中国证券市场股票价格预测模型综述
股票预测模型研究
股票预测模型研究股票预测模型研究股市行情的波动和变化对于投资者来说是无时不刻不在的挑战。
为了更好地把握股市的走势和投资机会，许多投资者和研究机构致力于开发和应用股票预测模型。
本文将探讨股票预测模型的研究内容、方法和实际应用，以及面临的挑战和未来发展方向。
一、股票预测模型的研究内容股票预测模型是通过对过去的股票市场数据进行分析和建模，以预测未来股票价格的方法。
其研究内容主要包括数据采集和处理、特征工程、模型选择和评估等方面。
1. 数据采集和处理数据采集是股票预测模型的第一步，需要收集大量的股票市场数据，包括股票价格、交易量、财务数据等。
这些数据可以从证券交易所、金融数据服务提供商等渠道获取。
然后需要对这些数据进行清洗和处理，去除异常值和缺失值，以确保数据的准确性和完整性。
2. 特征工程特征工程是股票预测模型的关键环节，其目的是从原始数据中提取和构建有意义的特征，以供模型学习和预测使用。
常用的特征包括技术指标（如移动平均线、相对强弱指标等）、基本面指标（如盈利能力、偿债能力等）和市场情绪指标（如新闻情感分析、舆论热度等）等。
特征工程的质量和选择对于模型的性能和精度有着重要影响。
3. 模型选择和评估模型选择是指从众多的机器学习算法中选择适合股票预测的模型。
常用的模型包括线性回归、支持向量机、决策树、神经网络等。
在选择模型之后，需要对其进行训练和评估。
评估指标包括均方误差、准确率、收益率等，可以通过交叉验证和回测等方法得出。
二、股票预测模型的方法股票预测模型的方法多种多样，下面将介绍几种常见的方法。
1. 技术分析技术分析是通过对股票价格和交易量等图表进行分析，以找出价格的趋势和波动规律，从而预测股票价格的方法。
常见的技术分析指标包括移动平均线、相对强弱指标、随机指数等。
技术分析依赖于市场的历史数据，对于短期趋势的预测有一定的参考意义。
2. 基本面分析基本面分析是通过对股票的财务数据和市场环境等进行分析，以评估股票的价值和潜力的方法。
中国股票市场的三因子模型
中国股票市场的三因子模型中国股票市场的三因子模型一、引言股票市场是经济社会中最重要的金融市场之一，也是资本运作和投资的重要平台。
对于股票投资者来说，了解股票市场的运行机制和影响因素，是进行投资决策的基础。
三因子模型是衡量股票收益率波动的一种重要方法，也被广泛应用于中国股票市场的研究。
二、三因子模型的基本原理三因子模型是基于市场效应、公司规模和市场账面市值比来解释股票收益率波动的模型。
市场效应指的是整个股票市场的整体表现对个股收益率的影响，市场规模和公司规模对个股收益率也有显著影响，而市场账面市值比则反映了公司的价值与市场估值之间的差异。
通过三因子模型，可以更全面地分析和解释股票市场的波动性。
三、中国股票市场的市场效应市场效应是指股票市场整体表现对个股收益率的影响力。
在中国股票市场中，市场效应受到政策法规、宏观经济情况以及市场情绪等多种因素的影响。
例如，政策发布对市场影响巨大，一些行业的政策利好或政策调整都会直接影响相关上市公司的股价。
此外，宏观经济指标如GDP增长率、通胀率等也会对市场效应产生重要影响。
最后，市场情绪因素如投资者心理、市场预期等也会对股票市场的波动性产生较大影响。
四、中国股票市场的公司规模因素公司规模是指上市公司的市值大小对股票收益率的影响。
在中国股票市场中，大公司往往比小公司更有优势，因为大公司通常在经营、研发和市场开拓等方面有更多资源和能力。
因此，大公司的股票收益率一般会相对稳定和较高，而小公司则存在较大的风险和不确定性。
在投资决策中，投资者需要根据公司规模因素来选择合适的股票，以降低投资风险。
五、中国股票市场的市场账面市值比市场账面市值比是指公司价值与市场估值之间的差异对个股收益率的影响。
