基于人工智能的中国股票价格预测与异质性研究.pdfVIP

张　琳 基于人工智能的中国股票价格预测与异质性研究 １２３ 基于人工智能的中国股票价格 预测与异质性研究 张　琳 ［摘　要］本文构建一个基于人工智能的中国股票价格预测模型，并探究预测效果异质性 的原因。根据理论及现实，股票价格主要受利率、市场行为、技术指标以及公司价值因 素等影响。对沪深两市具有代表性的个股价格进行预测的实证研究发现：股价预测值与 真实值多数时间吻合，日度数据模型与月度数据模型预测精度偏差平均值分别落在 １７％和８％的水平内，且引入控制变量利率的稳健性检验并没有明显的变化产生。进一 步的异质性研究给出，模型变量———自身股价、成交量、估值，是股票价格预测效果差 异化的理论及现实影响因素。从而为我国政策当局、市场投资指数以及金融机构提供参 考、建议和依据，共同维护股票市场的健康稳定乃至金融稳定。 ［关键词］人工智能；长短期记忆网络ＬＳＴＭ；股票价格预测；异质性 ［中图分类号］Ｆ８３０９１　［文献标识码］Ａ　［文章编号］１０００－５０７２（２０２３）０３－０１２３－１０ ＤＯＩ：１０．１１７７８／ｊ．ｊｎｘｂ 一、引　言 股票作为最常见、最具代表性的金融投资工具，其价格波动对居民资产选择、财富水平以及 股票市场的健康稳定发展至关重要。然而，由于股票价格的影响因素过多且极其复杂，长期以来， 关于股票价格预测的问题虽不乏研究，但始终是金融领域无法解决的难题。 一部分研究从自回归差分移动平均ＡＲＩＭＡ模型与自回归条件异方差ＧＡＲＣＨ模型的比较与结 合的角度进行。贺本岚研究结果表明，条件异方差ＡＲＣＨ模型的整体预测效果优于自回归差分移 ① 动平均ＡＲＩＭＡ模型。于志军和杨善林引入回归模型分析和拟合 ＧＡＲＣＨ残差序列未被解释的 作者简介：张琳，北京工业大学经济与管理学院，北京大学数量经济与数理金融教育部重点实验室。 基金项目：国家社会科学基金重大项目“货币政策分配效应与缩小收入和财富差距的有效路径研究”（２０＆ＺＤ１０５）；北京市教育委 员会社科计划一般项目“北京金融环境下居民资产选择与价格水平影响研究”（ＳＭ２０２１１０００５０１４）。 感谢课题组成员沈知宇为本文在代码上提供的支持！由作者进行具体程序设定和运行。 感谢审稿专家的宝贵指导意见，以及编辑老师和期刊的帮助和支持！当然文责自负。 ① 贺本岚：《股票价格预测的最优选择模型》，《统计与决策》２００８年第６期。 暨南学报（哲学社会科学版） ２０２３年３月 总第２９０期 １２４ＪｉｎａｎＪｏｕｒｎａｌ（Ｐｈｉｌｏｓｏｐｈｙ＆ＳｏｃｉａｌＳｃｉｅｎｃｅｓ）　　　 Ｎｏ３　２０２３ ＳｕｍＮｏ２９０ 部分，并对未来的残差进行预测，基于误差校正的ＧＡＲＣＨ股票价格预测模型预测精度有显著提 ① 高。 高天将基于最优小波包变换、ＡＲＩＭＡ与ＳＶＲ的预测结果进行重构得到股价预测序列，研究 ② 结果表明预测方法结构明确、计算高效，能够以较高的精度对股价变化进行预测。 吴玉霞和温欣 通过对创业板市场股票价格变动的规律和趋势进行预测的结果表明，ＡＲＩＭＡ模型短期动态、静态 ③ 预测效果较好。 张贵生和张信东提出基于近邻互信息特征选择的ＳＶＭＧＡＲＣＨ预测模型，其在时 ④ 序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ＡＲＭＡＧＡＲＣＨ模型。 另一方面，其实研究人员很早便将神经网络模型与其他方法相结合，应用到股票市场的研究 中。常松和何建敏的实证研究结果表明，小波包和神经网络相结合的