1.绪论
总结国内外股票预测方法,大致可以分为三类:一、以基本分析技术分析为主的传统方法;二、以时间序列为主的计量经济学方法;三、以神经网络和支持向量为主的人工智能方法。在传统股票预测方法中,技术分析被广泛使用,它有众多方法,比较著名的有K线理论、江恩理论、波浪理论等,这些方法在预测股市过程中人的主观因素往往占很大的成分,仁者见仁、智者见智,对预测没有一个统一的结果。以计量为主的时间序列股票预测方法,其对样本的选择有比较严格的要求,在预测过程中对模型假设条件比较多,只有在满足某种假设的前提下,预测效果才会比较满意,而且股票市场是一个高度的非线性市场,计量方法在遇到非线性问题时往往力不从心。随着计算机科学技术和数据挖掘技术的快速发展,人工智能方法得到了空前的发展,在信号处理和模式识别方面得到了广阔的应用。人工智能方法在应用时不用对样本数据的特征进行假设,它可以根据样本本身自动调整自身结构学习样本规律,并且对非线性问题可以无限逼近拟合。正是人工智能方法的这些特点弥补了传统股票预测方法和时间序列方法的众多不足,所以在股票预测方面该方法有独特的优势。在宏观经济和股票市场关系方面,国内外学者做了大量的研究。总体来说国外学者研究要比国内学者研究起步要早很多。Chen (1986)从有效市场理论和套利定价理论研究了股票收益率与工业生产值、通货膨胀、长短期利率的差值、消费和原油价格等宏观经济指标之间的关系,发现股票收益率受到系统性的经济变量影响。Fama分别在1981和1990年研究了股票收益率与实际产出活动、通货膨胀、货币的关系,发现通过衡量用期望现金流波动衡量的整体收益变化、期望收益随时间的变化、和期望收益的变化可以很好的去判断股票的价格,其中用来衡量期望现金流变化的GDP指标可以解释43%的股票收益波动。Cochrance (1991)利用生产者的生产函数代替消费者的效用函数来解释股票回报与经济波动之间的关系,发现宏观指标中的实际产出、利率可以很好的解释股票价格的波动。Roberto (2003)利用一种识别技术来度量股票市场对货币政策的反映,该识别技术利用了股票收益率的异方差性,研究发现S&P500指数对货币政策有明显的反映,当货币政策公布时,S&P500指数都有5%的涨幅或者跌幅。
在众多的人工智能方法中神经网络和支持向量机是研究最多应用最广泛两种方法。其中神经网络方法中有多种模型,其中误差反向传播神经网络(BP神经网络)是应用最为广泛的一种模型。所以本文选取误差反向传播神经网络和支持向量机对上证指数做出预测。在使用BP模型过程中很容易造成过拟合问题,如何提高模型的泛化能力一直是人们研究BP模型的重点。本文在一般BP模型的基础上提出使用贝叶斯正则算法和提前停止算法相结合的改进BP模型,从而很好的提高了模型的泛化能力,防止了过拟合现象的出现,使得模型预测达到了预期的效果。在以往使用人工智能方法预测股票的模型中人们研究的重点主要集中在使用股票的价格、成交量和各种技术指标对股票短期价格走势做出预测,很少有人对中长期走势的预测做过研究。因此本文提出从宏观经济指标的角度出发对上证指数中期的走势进行预测。随着我国证券市场的逐步发展和完善,逐渐走向成熟的资本市场,证券市场的“晴雨表”功能也日趋完善,能对股市中长期走势做出预测,不仅可以对股票投资形成一定的参考,而且对国家宏观经济调控提供一种参考,具有重要的理论和现实意义。而且随着我国金融投资品种的丰富,金融衍生品的发展,中长期的股票预测在衍生品定价过程中同样也可以发挥重要的作用。
3.神经网络理论…………10
3.1研究概述…………10
3.1.1国外研究概述…………10
3.1.2国内研究概述…………11
3.2神经网络理论介绍…………12
3.3 BP神经网络…………17
3.3.1BP网络学习算法的数学推导…………18
3.3.2BP网络性能分析…………21
3.4BP神经网络的改进方法…………22
4.支持向量机理论…………28
4.1研究概述…………28
4.1.1国外研究概述…………28
4.1.2国内研究概述…………29
4.2支持向量机核心知识…………29
5.机器学习方法在上证指数预测中的实证研究…………37
5.1实证环境简介…………37
5.2基于BP神经网络的上证指数预测…………38
5.3基于支持向量机的上证指数预测…………57
5.4BP神经网络结果与支持向量机误差结果比较……………61
总结
自从股权分置改革以后,我国股票市场逐渐向着法律体系健全化、市场结构立体化的方向发展,股票市场的走势受宏观经济的影响越来越大,股票市场“晴雨表”的作用也越来越明显。同时随着人工智能方法在各个领域的广泛使用,其在金融领域,特别是股票市场价格预测中优势也凸显出来。在这样的背景之下,本文通过使用人工智能的方法结合宏观经济指标来对上证指数的月度收盘价走势做出预测,探讨宏观经济指标在上证指数预测中的作用。在人工智能方法中,主要研究了BP神经网络和支持向量机两种方法。对于BP神经网络,本文针对传统BP神经的缺陷提出使用贝叶斯正则算法与提前停止算法相结合的方法来改进BP神经网络的性能。在实证过程当中本文使用改进的BP神经网络与支持向量机建立模型对上证指数做出预测,并得到了比较理想的效果。之后比较了两个模型预测效果,并对两个模型做出评价。