在中国股票市场中，账面市值比被广泛应用于估值分析和价值投资。
当公司的账面市值比较低时，说明其市值相对较低，有较大的投资价值；反之，当公司的账面市值比较高时，说明其市值相对较高，风险也相对较大。
股票价格波动的预测模型建立及应用
股票价格波动的预测模型建立及应用一、股票价格波动模型概述随着股票市场的日渐成熟，人们对于股票市场的预测越来越感兴趣。
股票价格预测是对市场方向的判断，为股民提供更为可靠的投资建议，也为经济学领域的研究提供了极为重要的数据。
对于股票价格波动的预测，一般采用模型来分析市场的走向。
股票价格波动的预测模型主要包括统计模型、技术分析模型和基本分析模型。
二、统计模型1. 常见的统计模型统计模型是股票市场分析最常用的方法之一，常见的统计模型有时间序列模型、协整模型、截面回归模型、贝叶斯模型等。
时间序列模型是指把时间作为变量的统计模型，其基本假设是序列的未来值与过去的值有关，可以通过历史数据进行预测。
协整模型是指分析多个时间序列之间的协整关系，从而预测股票市场走向。
截面回归模型则是以不同时间股票的收益率为因变量，以各种不同的市场因素，例如市场波动、利率和汇率等为自变量，通过拟合模型，来分析股票市场的走向以及因素对股票收益率的影响。
贝叶斯模型是一种基于条件概率的统计模型，其主要思路是利用历史数据和先验知识，来预测未来市场的走向。
2. 统计模型优缺点统计模型具有较高的准确度，可以通过历史数据来进行预测，并且相较于其他两种模型更加科学和客观。
但是，统计模型通常只适用于短期预测，而不能很好的适用于长期预测。
此外，统计模型不可避免的存在着一定的风险，例如过度拟合、数据异常等问题。
三、技术分析模型1. 常见的技术分析模型技术分析模型主要是以图表模式分析交易量、价格和时间等因素之间的关系，目的是发现股票的周期性和趋势性。
常见的技术分析模型包括移动平均线法、趋势线法、相对强弱指数法、随机震荡指标法、MACD指标法等。
移动平均线法的基本思想是利用若干个时间段内的股价平均值，来判断股票价格波动趋势。
趋势线法是指根据图表分析，利用自然点与曲线联系，来进行股票价格波动的预测。
相对强弱指数法是一种技术分析用于比较任意时间内股票价格变动的股票指标，用于判断股票市场中的买入和卖出点，以及市场强度。
股票价格预测模型研究与应用
股票价格预测模型研究与应用近年来，股票市场变化越来越快速，投资者需要及时的市场趋势分析和预测，来制定适当的投资策略。
股票价格预测模型的研究和应用成为了现代投资分析中不可或缺的一部分。
一、股票价格预测模型的概念股票价格预测模型，通俗地讲，是指利用历史市场数据和财经数据，运用统计学、计量经济学等方法，预测出未来一段时间内股票价格的变化趋势。
常见的股票价格预测模型包括时间序列模型、回归分析模型、神经网络模型、支持向量机模型等。
二、常见的股票价格预测模型1. 时间序列模型：该模型基于统计学中的时间序列分析理论，通过对历史时间序列数据进行分析，预测未来一段时间内股票价格的趋势。
其中，常用到的方法包括ARIMA模型、ARCH/GARCH模型等。
2. 回归分析模型：该模型基于OLS方法（普通最小二乘法），通过变量之间的相关性进行预测。
其中，常用到的方法包括单变量的简单线性回归分析和多变量的多元回归分析。
3. 神经网络模型：该模型基于人类神经系统的基本结构和思维方式来建立预测模型。
其中，常用到的方法包括BP神经网络算法、RBF神经网络算法等。
4. 支持向量机模型：该模型依据支持向量机算法进行分析，通过确定决策面，将股票价格分为不同的类别并进行预测。
三、机器学习在股票价格预测中的应用随着机器学习技术的不断发展，越来越多的投资者开始将机器学习应用于股票价格预测，以获取更加准确的市场趋势变化信息。
其中，常用到的机器学习技术包括深度学习、集成学习等。
