高频金融时间序列统计特征
基于持续期模型对高频金融数据分析
基于持续期模型对高频金融数据分析钱有程;王暘【摘要】本文意在研究高频金融数据具有的性质和特点以及时间序列持续期模型的适用性.利用中国石油2014年6月9日至6月18日8个交易日1分钟高频交易数据,用时间序列持续期模型进行分析,得到交易的相互依赖现象,说明股票交易期间的具有聚集效应.这说明短时间间隔伴随着短交易时间,长时间间隔伴随长交易时间.同时也说明股票交易具有间歇性频繁、平淡,也验证了持续期模型对研究高频数据的特性的合理性.【期刊名称】《吉林化工学院学报》【年(卷),期】2014(031)009【总页数】3页(P81-83)【关键词】持续期模型;Ljung-Box统计量;高频金融数据【作者】钱有程;王暘【作者单位】吉林化工学院理学院,吉林吉林132022;商务部国际贸易经济合作研究院,北京100710【正文语种】中文【中图分类】O212.1高频金融数据是指在细小的时间间隔上抽取的金融交易观测值.数据的获得与处理方法的发展，使得高频数据的获取成为现实，并且受到微观市场研究者的广泛关注［1］.Cho，Russell，Tiao，和 Tsay(2000)利用在台湾股市交易所中交易的340多只股票在一天中的每5分钟的收益率，研究设定日股价上下限的影响，发现了向股价上限趋近磁效应的显著证据［2］.同时，高频数据还有一些低频数据不会出现的独特特征.本文中，我们主要研究这些特殊的特征，考虑分析高频数据的方法，并且讨论所得结果的应用.本文利用持续期模型对中国石油2014年6月9日至6月18日8个交易日1分钟高频交易数据进行分析及其应用.1 高频数据及其模型高频数据具有一些低频数据不会出现的独特特征，从而，对于这些数据的分析给金融经济学家统计学家提出了新的挑战.1.1 非同步交易不同的股票有着不同的交易频率，交易并不是同时发生的;即便是同一种股票，其交易强度也是一小时一小时地、一天一天的变化的.对于日序列，股价指的是其收盘价格.如果我们假定日收益率序列在24小时里是等间隔的往往是不正确的.实践证明，即使是在真实的收益率序列是前后独立的时候，这种假定可以导致股票收益率可预测性的错误的结论.对于股票日收益率，非同步交易可以导致股票收益率之间的一步延迟交叉相关，组合收益率的1步延迟序列相关，以及在某些情形下，单只股票收益率序列的负序列相关.1.2 买卖报价差以标价Pb购买，以更高的叫价Pa卖出(对公众来说，Pb是卖出价格，Pa是买入价格).1.3 交易数据的经验特征不等间隔的时间区间:交易(如交易所里面的股票交易)不是在等间隔的时间区间上发生的.日周期或者日模式的存在:在正常交易条件下，交易活动能够展示周期模式，交易之间的时间持续期亦呈现日循环模式.此外高频数据还具有一秒钟多重交易的特性.1.4 持续期模型持续期模型是研究交易之间的间隔.较长的持续期预示着较少的交易活动，反过来表明了一个没有新消息的时期.日内交易展示了一些日模式.因此，我们集中讨论调整的时间持续期我们运用简单的二次函数与示性变量来处理日交易活动中确定的组成部分.1.5 ACD模型自回归条件持续期(ACD)模型利用GARCH模型的实现来研究方程(1)中调整的时间持续期的动态结构.为了记号的简便，定义xi=.2 对中国石油数据的实证分析数据来源于证券之星网站的分钟行情，从2014年6月9日至2008年6月18日8个交易日内的中国石油股票的1 min高频交易数据，合计共1933个交易数据.如果每天中国石油的股票价格变动0.02元，即1 d内只要中国石油前后交易价格超过0.02元，我们就认为一次交易发生了.经过这样的截断后，得到511笔交易数据.