亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于人工神經(jīng)網(wǎng)絡(luò)和隨機游走模型的匯率預(yù)測

        2016-04-08 10:09:52洪嘉灝李雄英王斌會
        經(jīng)濟數(shù)學(xué) 2016年1期

        洪嘉灝 李雄英 王斌會

        摘 要 由于金融數(shù)據(jù)具有隨機性特征,使得建模和預(yù)測變得極其困難.提出一種組合預(yù)測方法,即假定任何金融時序數(shù)據(jù)由線性和非線性兩部分組成,將其中線性部分的數(shù)據(jù)通過隨機游走(RW)模型進行模擬,剩余的非線性殘差部分由前饋神經(jīng)網(wǎng)絡(luò)(FANN)和誒爾曼神經(jīng)網(wǎng)絡(luò)(EANN)協(xié)同處理.從實證結(jié)果可知,該組合方法相比單獨使用RW、FANN或EANN模型有更高的預(yù)測精度.

        關(guān)鍵詞 誒爾曼神經(jīng)網(wǎng)絡(luò);人工神經(jīng)網(wǎng)絡(luò);隨機游走模型;組合預(yù)測;金融時間序列

        中圖分類號 F224 文獻標(biāo)識碼 A

        1 引 言

        金融時間序列與經(jīng)濟環(huán)境及商業(yè)環(huán)境有關(guān),如股市,匯率,物價指數(shù),國民收入和凈出口等.選擇一個合適的金融數(shù)據(jù)模型,需要正確地識別金融市場與整體經(jīng)濟之間的內(nèi)在關(guān)系[1].在實踐中非常困難.因為一個金融時序數(shù)據(jù)的動態(tài)變化受到多個經(jīng)濟變量的影響,包括經(jīng)濟增長,利率,通貨膨脹,通貨緊縮,政治決策和心理因素等多個復(fù)雜的經(jīng)濟變量[1].

        這些年來,關(guān)于金融時間序列的分布特征、模型模擬及預(yù)測等已經(jīng)有了大量的研究工作[2,3].線性統(tǒng)計模型,如指數(shù)平滑法[4]和ARIMA[5]模型等,已經(jīng)大量應(yīng)用于金融數(shù)據(jù)的預(yù)測.ARIMA模型的一個分支,即隨機游走模型(Random Walk model)[1,6],已經(jīng)成為這個領(lǐng)域的主流統(tǒng)計技術(shù).在一個簡單的隨機游走模型中,每一期的預(yù)測值被認為是最近一期的觀測值和隨機誤差項的總和.目前,簡單隨機游走模型是金融時間序列分析中最主要的線性模型(尤其是匯率數(shù)據(jù))[7].對隨機游走模型的改進,如帶漂移項的隨機游走模型和誤差修正,也有了很多相關(guān)的研究[1].盡管隨機游走模型具有簡單性和顯著的預(yù)測精度,但是其主要缺點是內(nèi)在的線性形式.隨機游走模型未能捕獲存在于金融時間序列中的非線性特征[2,7].非線性是金融時間序列的缺省特征,因此,通過一個隨機游走模型近似它是不充分的.在這種情況下,人工神經(jīng)網(wǎng)絡(luò)是一種不錯的選擇.由于其非線性,非參數(shù),自適應(yīng)和噪聲耐受性,人工神經(jīng)網(wǎng)絡(luò)在金融時間序列預(yù)測領(lǐng)域獲得了廣泛的關(guān)注[2,3].這些顯著的特征使得人工神經(jīng)網(wǎng)絡(luò)模型能夠有效地識別解釋變量之間導(dǎo)致金融時序圖產(chǎn)生不規(guī)則波峰和波谷的內(nèi)在機理.與其他非線性統(tǒng)計模型不同的是,人工神經(jīng)網(wǎng)絡(luò)能夠在不了解底層數(shù)據(jù)計算過程的情況下進行非線性模擬[8].不少研究者對比了人工神經(jīng)網(wǎng)絡(luò)和隨機游走模型預(yù)測金融數(shù)據(jù)時的表現(xiàn),也研究出了許多有益的結(jié)果:如Dunis and William發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)相對于一般的統(tǒng)計模型可以提供更高的預(yù)測精度;Sun[1]發(fā)現(xiàn)在預(yù)測匯率時,人工神經(jīng)網(wǎng)絡(luò)表現(xiàn)出比隨機游走模型更差的預(yù)測精度等等.但是,對于預(yù)測金融數(shù)據(jù),一個金融時間序列一般包含了線性部分和非線性部分,單獨使用人工神經(jīng)網(wǎng)絡(luò)模型或隨機游走模型并不合適.上述研究無法確定人工神經(jīng)網(wǎng)絡(luò)模型和隨機游走模型中哪一個更適應(yīng)于預(yù)測這類金融數(shù)據(jù).從而激勵著去尋找一種組合機制去預(yù)測匯率.對于金融數(shù)據(jù)模型的預(yù)測,zhang[7]首次將隨機游走模型和神經(jīng)網(wǎng)絡(luò)模型結(jié)合起來,國內(nèi)學(xué)者熊志斌也做了ARIMA融合神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測模型研究[9].

