基于动态剪枝算法神经网络预测模型.pdf

第 54卷 第 3期 复 旦 学 报 (自然科学版) Vo1．54No．3 20l5年G月 lournaIofFudaI1UniverdW (NaturaiScience) Jun．2015 文章编号：0427—71o4(2o15)o3—0313—07 基于动态剪枝算法的神经网络预测模型 张 瀛 ’。 (1．华东师范大学 金融与统计学院，上海 200241；2．复旦大学经济学院，上海 200433) 摘 要：提出一种针对径向基函数网络动态剪枝算法，该方法根据统计贡献度动态确定核函数最优数量，在递 归估计参数的同时根据核函数贡献度的大小动态消除冗余节点，以达到最佳网络结构．利用中国月度信贷数据 进行实证分析表明，新提出的模型与SARIMA和SVR等其他基准模型相比，具有更好的预测稳健性和准确性． 关键词：统计贡献度 ；自回归单整移动平均季节模型；支持向量回归 中图分类号：F224．9；F201 文献标志码：A 随着中国对外开放程度的加深，对政策部门决策水平提出了更高要求，正确决策的前提是对客观情 况做出科学准确的预测．信贷政策是我国宏观经济政策的重要组成部分，是中国人民银行根据国家宏观 调控和产业政策要求对金融机构信贷总量和投向实施引导、调控和监督，促使信贷投向不断优化，实现信 贷资金优化配置并促进经济结构调整的重要手段，在支持和促进国民经济又好又快发展中发挥 日益重要 的作用．2009年受国际次贷危机的影响，中国中外资金融机构人民币各项贷款呈现爆发性增长，货币信贷 规模高速增长是维持实体经济平稳发展的客观需要，但也为未来可能出现的资产价格泡沫、通货膨胀以 及不 良贷款等问题埋下隐患．由于中国信贷政策 自身的特性和传导机制，其实施效果与预期 目标往往存 在较大差异，信贷政策的有效性受到各种因素制约，因此，研究中外资金融机构人民币贷款的发展变化规 律，进而对未来变化做出准确的预测，这对提高 目前我国信贷政策的前瞻性和有效性具有重要的意义． 目前，实际应用的预测方法不下几百种，包括传统线性时间序列模型、传统的非线性模型(如门限自 回归和马尔科夫链)、灰色预测方法、计量经济学模型以及一些如人工神经网络 (ArtificialNeural Networks，ANN)、支持向量机(SupportVectorMachine，SVM)等新的智能技术．与其他国家不同，信贷 渠道是我国货币政策传导的重要路径，我国中外资金融机构人民币贷款数据的主要特点，一是信贷数据 为月度数据，属于低频数据，数据时间跨度短，样本数量较少；二是由于国际和国内经济形势的多变，尤其 是国际金融危机对我国信贷政策产生冲击，信贷数据呈现突变特征，而传统时间序列模型和计量经济学 模型仅适用于渐变的、线性的时间序列，上述特点使得传统预测模型无法取得令人满意的结果．传统预测 方法大多是对因果关系回归模型和时间序列模型进行分析，但由于系统内部关系十分复杂，加之外界环 境的多变性，人们在预测时存在着正确选择模型的困难 ，使得这些需要对系统运行机理有彻底 了解 的预 测方法的应用受到很大限制 ，从而带来预测失误 ，因此 ，人们逐渐转 向了只利用现存历史数据去构造模型 进而推测未来的非参数预测方法——基于神经网络的预测方法． 信贷规模是中国中央银行密切关注的经济变量，但 目前对我国信贷预测的研究较少且预测精度较 低，不少文献[1]指出中央银行的预测存在较大误差和系统性偏差，为此，本文采用单变量时间序列和非 参数计量方法建立中国的信贷规模预测模型，利用单变量时间序列进行预测需要的数据信息较少，预测 结果更为稳定和精确[3]．神经网络和支持向量机是近年来发展较快的非参数计量模型，ANN克服了经 济计量模型常犯的模型设定错误[5]，但 ANN模型的预测结果并不稳定，有时优于 SVM 和 ARMA (AutoregRessiveMovingAverage)模型，但也有研究表明ANN预测精度劣于SVM 等模型[引．预测结果 收稿 日期 ：2013—03—15 基金项 目：国家 自然科学基金面上项 目；上海市教育委员会科研创新项 目(11ZS09) 作者简介：张 瀛(1971一)，男，副教授，E-mail：zywelcomeu@sina．com． 314