然后利用Xi=ti－ti－1，对511笔计算交易之间交易的时间间隔，交易的时间间隔的均值是3.788 6 s，标准差3.953 4，最小值 1 min，最大值是 29 min.然后计算交易的时间间隔的自相关系数和偏相关系数:前二十阶自相关系数依次为1.0000，0.1275，－0.001 8，0.026 1，0.004 6，－ 0.020 7，0.075 2，0.093 9，0.023 3，－0.019 1，－0.032 9，－0.057 8，－ 0.022 8，0.002 8，－0.004 8，－ 0.063 3，－0.054 2，－0.042 2 0.082 7，0.041 0，－0.069 0，以及滞后15阶的Ljung-Box统计量为Ljung-Box(15)=630.696 6［3］.由 Engle 的 ACD 模型的定义，股票的交易持续期间的相互关系通过条件期望ψi=E(xi|xi－1，…，x1)来完成刻化，其中Ψi可表示为Ψi－1和 xi－1的线性函数，通过检验“标准化”的持续期间εi=xi/Ψi的线性相关性，我们从模型的角度看数据是否具有聚集现象［4］.由于自回归条件持续期(ACD)模型利用GARCH模型的思想，采用最简单的ACD(1，1)模型，因此利用 Matlab金融工具箱中的估计GARCH模型参数的方法估计式(1.21)中的参数ω，γ1，ω1.表1 是中国石油 ACD(1，1)模型的参数估计结果.表1 中国石油ACD(1，1)模型的参数估计结果参数估计值标准误差 Z 204 3 v1 0.030 058 0.302 43 10.803 w1统计量w 0.265 3 0.473 76 1.0.881 8 0.048 536 36.333 2因此，对(1.21)式的估计结果为Ψi=0.265 3+0.03xi－1+0.881 8Ψi－1，之后，利用ε′i=xi/Ψ′i求出标准持续期，图1和图2分别为调整持续期和标准持续期的时间图.图3和图4分别为调整持续期和标准持续期的自相关函数图.图1 调整持续期图2 标准持续期图3 持续期序列样本图4 εi的样本ACF通过检验“标准化”的持续期间ε′i=xi/Ψ′i的自相关性，我们从模型的角度来看数据是否具有聚集现象.表2是中国石油波动率GARCH参数结果.表2 中国石油的收益率GARCH(1，1)模型的参数估计结果收益率方程系数估计值标准误差 Z 统计量α0 0.192 14 0.045 087 4.261 5 0.011 022 0.000 8225 213.399 7 α1 0.364 89 0.104 01 3.508 2 β1由此，可得收益率方程的估计为=0.011+0.365+图5 对数收益率图6 对数收益率ACF3 结论利用Ljung-Box统计量来检验与的相关性.在延迟l5阶的情况下，中石油持续期间的相关性检验统计量的值为630.696 6，远远大于5%水平的临界值25，拒绝15阶自相关系数都为0的原假设，说明持续期间xi存在显著的自相关性.而在延迟15阶的情况下，中石油的相关性检验统计量的值为573.614 7，同样大于5% 水平的临界值25，无法拒绝前15阶自相关系数都为0的原假设.这说明ACD模型很好地解释了交易持续期间的相互依赖现象［5］.说明我国股市中，明股票交易具有间歇性频繁、平淡，同时也验证了持续期模型在研究高频数据方面特性的合理性. 参考文献:【相关文献】［1］ Ruey S.Tsay(著)，潘家柱(译).金融时间序列分析［M］.北京:机械工业出版社，2006. ［2］张小涛，祝涛.针对高频数据的中国股市磁吸效应研究［J］.重庆理工大学学报:自然科学，2014，28(1):123-127.［3］屈博，魏平.基于高频数据的我国股票市场弱式有效性检验［J］.中国物价，2014(1):76-78. ［4］常宁，徐国祥.金融高频数据分析的现状与问题研究［J］.财经研究，2004，30(3):31-39. ［5］余臻，王苏生，李育补.基于高频数据的股指期货和ETF指数套利研究［J］.华北电力大学学报:社会科学版，2014(2):40-46.。
