场的股价预测是人工神经网络应用的一个热门话题，基于人工神经网络能够预测非线性的时间序列。 数据来源 本例使用1991年1月2日至2015年 6月1日的上证综指的数据，包括开盘价、最高价、最低价、收盘价、