基于动态贝叶斯网模型的股指收益率序列预测
日一２００７年１月１日的数据为测试数据。
本文利用ＤＢＮｓ离散预测模型对２００１年１月１日一２００７年１月１日１４４７条数据的进行测试，得出时间序列长度与命中率的关系，如图４所示。
喜
盖
１００
１５０
２００
２５０
３００
３５０
时问长度，日
时序长度与命中率关系
图４中，时间序列的长度Ｔ在Ｔ＝１９６时，模型能取得最
大的命中率。因此，模型用于预测的时间序列长度选择１９６
日。
图５显示了离散模型的预测结果，横坐标为时间，纵坐标为表征收益率幅度的类别，如：５、６、７分别表示收益率在（一３％，１％）、（一１％，ｌ％）、（１％，３％）的区间。图中可以看到，预测值基本能和实际值保持一致，即使在异常变动的情况，预测值也能和实际值保持相同的变动方向，该时间段（２００５年２月２１日一２００５年９月３０日）１５３日的预测中，能达到８０．１２％的预测命中率。
２００５－２
２００５．，２００５－４
２００３－６
２００３－７
２００ｆＵｌ２００５－９
图５离散模型预测分析
２００５．２００５－
２００５－
２００５．２００５．２００５－
２００５－２００Ｓ．２３
４
５
６
７
３
９
圈６连续模型预测分析
使用连续预测模型，可以得到连续的收益率预测值，预测的股指＝股指收盘值ｘ（１＋预测收益率），从而得到图６所示的股指预测结果（２００５年２月２１日一２００５年９月３０
．－－——２７８?－——
日，１５３日）。在图中，横坐标为时间，纵坐标为股市指数。
从图中可以看出：大部分的预测区间内，实际值和预测值的偏离不大，尤其在股市保持稳定趋势时，预测结果基本能和实际值吻合。
表２显示了本模型与ＢＰ神经网络、ＧＲＡＣＨ—ＢＰ神经网络¨纠基于ＭＡＰＥ准则（用来表征平均绝对比例误差，如式（１３）的分析结果。在表中可以看出，基于ＤＢＮｓ模型的平均绝对比例误差较小，有明显优于前两者的预测能力。表明ＤＢＮｓ模型能够从总体上描述指数的内部特征，从而实现指
数的ＭＡＰＥ预测。
ＭＡＰＥ准则：
Ｍ船２
Ｆ南磊ｉ半Ｉ刈００％（１３）
式中，一表示预测值，ｒｌ表示实际值，瓦表示起始时问。
裹２误差分析表
图７显示这种预测下的误差增长情况。从图中能够清
楚发现，误差的增长比较平稳，说明模型并未受到市场环境
的过分影响，预测模型能够反映大部分时间段的市场情况，在市场强噪声的环境下，模型也能表现出良好的适应性。
芒
捌嗤：ｋ
一
时间
围７累计误差分析
５结束语
本文利用ＤＢＮｓ方法建立中国证券市场指数收益率的预测模型。通过大量实验来验证模型的可行性。实验结果表明，基于ＤＢＮｓ的方法，能够在证券市场大量噪声的环境下，表现出良好的预测能力，而且，此模型能反映市场在不同时期（涨势、跌势或者平台整理）的内部特征，诠释影响市场心理因素的当前状态及内部关系。在市场发生突发性变化
的情况下，能够表现出一定的稳定性。基于ＤＢＮｓ方法的预
测模型在中国证券指数上的应用，为分析市场价格动因、规避市场风险、优化投资策略，有着积极的指导意义。
参考文献：
【１］ＴＫＪｍｏｔｏ，ｅｔａｌ．Ｓｔｏｃｋ
ｍａｒｋｅｔ
ｐｒｅｄｉｃｔｉｏｎ
ｓｙｓｔｅｍｗｉｔｈ
ｍｏｄｕｌａｒ
ｎｅｕ。
ｒａＪ