金融高频时间序列分析
再由伊藤定理，可以得到二次变差与积分波动（Integrated Volatility, IV）的对应关系。
“已实现”波动就是收益率的平方和，这样就可以得出“已 实现”波动的概率极限为积分波动。
3、“已实现”波动的性质
根据Andersen和Bollerslev等（2000，2001，2001，2003）对西方国家 发达金融市场的高频金融时间序列的研究，“已实现”波动通常具有下 列性质：
表3-6至3-8则分别给出了当r=s=1时，当r=1/2且 s=3/2时，以及当r=7/4且s=1/4时，上证综指在1分 钟、5分钟、10分钟、30分钟和60分钟的抽样时间 间隔下，“已实现”双幂次变差RBV、标准差、标 准差取对数以及用标准差将收益率标准化后的各个 统计量的偏度、峰度和J-B统计量。
的方差按 的尺度增长，其中表示时间跨度，d是常数； （5）“已实现”波动的自相关系数按双曲线的速率缓慢下降； （6）“已实现”波动取对数后的无条件分布是正态分布，具有显著的 分数维单整的性质。
4、“已实现”波动的应用
“已实现”波动无模型、计算方便、并且是金融波动 率的一致估计量，“已实现”波动在多变量的情形 下还可以扩展为“已实现”协方差矩阵（Realized Covariance Matrix，RCM），它不仅包括各变量自 身的“已实现”波动率，也包括变量之间的“已实 现”协方差。因此，“已实现”波动近年来被广泛 应用于金融高频数据的应用研究中。
如：VaR的计算；资产定价研究；运用“已实现” 波动理论构建“已实现”Beta并对“已实现”Beta 的持续性和预测进行研究；进行动态投资组合研究 等。
5、“已实现”波动估计量形式的改进及扩展
第3章金融时间序列数据分析PPT课件
2020/10/13
1
3.1 创立时间序列变量
3.1.1的创立和读取时间序列数组
利用fints函数创立日期型数组 金融时间序列文件读取
3.1.2时间序列数组运算
日期运算 时间序列数据转化为其他类型数据 处理时间序列中的缺失数据
2020/10/13
2
3.2 金融时间序列的统计特征
2020/10/13
5
谢谢您的指导
THANK YOU FOR YOUR GUIDANCE.
感谢阅读！为了方便学习和使用，本文档的内容可以在下载后随意修改，调整和打印。欢迎下载！
2020/பைடு நூலகம்0/13
汇报人：XXXX 日期：20XX年XX月XX日
6
3.2.1相关系数和偏相关系数 相关系数 偏相关系数 自相关系数
2020/10/13
3
金融时间序列界面功能介绍 Data菜单 Analysis菜单 Graphs菜单
2020/10/13
4
3.3 时间序列模型
自回归过程AR模型 移动平均过程 MA ARMA过程 多变量的时间序列模型 FPE、AIC准则
金融资产收益率时间序列的主要统计特征
金融资产收益率时间序列的主要统计特征
金融资产收益率的时间序列具有以下主要统计特征：
1. 平均值（Mean）：资产收益率的平均值反映了资产预期的平均收益水平。
它可以帮助投资者了解资产的长期表现和潜在收益。
2. 标准差（Standard Deviation）：资产收益率的标准差是衡量收益波动性的指标。
较高的标准差表示资产收益波动较大，风险较高。
标准差可以帮助投资者评估资产的风险水平。
3. 偏度（Skewness）：资产收益率的偏度描述了收益率分布的不对称性。
