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