基于三种映射结构非线性模型检测方法及其应用

从以上国内外文献可以看出，神经网络广泛地用于金融时间序 列预测、宏观经济变量预测等领域。神经网络利用工程技术手段模 拟人脑结构和功能，它具有分布储存信息、并行处理及自学习等优 点，非常适合运用到非线性和时变性的金融时间序列研究中。
文献中常见的预测模型采用基于历史观察的数据预测股票指 数时间序列的未来走势。有很多方法可以根据有关数据的假设关系 或动态理论来对金融时间序列进行建模。传统的方法是基于线性模 型，如时间序列回归、指数平滑和自回归积分滑动平均模型[3]。所 有这些方法都假设预测变量过去的值之间的线性关系，因此非线性 模式不能被这些模型捕获。线性模型对复杂现实世界问题的近似并 不总是令人满意的。文献中还发展了股票指数预测的非线性模型， 主要包括人工神经网络、遗传算法、决策树和支持向量机等。大量 的成功应用表明，神经网络是一个非常有用的金融时间序列预测建 模工具[4,5]。人工神经网络由于其自身的非线性和联结特性，可以逼 近任何线性和非线性函数。人工神经网络用数据反映实证结果，并 有能力识别数据之间的底层映射。
关键词:自回归积分滑动平均模型；人工神经网络；遗传算法；命中率；均方误差 中图分类号:F830.9 文献识别码:A 文章编号:1673-5889(2019)25-0110-05
ห้องสมุดไป่ตู้
一、文献综述
由于其他投资工具回报率相对较低，股票市场长期以来已成为 热门投资渠道。大多数投资者无论是个人投资者还是机构投资者， 都对股票指数的预测感兴趣。然而，由于股票指数固有的噪音和非 平稳性，准确预测股票指数是一项具有挑战性的任务[1,2]。许多宏观 经济因素影响着股票指数，如政治事件、一般经济状况、商品价格 变动、公司政策、利率和汇率、投资者期望和大众心理因素等。
摘要:预测股票市场价格指数是一项具有挑战性的任务。许多学者尝试过多种模型来预测股票指数，主要有 自回归积分滑动平均模型、人工神经网络、支持向量机、决策树和遗传算法等。本文采用神经网络预测中国基准 股票指数——沪深300指数走势，试图通过改变输入数据和神经元数量等来取得更好的拟合效果。利用命中率和 均方误差对预测精度进行测量。通过调整滞后阶数和隐层神经元个数，观察命中率的变化趋势。结果表明，通过 并行输入向量数据对收盘价命中率的作用不大，但是能显著提高最高价和最低价的命中率。
神经网络作为一种非线性工具被应用到金融预测、统计回归分 析、宏观经济变量预测12]等许多领域。首先回顾一下有关神经网络 的国内文献。彭望蜀[6]将BP神经网络和支持向量机用于小样本下的 沪深300指数短期趋势研究，结果表明基于支持向量机的预测模型在 预测精度、收敛时间、最优性能等方面均优于基于BP神经网络的预 测模型。黄宏运等[7]以股指中的开盘指数为例，用预测模型表征日 开盘指数与收盘价、最高价、最低价、涨跌幅、成交量和成交额等 因素及历史数据之间的非线性非平稳复杂关系，并通过MATLAB软 件将Elman神经网络的预测结果与RBF神经网络和BP神经网络相对 比，最终得出Elman神经网络可以较好地实现股指预测的结论。李 光荣等[8]针对提高公司财务风险判别准确度问题，提出运用人工神 经网络中具有明显自适应性、自组织性的自适应共振理论算法和自 组织特征映射算法分别构建公司财务风险判别模型进行仿真研究。 结果表明：自适应共振理论算法判别正确率为87%，而自组织特征
下面将简要介绍一下有关神经网络的国外文献。Yu等 利 [14] 用 神经网络来实现一个新的模糊时间序列模型以改善预测性能。并将 该模糊时间序列模型用于检测台湾股票指数，取得了较好的预测性 能。Feng等[15]采用了基于RBF神经网络的预测系统实现了金融时间 序列的数据分析、模块生成和价格趋势。将该预测模型用于测试台 湾股票指数时，发现该模型不仅提高了股指预测的准确性，也提高 了交易盈利的机率。Chen等[16]提出了一种多元模糊预测方法预测台 湾股票加权指数。基于模糊时间和自动聚类技术克服了现有方法的 不足。Guresen等[17]使用纳斯达克证券交易所每日汇率作为数据源评 估了多层感知器神经网络模型的有效性。
Financial View | 金融视线
基于三种映射结构非线性模型检测方法及其应用
张承钊 成都职业技术学院 四川成都 610041
基金项目:本文受四川省教育厅《外汇现金与期权市场金融信息融合》(项目编号：18SB0182)；四川省教育厅 《协同创新理念下高职财经类专业生产性实训基地建设研究》(项目编号：18SA0053)；成都职业技术学院《智能 金融分析》(项目编号：16CZYTD951)的资助。
映射算法判别正确率则达到了89%，较反向传播神经网络等方法判 别准确度更高。林焰等[9]提出一种基于三角模糊信息粒化的改进径 向基与支持向量回归机相结合的混合神经网络区间预测模型，对股 指期货价格的变化区间进行预测。结果表明，基于模糊信息粒化的 改进混合神经网络区间预测模型能够较为精确地预测股指期货价格 的变化范围与价格走势，有效提高单一非参数模型的点预测与区间 预测的精度和运行效率，同时具备较好的网络结构与拟合能力。郝 继升等[10]采用BP神经网络与遗传算法结合的方法进行研究，该模型 通过自适应遗传算法对BP神经网络初始权值进行优化，实证仿真结 果表明该模型可以获得较高的预测精度和较快的收敛速度。于孝建 等[11]提出在金融领域的应用体系中需要采取有效的安全保障技术措 施。金融系统需要正确认识和完善人工智能。何丹[12]提出了GA-BP 神经网络经济预测模型，将遗传算法用于优化BP网络的初始权值 和阀值，在此基础上对BP神经网络进行预测，对CPI历史数据进行 检验分析，实证结果表明该模型在预测的精度和收敛速度上都高于 纯BP神经网络模型，具有良好的应用前景。冯科[13]通过国内外文献 综述选择预警指标，利用主成分分析法和历史数据判断金融风险程 度，以及应用BP神经网络设计金融风险预警机制，并对2010年的金 融风险进行预测，预测的结果显示总体金融运行安全。