正偏表示高收益的机会较多，负偏表示低收益的机会较多。
偏度可以帮助投资者了解收益率分布的偏斜程度。
4. 峰度（Kurtosis）：资产收益率的峰度描述了收益率分布的尾部厚度。
高峰度表示尾部风险较大，低峰度表示尾部风险较小。
峰度可以帮助投资者了解资产收益率的风险特征。
5. 自相关性（Autocorrelation）：资产收益率的自相关性表示收益率与其过去值之间的相关程度。
自相关性可以帮助投资者了解资产收益的趋势和预测未来收益率。
6. 百分位数（Percentiles）：资产收益率的百分位数可以帮助投资者了解特定收益水平的概率。
例如，第25百分位数表示有25％的可能性收益率低于该值。
这些统计特征可以通过统计学方法和计算工具来计算和分析，帮助投资者评估资产的风险和收益特征，并作出相应的投资决策。
金融时间序列数据建模与研究
金融时间序列数据建模与研究金融领域的数据分析越来越受到重视，时间序列数据建模与研究成为了金融数据分析的重要工具。
本文将介绍金融时间序列数据的特点、建模方法以及相关研究进展。
一、金融时间序列数据的特点金融时间序列数据是指随着时间推移而获取的金融数据，具有以下几个特点：1. 非平稳性：金融时间序列数据往往具有趋势和季节性，不符合平稳性的假设。
在建模过程中需要采取相应的处理方法，例如差分和对数转换等。
2. 波动性聚集性：金融时间序列数据中存在波动性的聚集现象。
这意味着金融市场存在一段时间的高度波动和一段时间的低度波动，这种现象被称为“波动性聚集”。
3. 长尾分布：金融时间序列数据中的极端事件发生的概率较高，其分布往往呈现长尾分布。
在建模时需要考虑如何合理地处理极端事件的影响。
二、金融时间序列数据建模方法针对金融时间序列数据的特点，研究者提出了多种建模方法，以尽可能准确地抓取数据背后的规律。
以下是几种常用的建模方法：1. 自回归移动平均模型（ARMA）：ARMA模型是一种基于线性时间序列的模型，通过对序列的自回归和移动平均进行建模，进而对未来的值进行预测。
2. 广义自回归条件异方差模型（GARCH）：GARCH模型在ARMA模型的基础上引入了条件异方差性，用于描述金融时间序列数据的波动性。
它在建模股票收益率等金融指标时具有广泛应用。
3. 强化学习方法：强化学习是指通过试错和反馈机制来优化策略的一种机器学习方法。
在金融领域，强化学习可以应用于股票交易、资产配置等问题，以寻找最优的决策策略。
三、金融时间序列数据建模的研究进展金融时间序列数据建模是一个不断发展的研究领域，近年来取得了一些重要的研究成果。
以下是几个研究进展的方向：1. 非线性建模：传统的线性模型无法很好地捕捉金融时间序列数据中的非线性关系。
因此，研究者致力于发展各种非线性模型，例如神经网络模型和支持向量机模型等。
2. 高频数据建模：随着金融市场交易速度的提升，高频数据成为了研究的热点。
金融数据中的时间序列特征提取方法研究
金融数据中的时间序列特征提取方法研究金融数据中的时间序列特征提取方法研究时间序列是金融数据中的一种重要形式，其包含了随时间变化的一系列数据点。
金融时间序列通常由经济指标、股票价格、利率等变量组成，对金融市场进行分析和预测具有重要意义。
为了从金融时间序列中提取有用的信息，研究者们开发了各种时间序列特征提取方法。
1. 基本统计特征提取方法基本统计特征提取方法是最常见的时间序列特征提取方法之一。
它包括了平均值、方差、最大值、最小值、偏度、峰度等统计量的计算。
这些统计特征可以反映时间序列的中心趋势、稳定性和分布形态，对于了解时间序列数据的基本情况非常有用。
2. 频域特征提取方法频域特征提取方法通过将时间序列转换到频域中进行分析，可以揭示时间序列中的周期性和振荡特征。
