基于神经网络技术的股指预测模型及实证分析_高振坤.docVIP

基于神经网络技术的股指预测模型及实证分析_高振坤 第26卷　第133期2005年1月财经理论与实践(双月刊) THETHEORYANDPRACTICEOFFINANCEANDECONOMICSVol.26　No.133 Jan.　2005 ·证券与投资· 基于神经网络技术的股指预测模型及实证分析 高振坤,熊正德 (湖南大学工商管理学院,湖南长沙　410082) 摘　要:通过建立BP神经网络预测模型和GARCH-BP神经网络预测模型,对2001年深圳成分指数的日收盘价进行预测分析发现,GARCH-BP模型较BP模型的收敛速度快,学习能力强,预测精度较高,误差率较小。 关键词:BP神经网络;GARCH-BP;非线性动力系统 中图分类号:F830.91 文献标识码:　A 　文章编号:1003-7217(2005)01-0056-06 一、引言 股市是一个复杂的非线性系统,股票价格涉及许多不确定因素,且各个因素之间的相关关系错综复杂。随机游走理论认为股价波动完全是随机的,但大量事实表明,股价波动存在某种规律性。将股市看作确定性非线性动力系统,即内部的动力机制是确定的,股价的历史数据和其它信息蕴含着可用于预测未来股价的信息,即存在一个函数:P(t+1)=f(Pt-k,L,Pt,Xt-1,L,Xt,Yt-m,L,Yt,L)。其中,P表示股价,X,Y是外部变量。若只考虑股价序列内部关系,则f可表示为P(t+1)=f(Pt-k,L,Pt)。预测的关键在于由样本数据构造或用适当的方法逼近这一函数f。然而,f常常是非常复杂的,传统的线性预测方法对观测样本加权求和作为预测结果显然是不妥的。而神经网络由于其强大的非线性逼近和泛化能力,得到了最为广泛的应用。Lapedes等最早发表了神经网络用于预测的文章,他们用非线性神经网络对由计算机产生的 [1] 时间序列仿真数据进行学习和预测。后来Wer- 出不穷,国内一些学者也开始利用神经网络的方法 [4～9] 对中国股市的股票价格进行预测。另外一些人 工智能的方法,如遗传算法、模糊理论和粗集,也陆续在股票市场中得到一些应用。 二、基于神经网络技术的股指预测模型(一)BP神经网络模型 BP神经网络模型是目前神经网络学习模型中最具代表性、应用情况最普遍的模型。BP神经网络架构是由数层互相连结的人工神经元所组成,通常包含了输入层、输出层及若干隐藏层,各层包含了若干神经元。神经网络便依照学习法则,透过训练以调整连结链加权值的方式来完成学习目标的收敛。 尽管神经网络具有自我学习的功能,但相对要求输入的资料需具有一定的可用性,为避免输入神经元过少,使得网络无法配适完成,以下采用前5天的收益率rt-1、rt-2、rt-3、rt-4及rt-5作为推论当天收益率rt的输入神经元。这样,所使用的神经网络,其网络架构为5-7-4-1,输入层有5个输入神经元、有7个隐藏神经元的第一层隐藏层、4个隐藏神经元的第二层隐藏层以及包含1个输出神经元的输出层。其网络架构如图1。 要让神经网络训练的更有效率,可以对网络输入与目标向量进行前处理(Preprocessing)程序。这里所使用的归一化(Scaling)方法为极小值与极大值 bos,Varfis和Versino对实际的经济时间序列进行 [2] 了预测研究。Weigend等利用神经网络研究太阳 黑子的年平均活动情况,通过与回归方法的比较表 [3]明神经网络的预测优于统计预测。20世纪90年 代以来,国外利用神经网络对股票价格预测方法层 收稿日期:　2004-12-10 基金项目:　国家自然科学基金资助项目;教育部高校青年教师奖励基金项目。 ,,,:。 2005年第1期(总第133期)高振坤,熊正德:基于神经网络技术的股指预测模型及实证分析57 方法。其方式为重新定义四个向量,各自为输入与输出向量的极小值与极大值,依照输入与目标向量在这四个向量中的大小重新定义。而归一化后的输入与输出向量皆介于-1和+1之间。如此一来,可以直接反应出原始向量对于问题的权重或大小情况,而使得网络训练更有效率。当要预测一新的输出向量时,只要将新的输入向量根据先前的极小值与极大值向量作一调整,即可根据训练好的网络进行仿真的动作。另外,网络的转换函数则采用双曲线正切函数。在完成网络的训练与仿真后,由于输出向量也将会是介于-1和+1之间,因此,需再根据原先目标向量的归一化向量做后处理动作,以便使输出向量还原到原始的资料形态