通过使用机器学习技术，投资者可以更加高效地分析和预测股票价格的趋势，基于模型的预测结果，可以制定合理的投资策略，做出更好的投资决策。
四、股票价格预测模型的应用案例1. 时间序列模型：在实际市场中，有一些著名的基于时间序列模型的成功案例。
如迈克尔·J·桑德尔在1970年代使用ARIMA模型进行投资，保持超过20年的成功。
另外，ARCH/GARCH模型也被广泛用于股票价格波动的预测中。
股票价格预测方法综述
股票价格预测方法综述股票价格预测是金融市场中非常重要的一个问题，它不仅关乎到投资者的收益，还涉及到企业的发展方向以及整个市场的走向。
然而，由于股票市场的复杂性和不确定性，预测股票价格是一项颇具挑战性的工作。
本文将综述几种常见的股票价格预测方法。
1. 基于统计模型的预测方法基于统计模型的股票价格预测方法是目前应用最为广泛的一种方法，主要包括时间序列分析、回归分析、指数模型等。
时间序列分析是基于股价的历史数据进行分析，预测未来股价的一种方法。
该方法需要收集大量的历史数据，通过对数据进行平稳性检验和建立预测模型，可以得到未来股价的趋势。
回归分析是基于相关因素与股价之间的关系，通过建立回归模型来预测未来股价。
该方法需要选择相关因素，并对其进行定量测量，然后建立预测模型。
指数模型是一种简单的股票价格预测方法，它通过计算股价指数的变动来预测未来股价的趋势。
该方法对历史数据的要求较低，但是需要对市场具有较好的理解和判断力。
基于机器学习的股票价格预测方法又称为数据驱动模型，主要包括人工神经网络、支持向量机和决策树等。
人工神经网络是一种基于生物神经网络的模式识别和预测方法，它可以通过学习历史数据来预测未来股价。
该方法需要构建神经网络模型，并对其进行训练和优化。
支持向量机是一种基于统计学习理论的分类和回归方法，它可以通过寻找最优超平面来进行预测。
该方法需要选择核函数和超参数，并对其进行调参，以提高预测性能。
决策树是一种基于树形结构的分类和回归方法，它可以通过构建决策树来进行预测。
该方法需要选择特征和节点分裂方式，并对其进行剪枝和优化，以降低过拟合风险。
基于深度学习的股票价格预测方法是近年来发展起来的一种新型方法，主要包括卷积神经网络、循环神经网络和深度强化学习等。
深度强化学习是一种基于环境和奖励的深度学习模型，它可以通过多次交互来学习最优决策，进而进行股票价格预测。
该方法需要选择奖励函数和优化算法，并对其进行训练和优化。
股票市场价格预测模型研究
股票市场价格预测模型研究股票市场一直以来都是投资者及分析师关注的热点话题之一。
市场价格的波动一直是个没有捷径可以遵循的难题，但是通过使用预测模型，我们可能会比单纯根据过去走势收集和分析数据更好地判断未来价格的变化。
本文将介绍股票市场价格预测模型的研究，它的表现和不同的方法。
利用预测模型预测股票市场价格股票市场价格预测模型是一种分析方法，它可以提供更好的价值预测，以帮助投资者做出更优化的投资决策。
研究表明，采用这种类型的分析方法能够提高投资者的判断力，因为基于数据的模型可以替代人类的主观猜测。
预测模型有两种类型：基于统计和基于机器学习的模型。
基于统计的模型通常使用历史数据进行价格预测。
例如，线性回归是一种常见的基于统计模型的方法，它建立了历史数据和价格之间的数学关系。
线性回归通过计算趋势线来预测未来价格，从而揭示股票市场的收益趋势。
而基于机器学习的模型则通常依赖于复杂的算法，它们可以从数据中了解到有用的信息并在大规模数据上优化预测结果。
使用深度学习预测股票市场价格深度学习是机器学习方法中的一种，它可以帮助我们洞察和发现股票市场的规律，从而提高预测准确率。
通常，深度学习预测模型结合了神经网络和其他人工智能技术，能够分析股票市场价格与大量其他因素之间的复杂关系。
使用深度学习模型时，我们可以利用历史股票价格数据、公告和报道来确定与价值波动相关的因素。