常见的频域特征提取方法包括傅里叶变换、小波变换和自相关函数。
这些方法可以提取出时间序列的频谱特征，如频率、功率谱密度、频带能量等，有助于分析时间序列的周期性和频率特征。
3. 基于时间窗口的特征提取方法基于时间窗口的特征提取方法将时间序列分成若干个连续的时间窗口，然后对每个时间窗口中的数据进行特征提取。
这种方法可以捕捉时间序列的局部模式，并且对于非平稳时间序列的特征提取更为适用。
常见的基于时间窗口的特征提取方法包括滑动窗口统计特征、滑动窗口自相关和建模等。
4. 基于机器学习的特征提取方法近年来，机器学习算法在金融领域的应用日益广泛。
机器学习方法可以自动学习时间序列的特征表示，并且在许多金融预测任务中取得了优异的效果。
常见的基于机器学习的特征提取方法包括基于深度学习的神经网络、支持向量机和随机森林等。
这些方法可以从时间序列中提取出经过学习的高级特征，具有更好的数据表示能力。
总结起来，金融数据中的时间序列特征可以通过基本统计特征、频域特征、基于时间窗口的特征和基于机器学习的特征提取方法进行提取。
这些特征可以帮助我们从金融时间序列中提取有用的信息，揭示时间序列的规律和潜在的关联性，对金融市场的分析和预测具有重要意义。
《金融时间序列分析》课程教学大纲
金融时间序列分析课程属性：公共基础/通识教育/学科基础/专业知识/工作技能，课程性质：必修、选修一、课程介绍1.课程描述：金融时间序列分析课程主要讲述时间序列分析方法在金融领域的应用，运用计量模型研究金融数据的特征，对金融市场主要指标进行分析、拟合及预测。
本课程针对高年级金融学专业学生开设，课程内容包括：金融时间序列数据统计特征、线性平稳时间序列模型、波动率模型、非平稳时间序列模型、向量自回归模型等。
通过课程学习，要求学生掌握金融时间序列数据的统计特征，金融计量的建模思想，能够利用这些理论方法并借助计算机软件对实际问题进行建模和分析，进而提升对数理金融知识的综合运用能力。
2.设计思路：本课程针对高年级金融学专业学生开设，旨在提升学生对于金融市场相关理论、统计建模及计算机软件的综合运用能力。
课程内容的选取基于“学生掌握了概率统计及计量经济学相关内容”。
课程内容包括理论介绍及案例分析，两个层面内容相辅相成。
理论层面主要介绍金融数据统计特征、平稳及非平稳时间序列模型、波动率模型、向量自回归模型等；案例分析主要针对上述几大模块结合真实金融数据，向学生展示如何通过R软件对实际问题进行分析。
3. 课程与其他课程的关系：先修课程：高等数学，线性代数，概率统计，计量经济学；并行课程：金融工程，金融风险管理。
本课程与利息理论，金融工程，金融风险管理以及投资学构成数理金融课程群，内容和要求各有侧重，联系密切。
二、课程目标通过本门课程的学习，学生将增进对金融市场的了解，学会运用金融计量模型对金融数据进行拟合及预测，结合金融学理论对金融市场相关现象进行解释。
本门课程将提升学生对金融学理论知识、统计建模、计算机软件的综合运用能力。
三、学习要求要完成所有的课程任务，学生必须：（1）按时上课,上课认真听讲，积极参与课堂讨论和随堂练习。
本课程将包含较多的随堂练习、讨论、小组作业展示等课堂活动，课堂表现和出勤率是成绩考核的组成部分。
金融高频时间序列分析
2、“已实现”双幂次变差的概率极限 、 已实现”
Barndorff-Nielsen和Neil Shephard指出在不存在跳跃和存在有限 次跳跃的条件下，当s=2-r时，都有下式成立 ：
M →∞
lim µ µ
−1 r
−1 2−r
RBV t
[r , 2 − r ]
→
∫
ht
h ( t −1)
σ u2 du
