摘要：對(duì)金融時(shí)間序列的預(yù)測(cè)在投資決策以及風(fēng)險(xiǎn)規(guī)避中具有重要的意義，其中的股票市場(chǎng)走勢(shì)預(yù)測(cè)始終是金融市場(chǎng)預(yù)測(cè)領(lǐng)域的熱點(diǎn)和難點(diǎn)。本文通過對(duì)BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果進(jìn)行比較，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)在上證指數(shù)預(yù)測(cè)中具有較高的準(zhǔn)確性。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；上證指數(shù)；預(yù)測(cè)

1.引言

金融時(shí)間序列的預(yù)測(cè)對(duì)于投資決策以及規(guī)避風(fēng)險(xiǎn)有重要的意義，其中股票市場(chǎng)走勢(shì)預(yù)測(cè)始終更是金融領(lǐng)域分析的熱點(diǎn)和難點(diǎn)。對(duì)于金融時(shí)間序列的預(yù)測(cè)是否足夠準(zhǔn)確影響著預(yù)測(cè)方法的有效性，較低的準(zhǔn)確率使得預(yù)測(cè)失去了實(shí)際應(yīng)用的意義。目前的金融時(shí)間序列預(yù)測(cè)方法有很大一部分是通過使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)本身具有良好的擬合非線性的特性，克服了類似于AR模型、MA模型和AMRA模型難于擬合非平穩(wěn)序列的缺點(diǎn)^[1]。在理論上，神經(jīng)網(wǎng)絡(luò)可以擬合任何函數(shù)，具有很好的自適應(yīng)性和學(xué)習(xí)性。同時(shí)，由于神經(jīng)網(wǎng)絡(luò)計(jì)算的高效性，被廣泛應(yīng)用于預(yù)測(cè)時(shí)間序列領(lǐng)域。目前常用的用于預(yù)測(cè)時(shí)間序列的神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)以及小波神經(jīng)網(wǎng)絡(luò)。本文將對(duì)這三種神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)上證指數(shù)中的準(zhǔn)確率進(jìn)行比較分析。

2.神經(jīng)網(wǎng)絡(luò)概述及原理

2.1.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播^[2]。向前傳遞是由輸入層接收到外界信號(hào)后將信息傳入到隱含層進(jìn)行處理運(yùn)算，之后傳入到輸出層。如果輸出層得出的結(jié)果與預(yù)期不一致則產(chǎn)生預(yù)測(cè)誤差，接下來就開始反向傳遞，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閥值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。

2.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示，包括輸入層、輸出層和隱含層。輸入層負(fù)責(zé)將輸入信號(hào)傳遞給隱含層，輸入結(jié)點(diǎn)本身沒有計(jì)算功能。

2.1.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

BP神經(jīng)網(wǎng)絡(luò)模型通過Matlab軟件進(jìn)行編程建模，數(shù)據(jù)的選取是利用大智慧軟件選取1990-2012的5302個(gè)收盤價(jià)作為樣本，其中，前5150個(gè)樣本為訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，后152個(gè)樣本為測(cè)試樣本。為了提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效率，加快訓(xùn)練速度，所以在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前將原始數(shù)據(jù)歸一化。歸一化公式為：（x-xmin）/（xmax-xmin），其中xmax代表最大值，xmin表示最小值；根據(jù)上證指數(shù)的特性，將BP網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)為三層，即輸入層，隱含層和輸出層；輸入層有6個(gè)結(jié)點(diǎn)，即式（1）中的輸入變量xi（i=1，2，…，n），表示預(yù)測(cè)時(shí)間結(jié)點(diǎn)的前6日收盤價(jià)；隱含層是該模型的運(yùn)算核心，共有8個(gè)結(jié)點(diǎn)，其執(zhí)行式（1）的運(yùn)算，隱含層的輸出結(jié)果為中間變量Oj（j=1，2…，l），變量Oj將被傳入到輸出節(jié)點(diǎn)進(jìn)行運(yùn)算；輸出層有一個(gè)結(jié)點(diǎn)，執(zhí)行式（3）的運(yùn)算；選取第7日的收盤價(jià)為預(yù)期輸出。

2.2.徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)。該型神經(jīng)網(wǎng)絡(luò)從輸入層到隱含層通過徑向基函數(shù)完成非線性變換；而隱單元到輸出是線性映射的，因此輸出層權(quán)值的調(diào)整可通過線性規(guī)劃方程直接算出^[3]。徑向基神經(jīng)網(wǎng)絡(luò)一般有三層即輸入層、隱含層和輸出層。輸人層由輸入結(jié)點(diǎn)組成；隱含層中神經(jīng)元采用的是徑向基函數(shù)，該函數(shù)是局部響應(yīng)函數(shù)；第三層為輸出層。徑向基神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)激活函數(shù)采用徑向基函數(shù)。

2.2.1徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層只負(fù)責(zé)信號(hào)輸入，輸入層與隱含層的連接權(quán)值都為1，即輸入層與隱含層的權(quán)值不用調(diào)整改變。隱含層結(jié)點(diǎn)的輸出為：

3.實(shí)驗(yàn)結(jié)果

3.1三種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果比較

4 結(jié)語(yǔ)：

上證指數(shù)的走勢(shì)可以視為經(jīng)濟(jì)的運(yùn)轉(zhuǎn)狀況的反映，而經(jīng)濟(jì)的運(yùn)行狀況受到社會(huì)中的各種因素和因素間的交互效應(yīng)的影響，從而上證指數(shù)的走勢(shì)具有很強(qiáng)的非平穩(wěn)性以及非規(guī)律性，很難預(yù)測(cè)準(zhǔn)確。本文比較了BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)上證指數(shù)的準(zhǔn)確性，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果是三種神經(jīng)網(wǎng)絡(luò)最好的，表明BP型神經(jīng)網(wǎng)絡(luò)相比之下更加適用于對(duì)上證指數(shù)的預(yù)測(cè)。（作者單位：北京信息科技大學(xué)經(jīng)濟(jì)管理學(xué)院）

參考文獻(xiàn)：

[1]徐超，魏連鑫，王衛(wèi)新.基于小波網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)實(shí)證分析[J].時(shí)代金融，2011.（24）：146.

[2]史峰，王小川，郁磊，李洋.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010.

[3]左喆，董申.基于神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)預(yù)測(cè)[J].財(cái)經(jīng)論壇，2010.（24）：204-205.

[4]張旭東，俞建寧，郭蘭平，張建剛，付宏睿.基于小波神經(jīng)網(wǎng)絡(luò)的深證300成分指數(shù)的預(yù)測(cè)[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2011，25（6）：50-52.

[5]吳濤.用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值[J].湛江師范學(xué)院學(xué)報(bào)，2007，28（3）：120-122.