        本文假設(shè)任何金融時間序列由線性部分和非線性自相關(guān)部分組成,且可以從時間序列中剝離、單獨建模.將隨機游走模型和神經(jīng)網(wǎng)絡(luò)模型結(jié)合起來對金融數(shù)據(jù)進行預(yù)測.主要步驟如下:首先,隨機游走模型用于擬合金融時間序列的線性部分,由觀察值和隨機游走模型擬合值之間的差計算樣本內(nèi)殘差.根據(jù)假設(shè),這些殘差只包含非線性關(guān)系;第二,F(xiàn)ANN和EANN將用于分別擬合這些殘差值,并由2個模型產(chǎn)生的預(yù)測值的平均值得到想要的殘差估計;第三步,由隨機游走模型預(yù)測時間序列的線性部分;最后,將線性部分和非線性部分所得到的預(yù)測值加總,獲得期望的最終預(yù)測.

        2 隨機游走模型

        隨機游走模型是金融時序分析最流行和有效的統(tǒng)計模型,也被廣大的研究生所研究和使用,這個模型假設(shè)最近的觀察值是對下一期預(yù)測值的最佳指南.在數(shù)學(xué)上,一個簡單的RW模型被表示如下:

        其中,和yt是時間序列中的觀察值,εt是一個白噪聲并且εt~N(0,σ2).

        從式(1)中可以看出,一個隨機游走模型表明所有與未來相關(guān)的信息已經(jīng)包含在可用的數(shù)據(jù)里,這個模型因為被使用較多,所以非常容易理解和實現(xiàn).根據(jù)有效市場的假說,隨機游走模型是外匯匯率預(yù)測中最主要的線性模型,而且大量研究指出許多基于線性結(jié)構(gòu)的預(yù)測技術(shù)并沒有比簡單的隨機游走模型更有效.

        一個隨機游走模型的成功很大程度上取決于隨機誤差項,按照定義,隨機誤差項是獨立同分布的.在本文中將生成獨立同分布的偽隨機正態(tài)變量εt~N(0,σ2),其中σ2是樣本內(nèi)數(shù)據(jù)集的方差.

        3 人工神經(jīng)網(wǎng)絡(luò)(ANN)模型

        3.1 前饋神經(jīng)網(wǎng)絡(luò) (FANN)

        在所有可用的仿生預(yù)測方法中,人工神經(jīng)網(wǎng)絡(luò)無疑是最流行且最成功的.人工神經(jīng)網(wǎng)絡(luò)最初起源于對人腦結(jié)構(gòu)的模仿,漸漸地,神經(jīng)網(wǎng)絡(luò)技術(shù)在眾多領(lǐng)域起到了極為重要的作用,如分類、識別和預(yù)測.人工神經(jīng)網(wǎng)絡(luò)通過若干互相連接的分布在不同層的神經(jīng)元來學(xué)習(xí)數(shù)據(jù)的內(nèi)在關(guān)系.多層感知器(MLP)是最被認可的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),用于時間序列預(yù)測問題.一個MLP基本上是一個輸入層,一個或多個隱藏層和一個輸出層的前饋結(jié)構(gòu).在每層中有許多個處理結(jié)點,其通過不可逆的鏈接連接到下一層.單層次的隱藏節(jié)點已經(jīng)足以解決許多最實際的問題.圖1描述了一個典型的MLP結(jié)構(gòu)(p個輸入結(jié)點,h個隱藏結(jié)點和一個輸出結(jié)點).