4、“已实现”波动的应用 、 已实现” “已实现”波动无模型、计算方便、并且是金融波动 率的一致估计量，“已实现”波动在多变量的情形 下还可以扩展为“已实现”协方差矩阵（Realized Covariance Matrix，RCM），它不仅包括各变量自 身的“已实现”波动率，也包括变量之间的“已实 现”协方差。因此，“已实现”波动近年来被广泛 应用于金融高频数据的应用研究中。 如：VaR的计算；资产定价研究；运用“已实现” 波动理论构建“已实现”Beta并对“已实现”Beta 的持续性和预测进行研究；进行动态投资组合研究 等。
5、“已实现”波动估计量形式的改进及扩展 、 已实现”
赋权 偏差校正
（二）“已实现”双幂次变差（Realized Bipower Variation，RBV）
1、“已实现”双幂次变差的概念 、 已实现” 2、“已实现”双幂次变差的概率极限 、 已实现” 3、“已实现”双幂次变差统计性质的实证研 、 已实现” 究
3、“已实现”波动的性质 、 已实现”
根据Andersen和Bollerslev等（2000，2001，2001，2003）对西方国家 发达金融市场的高频金融时间序列的研究，“已实现”波动通常具有下 列性质： （1）由于日内高频收益率之间存在序列相关和异方差性，所以“已实 现”方差（Realized Variance）与“已实现”标准差（Realized Standard Deviation）的无条件分布都是极端右偏，而且具有极高的峰度。 但是“已实现”标准差的偏度要比“已实现”方差的低； （2）虽然“已实现”标准差的无条件分布都是极端右偏，而且具有极 高的峰度，但是“已实现”标准差取对数后的无条件分布却很近似正态 分布； （3）虽然日间收益率的无条件分布并非正态分布，具有明显的“高峰 厚尾”性，但是日间收益率除以“已实现”标准差后的条件分布却近似 是正态分布； （4）以上三条性质都是针对每日的“已实现”波动而言的，然而对 “已实现”波动的时间聚合性质的研究，即对每周，每两周，每三周及 h 2 d +1 每月的“已实现”波动的研究中发现：在时间聚合下，“已实现”波动 的方差按 的尺度增长，其中表示时间跨度，d是常数； （5）“已实现”波动的自相关系数按双曲线的速率缓慢下降； （6）“已实现”波动取对数后的无条件分布是正态分布，具有显著的 分数维单整的性质。
- 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)。
-.网络的训练样本应随时间不断调整
股市是一个不断变化的动态系统" 随着时间的推移 " 网络系统必须结合股 市产生的新数据重新被训练 " 以适应变 化 了 的 情 况 "否 则 "预 测 是 很 难 准 确 的 $ 因此 " 对原始数据进行有效全面的预处 理以求最大限度地反映股市的特征和全 貌 " 是预测系统中至关重要而不可或缺 的一个环节 $
考虑 输入参数的选择直接反映了模型接 受股票市场的信息量的多少及质量 $ 参 数个数选择过多 " 各个参数之间信息独 立性较差 " 交叉重叠的信息也使得神经 网络的结构过于庞大 ! 过于复杂 " 从而加 大网络的训练难度 " 甚至导致网络不收 敛$
0E0M 0E$0E$M 0E-# 0E0$ 0E$2 0E3! 0E"0EM/
!"#"$
理论新探 HIHJKLIK!BK
２００４ 年 第 １２ 期! 总 第 １８０ 期 "
高频金融时间序列
"李晓玲
卢九江