ｎｅｔｗｏｒｋｓ，Ｐｒｏｃ［Ｃ］．Ｉｎｔｅｒｎａｔ／ｏｎａＪＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅ
ｏｎ
Ｎｅｕｒａｌ
Ｎｅｔｗｏｒｋｓ，ＳａｎＤｉｅｇｏ，１９９０，１：１－６．
７
７
７
７
４
如
图Ｏ
Ｏ９Ｓ７
６
５●３２
枷姗柳撕啪蝴蛳蛳
ＷＣｈｅｎｇ，ＬＷａｎｇｅｒ，ＣＨＬｉｎ．Ｆｏｒｅｃａｓｔｉｎｇｔｈｅ３０一ｙｅａｒＵＳ
ｔｒｅａｓｕｒｙ
ｂｏｎｄｗｉｔｈ
ａ
ｓｙｓｔｅｍ
ｏｆｒｌｅｌＪｒａｌ
ｎｅｔｗｏｒｋｓ［Ｊ］．Ｊｏｕｒｎａｌ
ｏｆ
ＣｏｍｐｕｔａｔｉｏｎａｌＩｎｔｅｌｌｉｇｅｎｃｅｉｎＦｉｎａｎｃｅ，１９９６，（４）：１０—６．
ＢＳｈａｒｄａ，ＲＢＰａｔｔｉ．Ａｃｅａｎｅｃｔｉｏｎｉｓｔａｐｐｒｏａｃｈ
ｔｏ
ｔｉｍｅｓｅｒｉｅｓｐｉｅ－ｄｉｃｔｉｏｎ：ａｎｅｍｐｉｒｉｃａｌ
ｔｅｓｔ［Ｍ］．Ｉｎ：Ｔｒｉｐｐｉ，ＲＢ，Ｔｕｒｂａｎ．Ｅ，
（Ｅｄｓ．），ＮｅｕｒａｌＮｅｔｗｏｒｋｓｉｎ
Ｆｉｎａｎｃｅ
ａｎｄＩｎｖｅｓｔｉｎｇ，Ｃｈｉｃａｇｏ：
ＰｒｏｂｕｓＰｕｂｌｉｓｈｉｎｇＣｏ．，１９９４．４５１—６４．
ＫＲＭｕｌｌｅｒ，ｅｔａｌ．Ｕｓｉｎｇ
ｓｕｐｐｏｒｔ
ｖｅｃｔｏｒｍａｃｈｉｎｅｓｆｏｒｔｉｍｅ
ｓｅｒｉｅｓ
ｐｒｅｄｉｃｔｉｏｎ【Ｊ］．Ｉｎ：Ｂ．Ｓｅｈｏｌｋｏｐｆ，ｃ．ｊ．ｃ．Ｂｕｒｇｅｓ，Ａ．Ｊ．Ｓｍｏｈ
（Ｅｄｓ．），ＡｄｖａｎｃｅｓｉｎＫｅｒｎｅｌＭｅｔｈｏｄｓ－－ＳｕｐｐｏｒｔＶｅｃｔｏｒ１．ｄｔｍｉｎｇ，
ＭＩＴＰｒｅｓｓ。Ｃａｍｂｒｉｄｇｅ，ＭＡ。１９９９．２４３—２５４．
ＦＥＨＴａｙ。ＬＪＣａｏ．Ａｐｐｌｉｃａｔｉｏｎｏｆｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓｉｎｆｉ—
ｎａｎｅｉａｌｔｉｍｅｓｅｒｉｅｓｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＯⅡ１ｅｇａ，２００１，２９（４）：３０９—
３１７．
Ｋｙｏｕｎｇ—ｊａｅＫｉｍ．Ｆｉｎａｎｃｉａｌｔｉｍｅｓｅｒｉｅｓｆｏｒｅｃａｓｔｉｎｇ
ｕｓｉｎｇｓｕｐｐｏｒｔ
ｖｅｃｔｏｒ
ｍａｃｈｉｎｅｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，（５５）：３０７—３１９．ＱＨＷｕ，ＹＪＣＯｏ．ＡｎｅｑｕｉｖａｌｅｎｔｓｔｏｃｈａｓｔｉｃｓｙｓｔｅｍｍｏｄｅｌｆｏｒＣＯｎ—
ｔｒｏｌｏｆｃｈａｏｔｉｃ
ｄｙｎａｍｉｃｓ［Ｃ］．Ｔｈｅ
３４ｔｈＩＥＥＥＣｏｎｆｅｒｅｎｃｅ
ｏｎ
Ｄｅｅｉ—
ｓｉｏｎ
ａｎｄＣｏｎｔｒｏｌ，１９９５．（３）：２８９８—２９０３．ＤＩＳｔａｍｐ，ＱＨＷｕ．Ｐｒｅｄｉｃｔｉｏｎ
ｏｆ
ｃｈａｏｔｉｃｔｉｍｅｓｅｒｉｅｓ
ｕｓｉｎｇｈｉｄｄｅｎ
Ｍａｒｋｏｖｍｏｄｅｌｓ［Ｃ］．ＵＫＡＣＣ
ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ
ＣＯＮ—
ＴＲＯＬ‘９８。１９９８．１４２０—１４２５．