        在沒有任何限制條件的情況下,簡單的多層感應(yīng)器模型或前饋神經(jīng)網(wǎng)絡(luò)模型能以任何給定的精度去近似逼近任何非線性函數(shù).考慮到計算的要求,簡單的神經(jīng)網(wǎng)絡(luò)往往是更合適的.選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)很重要,但并不是一個簡單的工作.網(wǎng)絡(luò)結(jié)構(gòu)的選擇主要包括確定輸入節(jié)點、隱藏節(jié)點和輸出節(jié)點的個數(shù),以及隱藏層的層數(shù).在不同文獻中有著不同的參數(shù)優(yōu)化選擇方法,但這些方法并不簡單,而且都是針對著具體的問題.endprint

        廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)選擇方法包括了赤池信息準(zhǔn)則(AIC),貝葉斯信息準(zhǔn)則(BIC),施瓦茨的貝葉斯準(zhǔn)則(SBC)和偏差校正的赤池信息準(zhǔn)則(AICC-).這4種準(zhǔn)則基于對增加神經(jīng)網(wǎng)絡(luò)中參數(shù)個數(shù)的懲罰.在本文中,使用BIC準(zhǔn)則作為神經(jīng)網(wǎng)絡(luò)的選擇標(biāo)準(zhǔn),因為它比其他3種準(zhǔn)則更嚴重地懲罰了額外的參數(shù).對于一個的FANN模型,BIC的數(shù)學(xué)表達式由式(5)給出:

        3.2 誒爾曼人工神經(jīng)網(wǎng)絡(luò)(EANN)

        類似于常見的前饋型神經(jīng)網(wǎng)絡(luò)(FANNs),時間遞歸神經(jīng)網(wǎng)絡(luò)在金融時間序列預(yù)測領(lǐng)域也相當(dāng)流行.誒爾曼人工神經(jīng)網(wǎng)絡(luò)是一種簡單的時間遞歸神經(jīng)網(wǎng)絡(luò),除了3種常見的層次,還有額外的上下文層和反饋連接.在每一個計算步驟中,隱藏層的輸出被再次反饋到上下文層,如圖2所示.這種遞歸使得神經(jīng)網(wǎng)絡(luò)動態(tài)化,從而能夠?qū)崿F(xiàn)對處理結(jié)點非線性時間依賴的映射.EANN模型通常比相同結(jié)構(gòu)的FANN提供了更好的預(yù)測性能.然而,EANNs比FANNs需要更多數(shù)量的網(wǎng)絡(luò)連接和記憶單元.

        使用相同的網(wǎng)絡(luò)結(jié)構(gòu)的FANN和EANN模型,不同之處在于EANN模型隱藏層的神經(jīng)元是對應(yīng)FANN模型中神經(jīng)元的5倍.

        4 組合方法的建模

        在本文中,決定同時利用隨機網(wǎng)絡(luò)模型和神經(jīng)網(wǎng)路模型來預(yù)測金融數(shù)據(jù).雖然這些模型有著廣泛的應(yīng)用,但是他們之中沒有一個模型能夠在所有預(yù)測情況之下都最好.例如,RW模型不適合于識別非線性模式,類似地,使用人工神經(jīng)網(wǎng)絡(luò)處理線性問題時產(chǎn)生的結(jié)果也好壞參半.因此,更科學(xué)的做法是找一種組合方法去結(jié)合這兩種模型的長處,而不是單獨地去應(yīng)用它們.假設(shè),一個金融時間序列由從線性和非線性兩部分構(gòu)成,能從時間序列中分離出來并單獨地建模.從數(shù)學(xué)上講:

        這種組合方法的顯著特點如下:①任何金融時間序列都由線性部分和非線性部分組成,通過隨機游走模型擬合線性部分,神經(jīng)網(wǎng)絡(luò)模型擬合非線性殘差部分,提高了總體的預(yù)測精度;②類似的組合方法最早由Zhang推出,在他們的方法中,時間序列的線性部分由ARIMA模型來擬合而剩余的非線性殘差部分由FANN來擬合.然而,該組合方法同時結(jié)合了FANN模型和EANN模型兩種模型的優(yōu)勢,能更好地識別非線性自回歸結(jié)構(gòu);③這種組合機制是基于一種簡單而有效的想法,相當(dāng)容易實施和解釋.④值得注意的是,如果金融時間序列中的線性和非線性部分存在著適當(dāng)比例的自相關(guān)結(jié)構(gòu),那所提出的組合方法將能顯著改善預(yù)測精度.如果這2個部分自相關(guān)程度較弱,那該方法可能并不合適.