人工智能方法是比一门较新的学科,特别是支持向量机理论从提出到现在也就刚刚二十多年,所以人工智能方法在证券市场中的应用学者们都还在积极探讨中。本文虽然在人工智能方法预测股市方面做了一定的研究,但是这种研究还是比较初级的,技术上的细节还需要进一步的研究深化,进一步提高人工智能方法在股市预测上的稳定性和准确性。因此,在本文研究的基础之上,今后可在如下几个方面对人工智能方法在股市中的预测做出改进:在支持向量机中核函数的选择及参数的确定对模型的建立非常重要,本文在核函数的选择上选择了比较常用的核函数,以后的研究中可以通过对股票市场价格走势的详细分析来构造适合问题自己的核函数,以此来提高模型的性能。
参考文献
[1]ChenN.F'Roll R and Ross S, 1986: Economic Forces and the StockMarket, Journal of Business and Economics [J], Vol.59, No.3, 383-403
[2]Fama E.E,1981: Stock Returns, Real Activity, Inflation, and Money,American Economic Review [J],Vol. 71, No.4,545-565
[3]Fama E.E,1990: Stock Return, Expected Returns, and Real Activity,Journal of Finance [J], Vol.45,No.4,1089-1108
[4]Cochrance J.H., 1991: Production-based Asset Pricing and the Linkbetween Stock Returns andthe Economic Fluctuations,Journal of Finance [J],Vol.46, No. 1,209-237
[5]Roberto Rigobon and Brian Sack, 2003: Mea suring the Reaction ofMonetary Policy to the Stock Market, The Quarterly Journal of Economics [J],Vol.118, No.2, 639-669
[6]H.White, 1988: Economic Prediction using neural networks: the case ofIBM daily stock returns .Neural Networks, IEEE Intentional Conference on,Vol.2,451-458
[7]JiangW, Lianei Z, Pu W, 2008: Nonlinear time series forecasting oftime-delay neural network embedded with Bayesian regularization, AppliedMathematics andComputation [J], Vol.205, Issue 1, 123-132
[8]Trafalis T,Inee H, 2000: Support vector machine for regression andapplications to financial forecasting, Neural Networks, IJCNN2000, Proceedingof the IEEE-INNS-ENNS International Conference on, Vol.6, 348-353
[9]Ince H, Trafalis T. 2008: Short term forecasting with support vectormachines and application to stock price prediction. International Journal ofGeneral Systems[J], Vol.37, No.6, 677- 687.
[10]Tay F, Cao L, 2001: Improved financial time series forecasting by combining support vector machines with self-organizing feature map,Intelligent Data Analysis [J], Vol.5,No.4,339-354.