Ｍｄ．ＲａｆｉｕｌＨａｓｓａｎ，ＢａｉｋｕｎｔｈＮａｔｈ．ＳｔｏｃｋｍａｒｋｅｔｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇＨｉｄｄｅｎＭａｒｋｏｖＭｏｄｅｌ：ａ
ｎｅｗ
ａｐｐｒｏａｃｈ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆｔｈｅ
２００５５ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ０１１
ＩｎｔｏＵｉｇｅｎｔＳｙｓｔｅｍｓＤｅｓｉｇｎ
ａｎｄ
Ａｐｐｌｉｃａｔｉｏｎｓ（ＩＳＤＡ’０５），２００５．
［１０］［１２］［１３］［１４］
［１５］ＳＳｈｉ，ＡＳＷｅｉｇｅｎｄ．ＴａｋｉｎｇＴｉｍｅＳｅｒｉｏｕｓｌｙ：ＨｉｄｄｅｎＭａｒｋｏｖＥｘ?
ｐｅｒｔｓ
ａｐｐｌｉｅｄ
ｔｏｆｉｎａｎｃｉａｌ
ｅＩｌｇｉｎｅｅｒｉｎｇ［ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ
ｏｆｔｈｅ
ＩＥＥＥ／ＩＡＦＥ１９９７Ｃｏｎｆｅｒｅｎｃｅ
ｏｎ
Ｃｏｍｐｕｔａｔｉｏｎａｌ
Ｉｎｔｅｌｌｉｇｅｎｃｅｆｏｒ
Ｆｉｎａｎｃｉａｌ
Ｅｎｇｉｎｅｅｒｉｎｇ．１９９７．２４４—２５２．
ＳＪＴａｙｌｏｒ．Ｍａｒｋｏｖ
ｐｒｏｃｅｓｓｅｓ
ａｎｄｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｖｏｌａｔｉｌｉｔｙ：ａ
ｃｏｍｐａｒｉｓｏｎ
ｏｆｄｉｓｃｒｅｔｅ
ａｎｄｃｏｎｔｉ—ｎｕｏｕｓｓｐｅｃｉｆｉｃａｔｉｏｎｓ［Ｊ］．Ｐｈｉｌ－
ｏｓｅｐｈｉｃａｌＴｒａｎｓａｃｔｉｏｎｓ：Ｍａｔｈｅｍａｔｉｃａｌ，Ｐｈｙｓｉｃａｌ
ａｎｄＥｎｇｉｎｅｅｒｉｎｇ
Ｓｃｉｅｎｃｅｓ，１９９９，（３５７）：２０５９—２０７０．
ＫＰＭｕｒｐｈｙ．ＤｙｎａｍｉｃＢａｙｅｓｉａｎＮｅｔｗｏｒｋｓ：Ｒｅｐｒｅｓ—ｅｎｔａｔｉｏｎｉｎ－
ｆｅｒａｎｅｅａｎｄｌｅａｒｎｉｎｇ［Ｄ］．ＰｈＤＴｈｅｓｉｓ，ＵＣＢｅｒｋｅｌｅｙ，２００２．
ＮＯｌｉｖｅｒ，ＥＨｏｒｖｉｔｚ．ＡｃｅｍｐａｒｉｓｅｎｏｆＨＭＭｓ
ａｎｄＤＢＮｓｆｏｒ他ｃｑＰ
ｎｉｚｉｎｇ
ｏｆｆｉｃｅａｃｔｉｖｉｔｉｅｓ［Ｃ］．ＩｎＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＴｅｎｔｈＣｏｎｆｅｒ－ｅｎｅｅｏｎ
Ｕｓｅｒ
Ｍｏｄｅｌｉｎｇ，２００５．
Ｇ
ｚｗｅ岵．Ａｆｏｒｗａｒｄ—ｂａｃｋｗａｒｄ
ａｌ雩０＾岫ｆｏｒｉｄｅｍｎｃｅ
ｉｎ
Ｂａｙｅｓ－
ｉａｎｎｅｔｗｏｒｋｓ
ａｎｄ
ａｎ
ｅｍｐｉｒｉｃａｌｃｏｍｐａｒｉｓｏｎ
ｗｉｔｈ
ＨＭＭｓ［Ｄ］．Ｍａｓ－
ｔｅｒ’８
ｔｈｅｓｉｓ，Ｄｅｐｔ．Ｃｏｍｐ．Ｓｅｉ。Ｕ．Ｃ．Ｂｅｒｋｅｌｅｙ。１９９６．
陈卓雷，蒋寒迪．基于ＧＡＲＣＨ—ＢＰ模型的股指预测及实证
分析［Ｊ］．当代财经，２００６，（０６）：４１一“．
【作者简介】
席海涛（１９７７一），男（汉族），河南焦作人，硕士研究生，主要研究方向为时问序列分析；
赵杰煜（１９６５一）．男（汉族），浙江宁波人，教授，博ｆ：生导师．主要研究方向为计算智能、机器学习、神
经网络、模式识别等。
