基于自适应网络模糊推理系统择时研究.PDFVIP

量化投资专题报告 2011 年09 月06 日 基于自适应网络模糊推理系统的择时研究 拨开云雾见月明 Table_ Summary 罗军 金融工程 分析师 胡海涛 金融工程 分析师 电话： 020655 电话：020406 eMail： lj33@ eMail: hht@ SAC执业证书编号：S0260511010004 SAC执业证书编号：S0260511020010 模糊推理机制 统逻辑推理的前提条件及结论都是通过具有明确边界的集合来判断和定义的，例如“如果某人A 是高个子， 那么其子女也是高个子”这样一条推理， 统方式可定义 “高个子”集合为身高大于等于1.8 米，在此意义下， 一个人是不是高个子或者说是否属于 “高个子”集合是非常明确的，是或不是必选其一，不存在模棱两可的情 况，然而这并不能表达人类语言意义上的高个子的含义，因为1.7999 米将不被认为是高个子。应用基于模糊集 合的模糊推理机制这一问题将迎刃而解，在模糊集合概念下某人对“高个子”集合存在一个隶属度（如0.8 ）， 隶属度也可以看成是前提条件的满足程度。因此模糊推理机制对于解决带有不确定 的问题具有独到之处，可 以应用于股票价格波动择时研究中。 ANFIS 模型及实证效果 ANFIS 模型对每一个输入变 分别赋予多个模糊集合并计算其满足程度 （隶属度），形成多条件模糊规则并通 过T 范式算子 （如代数积算子）计算模糊规则的激励强度，再采用函数式推理方式计算每一条规则的推理结果 并由激励强度加权得到最后输出。 本文采用滚动预测方式，对每一组训练样本，分别优化由不同隶属函数、不同迭代参数改动 （Step Size ）组 成的共计21 个ANFIS 的模型库，取训练检验样本均方误差最小的9 个来代入新的输入变 值，取9 个模型输 出的均值为最后输出。 以1996 年 1 月5 日至2002 年 12 月27 日347 个周线数据为训练样本，2003 年 1 月3 日至2011 年6 月24 日 428 个数据为检验样本。由12 个行情或技术指标+5 个宏观变 指标构成17 个基础输入，再经过滞后期算子得 到51 个衍生变量，总共68 个变量，拟合目标按涨跌分两类记为 1 或-1，分别取两输入和三输入进行了52394 次不同输入组合的寻优计算，给出了5 个最优的输入组合，其中样本外预测准确率最高者为 “RSI、收盘滞后2 期、成交额滞后 3 期”，准确率达到57.24% ，考虑 边0.5%手续费后模拟收益率表现超过指数，年化信息比 率为1.02，无交易费下年化信息比率为5.80。 自定义优化目标之ANFIS 模型改进 对ANFIS 模型预测输出按正负号记为涨或跌并与实际涨跌比较计算准确率，应用遗 算法优化模型参数最大化 准确率目标函数，得到的改进模型 A 在同样的样本外区间预测准确率达到 57.94% ，略高于最佳输入情形的 57.24% ，但考虑手续费后的模型收益表现略不及指数且较最佳输入情形逊色。 改进模型B 以经交易次数调整后的择时准确率为最大化目标函数，改进模型B 交易次数由改进模型A 的 121 次下降至119 次，准确率达到60.51%，模拟收益表现强于指数且强于最佳输入情形，无交易费及有交易费下年 化信息比率分别为6.13、2.24。 . 广发证券公司或其关联机构可能会持有报告中所涉及的公司所发行的证券并进行交易，亦可能为这些公司提供或争取提供承销等服 务。本报告中所有观点仅供参考，并请务必阅读正文之后的免责声明。 化投资专题报告 目录索引 一、人工智能与量化投资 4