例如，分析宏观经济数据、相关公司的新闻发布和财报公告以及竞争对手的市场策略等可以提供有用信息，而深度学习方法也可以帮助我们识别和利用该信息。
最终，深度学习模型可以通过训练来验证其预测效果，并将其应用于未来的市场分析中。
提高预测准确率的附加因素除了采用深度学习模型，投资者还可以利用其他技术来提高股票市场价格预测的准确性。
这些技术包括以下几个方面：1.尽可能多地收集和分析数据。
在预测新的市场走势时，数据是至关重要的。
收集和分析尽可能多的数据，包括公告和报道、技术指标、政策和法规等，可以提高预测准确率。
股票价格预测模型研究
股票价格预测模型研究一、背景介绍股票市场是金融市场的重要一环，其价格波动对国内经济甚至全球金融格局都有着重要的影响。
因此，对于股票价格的预测一直是投资者和决策者关注的热点问题。
在信息时代，随着数据的积累和处理能力的提高，利用大数据和机器学习技术进行股票价格预测的研究也愈发高涨。
二、相关模型介绍1.时间序列模型时间序列模型是一种常见的预测股票价格的方法，它基于历史时间序列数据，通过抽象出其周期性和趋势性，预测未来股价。
其中ARIMA模型、GARCH模型是时间序列模型中的代表性方法。
2.神经网络模型神经网络模型中的BP神经网络、RBF神经网络等方法，通过构建一个具有多层的神经元结构，来实现从大量的历史数据中提取出规律性，并且在未来进行预测的目的。
3.机器学习模型与传统的时间序列模型相比，机器学习模型不需要构建复杂的数学模型，只需要提供历史数据和所需要预测的数据，然后通过一定的算法优化学习出一个预测模型。
近年来，随着诸如支持向量机（SVM）、随机森林（RF）等机器学习算法的出现，机器学习方法也成为预测股票价格的常用手段。
三、模型实验与评估股票价格预测是一个复杂的过程，任何一个模型都不可能100%准确地预测未来的趋势。
因此，模型评估就显得尤为重要，常见的评估方法有：均方差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）等等。
这些评估方法都可以帮助我们更全面地了解模型的预测性能，对于优化模型也十分重要。
四、模型应用与展望股票价格预测的研究已经成为了当前智能金融领域最为热门的话题之一，其应用不仅限于金融投资领域，还涉及到政策制定、企业管理等多个领域。
未来，股票价格预测模型的研究将更加强调模型的可解释性、泛化性能以及长期稳定性，在构建更具有可靠性的股票价格预测模型方面，仍有很长的路要走。
总之，股票价格预测模型的研究目前已经成为了人工智能和金融领域中不可忽视的一部分，相信未来该领域还会出现更加创新和有趣的模型和方法。
股票价格预测模型及应用研究
股票价格预测模型及应用研究股票市场是一个高风险高收益的投资领域，许多人想要通过股票获得更多的财富。
然而，在投资股票前，股票价格的预测就成了关键问题。
股票价格的波动是由多种因素引起的，如市场需求、政治动荡、经济变化等。
股票价格预测就是通过研究这些影响因素，对股票价格进行预测。
为了更好地预测股票价格，需要使用股票价格预测模型。
一、股票价格预测模型简介股票价格预测模型是一种用于预测股票价格变化的数学模型。
它是通过对历史股票价格和市场行为的分析，来预测未来的股票价格。
股票价格预测模型有多种，其中最常用的是基于统计学方法和机器学习方法的模型。
1. 基于统计学方法的股票价格预测模型基于统计学方法的股票价格预测模型是一种利用时间序列的统计信息进行预测的模型。
这种模型会根据历史的价格变化，运用时间序列分析法，构建适当的数学模型。
这些模型可以是线性回归、协整模型等，其中最常用的是ARIMA模型。
ARIMA模型是基于时间序列的分析方法，它是一种广泛应用于金融市场的统计学方法。
2. 基于机器学习方法的股票价格预测模型基于机器学习方法的股票价格预测模型是一种利用机器学习算法来进行预测的模型。