大量的现象和实证分析表明 ! 金融 市场中的高频时序存在着许多与传统金 融理论不一致的异常现象 " 高频金融时 序的这些特有的性质 # 使得我们必须思 考重新用新的模型去尽可能逼近其真实 的数据生成过程 $ 同时也促使我们通过 投资者的投资决策过程来解释其产生的 原因 % 本文对高频金融时序呈现的特有 现象给予了合理的经济学解释 $ 从而为 进一步对此进行建模分析奠定了坚实的 理论基础 " 投资者是金融市场的经济行为主 体 " 投资者的行为即投资决策过程将直 接影响金融市场的三大功能 ! 资金的流 动 & 配置和风险分散 " 现代金融理论认为 投资主体是风险规避的 $ 他们追求既定 风险下的收益最大化或既定收益下的风 险极小化$ 而风险将通过标准差度量$ ’ 年度化 ( 风险满足 ! 法则 % 投资者将是 理 性 的 $市 场 遵 守 ’公 平 博 弈 (的 游 戏 规 则 $ 只要市场一旦出现缺陷 $ 则套利者 ) 或知情下注者 * 将根据 + 均值 " 方差有效 性 (改 变 其 投 资 策 略 $ 分 散 风 险 $进 行 套 利 $ 从而平滑噪声交易者产生的市场缺 陷 % 但金融市场中一些异常现象的出现 $ 促使人们寻找新的理论 $ 通过对投资者 投资决策过程的分析 $ 更深层次的分析 影响投资决策的因素 $ 力图通过投资者 行为较好地解释金融市场中出现的异常 现象 % 分形市场理论和行为金融学理论 成为主要的分析工具 % #$%&&’( ))**+ * 认 为 市 场 交 易 者 主 要 受结构因素 & 文化因素和心理因素的影 响 % 对发展中国家新兴资本市场 $ 虽然在 技术等方面有后发优势 $ 但监管部门 & 金 融中介和对上市公司的监管等方面存在 诸多缺陷 $ 国家和地方政府的过分干预 以及投资者过分的投机心理 $ 使得资本 市场无法有效地优化和配置资源 & 分散 风险 % 下面我们试图通过行为金融理论 和分形市场理论解释高频金融时序特有 的统计特征 % +, 密 度 函 数 的 肥 尾 性 ! 分 布 的 非 正 态性和序列的非独立性 按照现代金融理论的观点 $ 由于市 场参与者是如此众多和有理性 $ 则根据 中心极限定理 $ 收益率序列的分布函数
O0E!2M# O0E#0$3 O0EMM#! O0E!/3$3/2 O0E2/M# O0E2!MM 0E-$#2 0E-$/" 0E-!#2
预测值
高价 ! 收盘价 ! 开盘价 ! 最低价联系紧密 " 第二主成分与成交金额 ! 成交量密切相 关 # 事实上 " 第一主成分主要反映的是股 票的交易价格信息 " 第二主成分主要反 映的是交易量信息 $ 两个主成分反映了 二类相互独立的信息 $ 根据主成分分析 " 选择第一主成分 和第二主成分作为神经网络的输入 $ 神 经网络的输出 % 即模型预测值 & 为下一日 股票的最高价 $ 模型采用了四层神经网 络 " 即三个隐层和一个输出层 " 隐层神经 元 的 个 数 分 别 是 ! !" !#" 输 出 层 神 经 元 的 个 数 为 $$ 神 经 元 的 激 活 函 数 采 用
日 到 -11- 年 2 月 2 日 的 交 易 数 据 作 为 测试数据 $ 根据模型预测的结果 " 给出了测试 数据的绝对误差和相对误差 $ 具体的误
! 上接第 -" 页 " 指 数 大 于 1.# 时 " 金 融 时 序 则 存 在 长 记 忆 性 $ ,5657 的 研 究 发 现 " 几乎所有的金融时序都存在长记忆性$ 长 记 忆 性 源 于 投 资 者 在 决 策 中 的 ’锚 性 (! 代 表 性 " 亦 受 媒 体 对 过 去 相 似 事 件 的反复强调而产生 $ 同时 " 长记忆性与投 资者思维过程中的路径依赖相关 $ 投资 者在投资决策过程中 " 总习惯于使用过 去熟悉的知识和背景 " 并以此做出决策 $ 在金融时序的建模分析中 " 长记忆 性 一 般 可 以 通 过 89:;<8 或 89:;<8=
