基于GARCH-BP模型股指预测及实证分析.docVIP

基于GARCH-BP模型股指预测及实证分析 　　摘要：本文通过建立BP神经网络预测模型和GARCH-BP神经网络预测模型，对2004~2005年间深圳成分指数的日收盘价进行了预测分析，经过实证比较，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算法；GARCH-BP模型；深证成指 　　中图分类号：Ｆ830．91 文献标识码：Ａ 文章编号：１００５－０８９２(２００6)06－０041－０4 　　 　　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。随机行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。我们可以将股市看作确定的非线性动力系统，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。 　　近年来，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时间序列仿真数据进行学习和预测。[1]后来Werbos，Varfis和Versino对实际的经济时间序列进行了预测研究。[2]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明神经网络的预测优于统计预测。[3]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出不穷。[4-7]国内一些学者也开始利用神经网络的方法对中国股市的股票价格进行预测。[8-9]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GARCH-BP模型的股指预测模型 　　 　　（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；神经网络依照学习法则，通过训练以调整连结链加权值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，因此??文采用前5天的收益率rt-1、rt-2、rt-3、rt-4及rt-5作为当天收益率rt的输入神经元。因此本文所使用的神经网络，其架构为5－7－4－1，输入层有五个输入神经元、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一个输出神经元的输出层。其网络架构如图1。 　　图1BP神经网络模型网络架构 　　要让神经网络训练更有效率，可以对网络输入与目标向量进行前处理程序。本文所使用的归一化方法为极小值与极大值方法。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问题的权重情况，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。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，以便使输出向量还原到原始的资料形态。 　　 　　（二）加入GARCH变量的BP神经网络(GARCH-BP) 　　BP神经网络所使用的输入神经元仅考虑前五天的对数收益率，并未将收益率的波动程度考虑进来，因此除了使用前五天的对数收益率作为输入神经元外，另外使用GARCH时间序列模型，将所估计的条件变异数作为第六个输入神经元，以比较在考虑了收益率波动后的BP神经网络对于时间序列资料的估计与预测是否较其它模型要好。 　　在建立了条件变异数GARCH模型后，将所得到的条件变异数作为BP神经网络的第六个输入神经元，而网络架构也形成6－7－4－1，即具有六个输入神经元的输入层、七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及一个输出神经元的输出层。 　　 　　三、模型绩效评定准则 　　 　　(一)MSE准则 　　均方误差(Mean Square Error)是计算实际值与预测值的预测误差后取平方并加以平均。MSE的公式如下： 　　MSE=（rt-t)2 (1) 　　其中T代表总样本数，T1代表估计样本的数目，rt代表实际值，t则为模型的估计值或预测值。 　　 　　(二)MSPE准则 　　均方比例误差(Mean Square Percentage Error)是计算实际值与预测值的预测误差占实际值的比例后取