这种模型将历史数据和市场行为通过特定的算法学习，为未来的预测提供数据支持。
这些模型可以是神经网络、支持向量机等，其中最常用的是人工神经网络（ANN）模型。
二、股票价格预测模型的应用股票价格预测模型的应用非常广泛，主要应用于金融市场、投资分析、股票交易等领域。
1. 金融市场在金融市场中，股票价格预测模型被广泛应用于金融数据分析。
这种模型可以帮助股票经纪人、私募股份额分析人员等进行投资决策，减少风险，提高收益。
2. 投资分析股票价格预测模型可以帮助投资者进行股票分析，避免风险。
利用这种模型，投资者可以进行基本面分析、技术分析和市场行为分析。
股票价格预测模型可以为投资者提供支持，使其能够更准确地预测股票价格变化，从而做出更明智的投资决策。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国证券市场股票价格预测模型综述王 浩(洛阳理工学院工程管理系,洛阳 471023)*摘 要:中国金融市场的证券价格存在着可预测成分。
现有的各种统计预测方法基本都可以归纳为时间关系模型和因果关系模型两大类,详细分析了各种模型的实现方法并总结了其特点。
关键词:预测;股票价格;统计模型;综述do:i 10.3969/j .issn .1000-5757.2009.07.058中图分类号:F830191 文献标志码:A 文章编号:1000-5757(2009)07-0058-03一、证券市场可预测性有效市场理论指出,证券价格呈现随机游走特征,因此技术分析和掷骰子选出的股票,最终表现相差无几。
大量分析却发现中国股票价格波动具有长期记忆性,拒绝了随机游走假设,即股市涨跌存在自身的规律,无论长期和短期都存在着可预测的成分,因而技术分析是有用的,通过采用相应策略,投资者可以获得超常利润。
[1]中国证券市场呈现弱有效性的原因可能在于,作为一个新兴市场,法制、监管等因素造成市场信息传递效率低下,投资者在博弈中存在严重的信息和资金实力不对称,而且这种不对称状态并不能在市场中迅速消除,因此F a m a 所描述的概率上的/瞬时性0还无法达到,而这种市场结构的特点,使得某些/技术分析0成为信息挖掘的成本。
由于股票指数序列呈现高度的非线性,经典计量经济模型和时间序列模型的有效性受到了挑战。
现代预测理论和统计学、信息技术、优化算法紧密结合,向复杂化和智能化方向发展。
至少目前在我国,各种预测技术方兴未艾,投资者按照自己的经验采用各不相同的指标作为决策依据,在市场上低买高卖,获得了成功,也经历过失败。
二、主要预测模型1.神经网络模型神经网络是一种大规模并行处理系统,具有良好的自学习能力、抗干扰能力和强大的非线性映射能力,能够从大量历史数据中进行聚类和学习,自动提取样本隐含的特征和规则,进而找到某些行为变化规律,可以实现任何复杂的因果关系。
BP (反向传播)和RBF (径向基函数)神经网络是最常见的股市预测模型。
崔建福等发现BP 模型普遍显著优于GARCH (广义自回归条件异方差)模型,从而认为对股票价格这样波动频繁的时间序列,从非线性系统角度建模略胜于从非平稳时间序列角度建模。
[2]由于传统算法收敛速度慢且全局寻优能力差,更多研究将精力放在对神经网络结构和参数的改进上。
丁雪梅等发现改进后BP 算法的预测结果比回归预测、指数平滑预测和灰色预测都要好。
[3]神经网络预测方法的应用有两个明显特点。
一方面,统计模式识别和数字信号处理等领域的特征选择和提取方法,如小波包最优分解方法、混沌吸引子理论、K a l m an 滤波算法、主成分分析、灰色系统理论,广泛用于神经网络输入参数的甄别。
另一方面,新的网络模型不断被应用于证券预测实践以提高映射效率,如模糊神经网络和小波神经网络。
预测结果明显优于普通神经网络模型。