$3E!M $3E!$3E! $3E22 $3E2/ $3E2M $3E2$3E2 $3E"2 $3E"/ $
真实值 预测值
3. 风 险 因 素 也 是 模 型 设 计 中 的 重 要
要素 股价的变化往往是政治 ! 经济 ! 社会 因素的综合反映 " 股价对以上信息的变
3 M # / " 2 !
化及其敏感 " 本文的模型没有考虑这些 风险因素的影响 " 因此股价在以上因素 的影响下必然会带来预测误差的剧烈变 化 % 实 际 上 根 本 无 法 预 测 &" 甚 至 会 因 为 这些因素的突然发生而导致模型对输入 参数的正确判断 $ 当然可以考虑增加风 险输入参数 " 以改进模型的适应能力 $ ! 作者单位 4 江西财经大学信息学院 "
" 责任编辑 4 李友平 #
三 ! 结束语 通过实际的运行 " 可以看出实际值 和预测值具有较好的拟合效果 " 所以通 过运用神经网络进行股票市场变化趋势 的预测是可行的 $ 除此之外 " 也可以发现 在用神经网络进行股票价格预测时应该 注意以下一些情况 )
" 月 -/ 日 的 交 易 数 据 "-11- 年 " 月 -!
股票价格方向
$ 3 M # / " 2 !
$3N22 $3N22 $3N!1 $3N2$3N21 $3N"/ $3N2/ $3N"2 $3N21
$3N22M! $3N2!"$3N!$!" $3N2### $3N"!2! $3N"2M3 $3N21/$ $3N221$3N2/M-
O1.11M! =1.1$"=1.1$!" =1.13## 1.11$$ =1.1-M3 1.1#3! =1.$11=1.1/M-
的统计特征
据 $ 由 B/C> 族模型或 A.(’2? 的长期记 忆过程所引起 % ), 波动集束现象 所谓的波动集束现象即大的波动或 小的波动总是聚集在一起 % 我们认为金 融时序波动集束产生的原因可以从认知 心理所产生的系统偏误中得到解释 % 过 度自信 & 过度反应 & 锚性和小数定理均可 引起价格较大幅度的攀升或下跌 $ 从而 引起大的波动集聚在一起 % 而反应不足 & 锚性和代表性可引起价格的微小波动% 交易者反应不足和锚性 $ 此时价格只会 产生小幅的波动 $ 如价格连续的上扬或 下跌 $ 交易者的过分自信心理使得交易 者使用小数定理 $ 正反馈交易产生 % 随着 泡沫的增大 $ 长期投资者受市场环境 & 技 术分析者和媒体的影响 $ 使其投资行为 变为短期投机行为 $ 流动性降低的市场 使投资者在恐慌中抛出头寸 $ 产生大的 价格波动 , 交易者面对大的潜在损失时 $ 并非是风险规避者 $ 他们的赌徒心理和 过度反应 $ 使得收益率序列产生大的波 动集束现象 % 波动聚集现象亦可由投资 者的群体意识产生 % 市场外的不确定因 素如政策的不连续性 & 大的政策的不明 朗 ) 如我国的国有股减持政策 *& 战争 ) 美 国对伊拉克的战争 * 等都会导致收益率 的大的波动聚束现象 $ 也会引起收益率 序列的条件方差的时变性 % =, 条件方差的时变性 从统计学的角度分析 $ 金融时序的 波动集束现象的本质即是时序的条件方 差时变性 % A’2’( )+;;; &)**) * 等的研究发 现 $基 于 用 标 准 差 度 量 的 +风 险 年 度 化 ( 不服从 ! ! 法则 % 对美国的股票市场的 研 究 $ 通 过 夏 普 比 率 )3$.(D (.2%? * 的 分 析 $ 发现短期投资者与长期投资者面对 不同的风险 $ 长期投资者每一个单位的 回报大于短期投资者 % 同时我们认为收 益率序列的条件方差时变性与肥尾现象 也有关系 % E, 长记忆性 A’2’( 使用 / F 7 分析法 $ 研 究 汇 率 收 益 率 的 长 记 忆 性 $ 他 用 >1(32 指 数 度 量 金 融 时 间 序 列 的 长 记 忆 性 % 若 >1(32 指 数为 *,G $ 则时序是无记忆 的 , 而 当 >1(32 ! 下转第 E= 页 "
!"
统计与决策
!"#"$
决策参考 QRS?S?8TU8V
表& 最高价 成交金额 成交量 收盘价 开盘价 最低价 主成分因子负荷量 第一主成分 第二主成分
２００４ 年 第 １２ 期! 总 第 １８０ 期 "