股票价格预测GARCH模型与BP神经网络模型的比较.docVIP

股票价格预测：GARCH模型与BP神经网络模型的比较 ????股票价格对证券投资者来说是极其重要的，但由于影响股票价格波动的因素众多，使得其预测难于实现，确切地说，要对股票价格做出准确预测是不可能的，但我们总试图寻找不同的方法，不同的模型来刻画它。对于股票价格的分析有两种不同的学派，一是基本分析学派，二是技术分析学派。和这两种分析派别观点相对应，股票价格预测的建模思路有两种：①尽可能找出所有影响价格波动的因素（宏观经济指标、公司财务指标等等），建立股票价格和这些影响因素之间的模型。②遵循股票价格技术分析，依据股票价格系统自身规律来建模。????　　一、建模的方法????　　（一）随机游走模型????这是在GARCH模型提出之前，描述股票价格最常用的模型。????　　（二）ARMA簇时间序列模型????这是针对平稳时间序列建模有效手段。????　　（三）ARMA-GARCH模型????这类模型的建模思路一般为：计算股票价格的差分（或者是收益率），用单位根方法验证其平稳性，通过单位根检验则建立该平稳序列的ARMA簇模型，再检验模型的残差是否具GARCH效应，若有，则用GARCH模型对残差加以刻画，这也是检验股票市场有效性的常用方法。????　　（四）神经网络模型????把股票价格看成一个非线性系统。在实证中，两种建模思路都有：其一把影响股票价格的因素值作为神经网络的输入，价格作为输出，训练网络，再进行预测。其二依据时间序列建模的思想把股票前几期的价格作为输入，紧接一期的价格作为输出。本文在BP神经网络建模过程中应用的是第二种方法。????在以上的各种模型中，基本上都是针对股票价格指数来做的实证分析。本文选择了清华同方个股数据作为实证数据，从股票价格是非平稳时间序列和非线性系统两个不同的角度分别建立GARCH模型和BP神经网络模型，对两者的结果做了比较分析。这也是首次把GARCH模型和BP神经网络模型运用于同一目标数据，做出预测结果，目的在于尽可能选择恰当的模型来刻画数据，探求其内在的发展趋势，比较两者的预测效果。????　　二、GARCH模型与神经网络模型????　　（—）GARCH模型????????　　（二）神经网络模型????随着近年来神经网络研究的迅速发展，人们已经把神经网络推向各个应用领域，而BP(Back-Propagation Network)网络是其中应用最多的。其主要应用方面有：函数的逼近、模式识别、分类、预测、以及数据压缩等，在对非线性系统的处理中体现了其优越性。从前面的论述我们也知道股票价格是一个高度非线性的时间序列，所以本文引入BP网络模型对个股的价格预测做一尝试。????????为加快网络收敛速度，η的取值应足够大又不致产生振荡。????　　三、实证分析????　　（一）样本数据说明????样本数据为清华同方1999年9月14日至2000年5月17日的收盘价格，共154个数据，其中150个作为训练样本，4个作为测试样本。这些数据介于两个除息日之间，可以避免因除息、除权对股票价格的影响。数据来自中国股票市场交易数据库查询系统(CSMAR2001V.2)为了下面的阐述方便，记该序列为。????　　（二）GARCH模型的建立和预测????1.模型的建立????F统计量＝104.5146（括号中的为t值，下同）。所以拒绝该自回归模型的残差序列没有GARCH效应的原假设。????????经过反复试算，我们选定GARCH(1,1)作为估计模型，因为Akaike和Schwarz统计量的值是最小的，计算其残差序列的自相关函数序列(Autocorrelation)和偏相关函数序列(Partial Correlation)及其对应的Q值表明，其残差系列不再具有自相关性。同时接受没有GARCH效应的原假设；拟和优度。各参数的结果说明我们建立的模型是合适的。用最大似然法估计得到得模型为：????????从以上的模型可以看出：清华同方当期的股票价格和前一期的股票价格有很强的相关关系（ρ＝0.998012，非常接近1）。条件方差的滞后项系数很大(0.86533)，说明股票价格的波动具有“长记忆性”，即过去价格的波动与其无限长期价格波动的大小都有联系。前的系数(0.140275)也通过了显著性检验，说明股票价格具有明显的波动聚集性。????2.预测????①内插的预测????根据上面计算结果对训练样本进行预测（内插的预测），得到拟合图，图略。????从拟合上也可以看出前面建立的GARCH(1,1)模型对该股价序列的预测是合适的。预测的标准误差＝1.976662（预测的标准误差定义为：残差平方和除以其自由度再开平方根，下同）。????②外推的预测????给出样本植和预测值