非参数支持向量预测方法及蒙特卡罗仿真检验.pdfVIP

非参数支持向量预测方法及蒙特卡罗仿真检验 陈诗一’ 摘要本文详细介绍了非参数支持向量预测方法，独特的结构风险最小化设计赋予了支 持向量算法最出色的预测能力。蒙特卡罗仿真检验验证了支持向量预测方法的理论优点， 即，无论在短期预测，还是长壤预测上，也不管是预测变量的绝对水平还是变化方向，支持向 量预测方法都一致地优于MLE和ANN方法。嵌套检验也从统计上显著地证明了这个结论。 关键词支持向量算法结构风险最小化预测 蒙特卡罗仿真 一、介 绍 经济和金融预测一直是经济学研究的一个重要主题。早期，以Ⅺein为代表的研究 最简单的随机游走模型在预测汇率时都要优于复杂的结构模型后，各种时间序列模型 模型通常采取线性参数化形式，由于随机解释变量和自相关现象的出现，大多采用最大 似然估计(M址)方法，这就要求目标变量服从正态分布的假定，而且观察值足够的长c 然而实际中，宏观经济和金融时间序列并不具有线性特征，而且其波动性具有聚类效 应，并不能满足正态分布的假定，这就使得利用MLE方法估计的时间序列模型不具有 很好的样本外预测表现。因此，非线性、非参数的预测技术开始被毋究和运用，其中一 个主要代表就是90年代以来流行的人工神经网络(ANN)方法。大量的研究成果表明， and Liu，1995；Do”aId— ANN方法在预测经济金融时间序列方面要优于传统方法(Kuan and son Kamstra．1997：Tiand以．1997；Mosh试andC啦eron，2000；Ghiassiaef以， 2005)。ANN方法虽然无须正态假定和大样本要求，但是也存在过估计问题，即不能保 证获得全局最优解。另外，ANN和MLE还存在一个共同的问题，即它们都是最小化经 验风险，换句话说，就是只侧重样本内拟台，这个理论缺陷不可避免地导致ANN和MLE 方法的外推预测不佳。很幸运，研究者们现在发现了一种新的预测能力强大的方法，这 Vector Machine， 就是由Vapnik(1995、1997)提出的非参数支持向量算法(sup砷rt svM)。svM方法的最大优点就是最小化结构风险，以达到在拟合和预测之间的平衡， 克服了MLE和ANN等方法只最小化经验风险的缺陷，正是这一点从理论上赋予sVM 方法最强的预测能力。同时，sVM也不需要先验分布假定和样本容量要求。 非参数支持向量方法一开始提出来是用来解块分类问题的(这就是支持向量分类， cnc +陈诗一：复旦大学中国社会王义市场磬济研究中心，电话E-nl鲥1：8hlyLchen@fuda…du 万方数据 型旦生堑!塑 堡董：二韭墨墼塞盐血量塑型立鲨丛重盐±墨篮塞垫壁 垒兰 复杂时间序列。但总的来说，在经济金融预测方面的应用研究还比较少，仅有的一些研 e￡Ⅱf．(2002)运用svR 用sVR方法预测了基于ARMA模型框架的仿真数据和金融收益率数据，一致地得出 sVc方法预测了目标公司的信用风险和破产概率，得出sVc方法要优于传统的DA和 率进行了预测，结果表明该模型具有较好的预测效果。姚奕和叶中行(2004)则利用 上证综合指数和2005年7月21日施行有管理的浮动汇率体制后的人民币汇率进行了 预测。虽然目前的研究还很少，但是很显然，支持向量算法在经济和金融预测领域的应 用有着广阔的发展前景，不仅可以用它来预测汇率、证券指数和股票价格及其波动性， 而且可以用来预测经济增长和商业周期，进行金融风险预警，对目标企业进行信用风险 和破产评估等，具有相当的普适性。