神经网络的缺陷在于,网络结构只能事先指定或应用启发式算法在训练过程中寻找,需要在充分了解待解决问题的基础上,主要依靠个人经验来确定,没有统一的规范,往往需要通过反复改进和试验,最终才能选出一个相对较好的设计方案,并且网络训练过程易陷入局部极小点。
不过,神经网络最致命缺点在于,无法表达和分析预测系统的输入输出之间的关系,难以解释系统输出结果。
2.灰色系统和随机过程模型灰色预测普遍采用灰色系统模型,经由累加过程削弱原始数据的随机干扰,突出系统所蕴涵的内在规律,然后建立动态预测模型。
马尔可夫过程是无后效性的随机过程,是一种应用极为广泛的传统方法。
灰色系统GM (1,1)模型的解为指数型曲线,几何图形较为平滑,比较适用于具有增长趋势的问题,而对随机性波动较大的数据进行预测,会58第25卷 第7期V o.l 25四川教育学院学报J OURNAL OF S I CHUAN C O LLEG E OF EDU CAT I ON2009年7月Ju.l 2009*收稿日期:2009-02-23作者简介:王浩(1973)),男,河南西峡人,副教授,硕士,研究方向:区域经济发展理论与数量分析。
影响预测精度。
马尔可夫模型通常只能用于对数据波动区间的估计,不能进行具体数值的精细预测。
因此,实际应用中两种方法常常结合在一起。
王露璐等证实灰色马尔可夫模型可以显著改善预测效果。
[4]3.分形和混沌模型金融市场公认具有典型的分形和混沌特性。
分形方法使我们能分层次地了解复杂体系的内部精细结构和所富含的信息,有望找到多重分形参数和金融数据中大幅涨落间的关联性,从而以一定的概率反映和预测金融市场的剧烈动荡。
周孝华等对金融资产价格持续大幅波动的开始及结束做出预测。
[5]彭继兵等提出一种实时跟踪预测算法。
[6]混沌指由非线性系统所产生的复杂不规则行为。
到目前为止,对于混沌尚未有统一明确的定义,通常由系统的初值敏感性、非周期性、存在奇怪吸引子、确定性的随机现象、长期行为的不可预测性等特征来加以确定。
分形和混沌方法运用于金融时间序列的研究具有巨大的优势和潜力。
不仅如此,分形和混沌作为一种极其有效的非线性分析工具,广泛用于时序特征的提取,为神经网络输入变量选择提供依据。
龙建成等对行情的高低点进行了较准确的预测。
[7]人们常称中国股市是/政策市0和/消息市0,这的确反映了国内市场的某些特征。
宏观上看,进出资金流量确实对整个市场的运动起到决定性作用,政策变化势必会改变资金流向,从而形成某一阶段的/趋势0,影响人们对价格的未来预期,进而改变投资者的投资选择,这种能量在价格系统里的释放往往服从一定的规律,这就是非线性预测模型兴起的原因。
对非线性动力系统进行背景分析和研究,将神经网络、混沌理论、遗传算法、系统理论等最新理论与方法应用于金融领域,已成为一大热点。
4.统计模式识别模型证券市场是一个呈现高度复杂性的非线性系统,直接预测价格波动的具体数值难度很大。
如果将价格波动的方向按照一定的标准划分为不同的类别,如大幅上涨类、轻微下跌类等,这样就将价格预测问题转化为类别判断问题,就可以运用统计模式识别方法。
首先分析影响证券价格波动的因素,根据识别对象的特征运用聚类或分类算法将其划分为不同类别,然后对于需要预测的未知样本,利用某种判别规则将其归入已知的类别中去,从而实现预测。
王浩等应用改进的近邻算法进行了中长期预测。
[8]聚类方法的优越性体现在模型输入变量的选择极为自由,既可以从价格时序中提取特征,又可以选择影响价格变动的原因变量。
金融市场特有的高度复杂性,使得传统聚类分析方法遇到强有力的挑战,如对高维空间稀疏数据以及不规则分布数据的分析。
新兴的SVM(支持向量机)理论,能将很多现有方法纳入其中,为解决有限样本学习问题提供了一个统一的框架,具有比神经网络更好的拟合精度和泛化能力。
[9]三、预测模型简要评价各种预测方法虽然手段各异,但基本都可以归纳为时间关系模型和因果关系模型两大类。
