一种基于人工神经网络时间序列拟合方法.docVIP

一种基于人工神经网络时间序列拟合方法 　　【摘要】目前对股票价格的分析和预测尽管有大量的分析工具和模型，本文将要讨论的是近几年非常流行的计算智能技术，作为对人类智能的模拟，作为一种新兴的信息处理技术，计算智能技术现在已经成为重要的分析与预测工具。计算智能技术有普通统计方法所不能比拟的优点，它的预测更加精准，并且具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点。在计算智能技术中，最有名的当属人工神经网络，此模型在过去的二十年间有着很快的发展，因为其在认知的输入和输出的映射的表现公认的非常有效，甚至在面对一些难以判断的不确切输入输出关系时，仍表现出很好的拟合性，因此现在成为了时间序列非线性方法中最常被使用的到模型，本文将会采用该模型对上证指数进行实证性分析。 　　【关键词】上证指数 人工神经网络 拟合度 实证分析 　　一、引言 　　随着西方发达国家股票市场的兴起，随着时代的不断进步和变迁，股票市场逐渐拓展至发展中国家和一些相对落后的国家。对于股票价格进行时间序列预测无论对于投资者，政策分析者等等都有非常重要的作用，然而股票价格是一个复杂多变，难以描述的序列，影响因素繁杂且有些难以量化，因此至今学者们仍在探索能更好的描述它的方法[1]。 　　近几年计算智能技术在时间序列领域逐渐流行，作为一种新兴的信息处理技术，计算智能技术现在已经成为重要的分析与预测工具。计算智能技术有普通统计方法所不能比拟的优点，它的预测更加精准，并且具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点[2]。 　　在上面提到的计算智能技术中，最有名的当属人工神经网络，此模型在过去的二十年间有着很快的发展，因为其在认知的输入和输出的映射的表现公认的非常有效，甚至在面对一些难以判断的不确切输入输出关系时，仍表现出很好的拟合行，因此现在成为了时间序列非线性方法中最常被使用的到模型，当然也成为了股票价格时间序列预测模型中较为有效的并常被使用的模型之一[3]。 　　不论是基于哪一种数学模型??现有的拟合方法往往过于追求样本内的拟合精度，而忽略了拟合的模型在样本外的表现。在实际应用中，往往需要更加精确的样本外拟合度。因此本文基于样本外拟合的精度，分别从长期和短期两个时间维度考虑了神经网络模型预测的表现及其鲁棒性，得到了一些关于神经网络模型的结论。 　　二、研究模型介绍 　　本文将要对智能计算方法中的人工神经网络模型进行分析研究，下面就该模型的算法进行简单介绍。 　　神经网络是由大量的神经元按一定的拓扑结构和学习调整方法所构成的。神经元一般表现为一个多输入、单输出的非线性器件。 　　神经网络代表了一种新的方法体系，所以它能在实际的应用中表现一些独特的功能[6、8]。一般来说，神经网络具有如下的四个基本的特点：强大的学习能力；分布式存储信息；并行性，即并行的计算能力，可以处理快速实时的信息；非线性，即可以很好地模拟非线性系统。 　　神经网络可以通过自身强大的学习能力，来获取知识，神经网络性能的改善是随着时间一步步通过某种事先定义的量度来调整自身的参数的（比如权值）。一般来说，神经网络主要有监督学习、无监督学习、强化学习三种。 　　三、数据选取 　　在众多关于中国股票市场有效性的研究结果表明，中国的股票市场是一种渐进有效的市场或是一种半强有效市场，这样股票价格基本上反映过去信息和公开信息。正是在如此的假设下，我们运用统计学的方法，从股票指数（股票价格加权和）入手来分析和预测股票市场。选择从1998年12月23号开始的上证综指收盘运用神经网络模型进行了固定样本内模型和滚动样本内模型下的短期和长期的拟合预测。 　　四、实证结果 　　（一）固定模型下的神经网络模型拟合分析 　　对从1998年12月23号开始的上证指数收盘价运用MATLAB进行神经网络模型短期拟合预测。首先我们选取前1000个点进行样本内的拟合，对后20个点进行短期预测，并依此以步长20向前滚动，共二十期。 　　应用MATLAB进行求解，对样本内1000个点进行拟合，并按照拟合得到的模型对后20期以20为步长，向后滚动预测。 　　同样，我们选取前1000个点进行样本内的拟合，对后100个点（相当于5个月左右的数据）进行长期预测，并依此以步长100向前滚动，共二十期。 　　神经网络的拟合度在短期内十分精准，可以到了80%以上，有的甚至达到了95%以上，并且未出现50%以下的拟合度，然而长期来看，拟合度的差别非常大，对于趋势的判断有时很准有时完全颠倒，预测拟合度的跨度从90%到-90%。波动性非常大，可见神经网络对于达到一定长度的长期数据（五年以上）拟合的鲁棒性很差，长期来看无法适应不断变化的股市大盘。 　　（二）滚动模型下的神经网络