（上接第２５１页）
图７补偿后Ａ相电流波形
该方法适用于任何三相电路，包括三相四线制电路。仿真结果表明了该算法的正确性和有效性。
参考文献：
［１］Ｈ蛳，Ｙ
ｇａｎａｚａｗａａｎｄＡ
Ｎａｂａｅ．Ｃｏｎｎｅｒａｌｉｚｅｄ
ｔｈｅｏｒｙｏｆｔｈｅ
ｉｎ—
ｓｔａｎ咖ｒｅａｃｔｉｖｅ
ｐｏｗｅｒ
ｉｎ
ｔｈｒｅｅ—ｐｈａｓｅ
ｃｉｒｃｕｉｔｓ［Ｃ］．ＩＰＥＣ８３一
Ｉｎｔ．Ｐｏｗｅｒ
Ｅｌｅｃｔｒｏｎｉｃｓ㈨Ｔｏｋｙｏ．Ｊａｐａｎ．１９８３．１３７５—１３８６．
［２］Ｈ
Ａｋａｇｉ．ＹＫａｎａｇａｗａａｎｄＡＮａｂａｅ．Ｉｎｓｔａｎｔａｎｅｏｕｓｒｅａｃｔｉｖｅｐｏｗｅｒ
ｃｏｍｐｅｎｓａｔｏｒｓ
ｃｏｍｐｒｉｓｉｎｇｓｗｉｔｃｈｉｎｇｄｅｖｉｃｅｓｗｉｔｈｏｕｔ
ｅｎｅｒｇＹｓｔｏｒａｇｅ
［３］
［４］［５］［６］
ｃｏｍｐｏｎｅｎｔ［Ｊ］．ＩＥＥＥ
Ｔｒａｎｓ．Ｉｎｄ．Ａｐｐｌ１９８４，２０：６２５－６３０．
Ｂｈｉｍ
Ｓｉｎｇｈ，Ｋａｍａｌ，Ａｌ—ＨｅｄｄａｄａｎｄＡｍｂｒｉｓｈＣｈａｎｄｒａ．ＡＲｅ－
ｖｉｅｗ
０ｆ
Ａｃｔｉｖｅ
Ｆｉｌｔｅｒｓｆｏｒ
ＰｏｗｅｒＱｕａｌｉｔｙＩｍｐｒｏｖｅｍｅｎｔ［Ｊ］．ＩＥＥＥ
Ｔｒａｎｓ．１ｎｄ．Ｅｌｅｃｔｒｉｃ．１９９９，４６：９６０—９７１．
杨君。王兆安，邱关源．不对称三相电路谐波及基波负序电流
实时检测方法研究［Ｊ］．西安交通大学学报，１９９６，（３）：９４—
９９．
卓放，王跃．王兆安．三相四线制电路中的瞬时无功功率以及有
源电力滤波器［Ｊ］．电工技术，２００１。（４）：１—４．
弭洪涛，付旭东，薛必春．一种新型电力有源滤波装置［Ｊ］．控制工程，２００２，（４）：９ｌ一９３．
【作者简介】
吴雷（１９６２一），男（汉族），江苏人，硕士，副教授，研究方向为电力电子及电力传动和感应加热电
源；
韦凯（１９８４一），男（汉族），湖北人．控制理论控
制工程在读硕士研究生，研究方向为电力电子及电
力传动；
蒋峰（１９８２一），男（汉族），江苏人，控制理论控制工程在读硕士研究生，研究方向为电力电子及电力传动；
付焕森（１９８２一），男（汉族）．江苏人，电力电子及电力传动在读硕士研究生，研究方向为电力电子及电力传动。
．－－——２７９—－－——
１Ｊ
１Ｊ
１Ｊ
１Ｊ
１Ｊ１Ｊ
１Ｊ
１Ｊ心
口
Ｉ！Ｉ
ｂ
№＂哺
ｐ
基于动态贝叶斯网模型的股指收益率序列预测
作者：席海涛， 赵杰煜， XI Hai-tao， ZHAO Jie-yu
作者单位：宁波大学计算机科学技术研究所,浙江宁波,315211
刊名：
计算机仿真
英文刊名：COMPUTER SIMULATION
年，卷(期)：2008，25(9)
被引用次数：0次
参考文献(15条)
1.T Kimoto Stock market prediction system with modular neu-ral networks,Proc 1990
2.W Cheng.L Wanger.C H Lin Forecasting the 30-year US treasury bond with a system of neural networks 1996(04)