时间关系模型中,预测对象的演变过程与时间相联系,如混沌时序模型、灰色模型、随机过程模型等。
因果关系模型认为被预测事物与其影响因素之间,在一定时间内保持着某种固定关系,如神经网络模型以及聚类模型等。
时间模型直接从价格自身历史运动轨迹中寻找规律;因果模型则寻找影响价格变动的可能原因,试图在原因和结果之间建立某种有效和稳定的联系。
不难发现,本文提及的众多模型具有许多共同的特点。
1.重大盘综合指数预测轻个股预测大部分预测方法都是以上证或深证综合指数作为预测对象,而不是选择个股。
大盘指数综合反映股市整体的涨跌变化情况,和个股相比,因不易受人为因素控制而更加稳定,波动幅度明显要小得多。
夏景明等认为大盘指数的预测相对容易,方法如果在个股中推广中则有一定的难度。
[10]个股中大量存在假突破、振荡洗盘、短期飙升和暴跌等现象,导致预测的正确率较低。
[11]个股预测困难的实质在于,由于价格波动剧烈,可能导致不同时间段各自包含不同的数据结构,从而割裂历史和未来之间的联系。
2.重历史数据拟合轻未知数据预测通常对模型性能的检验包括历史数据拟合能力和未知数据预测能力两方面。
只要网络节点和隐层足够多,神经网络能以任意小的误差逼近任何函数。
遗传程序设计方法同样能以极小的误差逼近任何非线性函数。
其实,即便是最简单的高阶多项式也能够以零误差拟合任何离散数据。
不过,模型的预测能力往往和拟合能力背道而驰,如神经网络。
个股交易数据如果波动剧烈或包含太多的噪声,直接作为神经网络输入,一些特异样本会对网络参数产生显著影响,从而降低其预测性能。
于是,时序分析中常常不得不采用变换和滤波方法。
3.变量选择对模型成败具有至关重要的影响股价波动是诸多因素的综合反映,由于人们对非线性系统的内部运行机制缺乏深刻认识,很难判断哪些变量对预测目标有较大的影响。
因此,有效地选取输入变量成为决定模型预测准确性的关键因素。
常用的变量选择方法可划分为技术分析和基本分析两大类。
小波分析、K-L变换、分支定界算法、粗集约简理论、因子分析等方法,广泛用于特征的选择和提取。
4.没有提供关于预测结果的风险估计所有模型都没有区分不同预测结果的风险。
看涨和看跌预测对投资者的现实影响是不相同的,其根本原因在于中国股市的现有交易制度,只有做多机制而没有做空机制,从而限制了可能的获利空间。
并且,仅仅预测一个价格数59第25卷(总第196期)王浩:中国证券市场股票价格预测模型综述值是远远不够的,还必须同时提供该预测结果的可信度指标,也即该预测准确的概率。
5.预测方法的长期有效性没有得到完全检验大部分预测方法都是对10个交易日以内的价格进行预测,这本无可厚非。
随着预测时间的延长,误差从总体上是上升的。
其不妥之处在于,仅给出了对于极少数预测结果的验证,而没有在更大的范围或更长的时间段内进一步实证。
通常认为,既然模型已经对历史数据进行了准确的拟合,并且短期预测成功的可能性很大,似乎随着时间的推移,不断将新数据纳入模型中,不就可以实现滚动预测了吗?其实只要看一下证券的历史走势就能发现,不同时期的波动特点差异甚大,此时需要改变的就不仅仅是模型参数,甚至还有模型结构本身。
短期预测的成功往往包含太多的偶然因素,只有滚动预测结果才能够对模型的普适性提供更严格的检验。
6.重常规模式预测轻异动模式捕捉证券预测的目的显然不是为了求得误差率的降低,而是据以发现能够以很大概率成功的获利模式,这意味着真正有意义的预测应该是异动点捕捉,也就是说发现股票价格出现异动(如大幅飙升)时的数量特征。
熟悉中国股市的人都知道,的确有为数不多的情况出现了买入和卖出信号,相应地,这些信号可以带来极高的收益。
真正的获利机会恰恰隐藏在波动剧烈的非平稳个股中间,而这却正是大多数预测方法无能为力的情况。
对此,模式识别和智能化方法可能具有良好的效果。