3.R Sharda.R B Patil A connectionist approach to time series pre-diction:an empirical test 1994
4.K R Muller Using support vector machines for time series prediction 1999
5.F E H Tay.L J Cao Application of support vector machines in fi-naneial time series forecasting 2001(04)
6.gyoung-jae Kim Financial time series forecasting using suppert vector machines 2003(55)
7.Q H Wu.Y J Cao An equivalent stochastic system model for con-trol of chaotic dynamics 1995
8.D I Stamp.Q H Wu Prediction of chaotic time series using hidden Markov models 1998
9.Md.Rafiul Hassan.Baikunth Nath Stock market forecasting using Hidden Markov Model:a new approach 2005
10.S Shi.A S Weigend Taking Time Seriously:Hidden Merkov Ex-perts applied to financial engineering 1997
11.S J Taylor Markov processes and the distribution of volatility:a comparison of discrete and
conti-nuous specifications 1999(357)
12.K P Murphy Dynamic Bayesian Networks:Repres-entation in-ference and learning 2002
13.N Oliver.E Horvitz A comparison of HMMs and DBNs for recog-nizing office activities 2005
14.G Zweig A forward-backward algorithm for inference in Bayes-ian networks and an empirical comparison with HMMs 1996
15.陈卓雷.蒋寒迪基于GARCH-BP模型的股指预测及实证分析[期刊论文]-当代财经 2006(06)
本文链接：https://www.360docs.net/doc/256840597.html,/Periodical_jsjfz200809073.aspx
授权使用：中国人民大学(zgrmdx)，授权号：2a5814ac-f46b-4ea9-a0bf-9e1d010eeeaf
下载时间：2010年10月28日