        5 實驗結(jié)果與討論

        為了驗證所提出的組合方法的有效性,本文用到了三組數(shù)據(jù):①港幣兌換美元匯率,包括了從1994年8月到2015年6月港幣兌換人民幣的每月匯率;②美元兌換人民幣匯率,包含從2005年5月到2015年6月美元兌換人民幣的每月匯率;③人民幣兌換港幣匯率,包括了從1995年1月到2015年6月人民幣兌換港幣的每月匯率.(數(shù)據(jù)來源:匯率數(shù)據(jù)取自國泰安數(shù)據(jù)庫)(見表1)

        從圖3中可以清楚地看到3個時間序列中不規(guī)則非平穩(wěn)的變化.

        圖4和5中,畫出了3種時間序列的實際曲線和通過組合模型所描繪的預(yù)測值曲線.在每個圖中,實線和虛線分別表示實際和預(yù)測序列.港幣美元匯率與人民幣港幣匯率數(shù)據(jù)的預(yù)測誤差較小,預(yù)測值與原始值的走勢趨于一致.預(yù)測人民幣港幣匯率的預(yù)測效果沒有港幣美元匯率與人民幣港幣匯率好,預(yù)測值的總體走勢與原始值一致.三組匯率數(shù)據(jù)的原始值和他們的預(yù)測值之間的接近程度是顯而易見的.

        6 總 結(jié)

        眾所周知,設(shè)計一個合適的模型來預(yù)測金融數(shù)據(jù)是時間序列研究領(lǐng)域的一個重大挑戰(zhàn),也是極其不易之事.這主要是因為金融時間序列中的不規(guī)則運動及突然的轉(zhuǎn)折點使得實際中很難去理解和預(yù)測.基于金融數(shù)據(jù)獨特的隨機性特征,本文構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)和隨機游走模型對中國的匯率數(shù)據(jù)進行預(yù)測.

        本文構(gòu)建的新模型結(jié)合了隨機游走模型,F(xiàn)ANN模型和EANN模型3種模型的優(yōu)勢去預(yù)測金融數(shù)據(jù).并且從實證結(jié)果表明,預(yù)測值與原始值的走勢趨于一致,港幣與人民幣之間的預(yù)測誤差不大,但是對于相對于人民幣匯率的預(yù)測,美元匯率的預(yù)測效果更好.從預(yù)測誤差看,均比每個單獨的模型效果要好.從三組真實的金融時間序列的實證結(jié)果清楚地表明,本文新構(gòu)建的組合方法極大地提高了整體的預(yù)測精度.因此,我們的新模型在匯率預(yù)測方面上有更高的準(zhǔn)確性和適用性.

        參考文獻

        [1] Y SUN. Exchange rate forecasting with an artificial neural network model: can we beat a random walk model? [D] New Zealand:Christchurch,Lincoln University, 2005.

        [2] A HUSSAIN, A KNOWLES, P LISBOA,et al. Financial time series prediction using polynomial pipelined neural networks[J]. Expert Systems with Applications, 2008, 35(3): 1186-1199.

        [3] M SEWELL. The application of intelligent systems to financial time series analysis[D].London:Department of Computer Science, UCL,2010.

        [4] C LEMKE,B GABRYS. Metalearning for time series forecasting and forecast combination[J]. Neurocomputing, 2010, 73(10): 2006-2016.

        [5] G BOX, G JENKINS, G REINSEL. Time series analysis: forecasting and control[M].London John Wiley & Sons, 2011. 734

        [6] E TYREE, J LONG. Forecasting currency exchange rates: neural networks and the random walk model[J]. Citeseer, 1995(1):981-996.

        [7] G ZHANG. Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing, 2003, 50: 159-175.

        [8] G ZHANG. A neural network ensemble method with jittered training data for time series forecasting[J]. Information Sciences, 2007, 177(23): 5329-5346.

        [9] 熊志斌.ARIMA融合神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測模型研究[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究: 2011(6):64-76.endprint

        无码人妻丰满熟妇区免费| 亚洲一区二区精品久久岳| 人妻精品久久久一区二区| 亚洲女优中文字幕在线观看| 蜜臀色欲av在线播放国产日韩| 国产欧美日产久久| 国产人成在线成免费视频| 国产av一区二区毛片| 特黄做受又硬又粗又大视频小说| 國产一二三内射在线看片| 亚洲国产综合精品久久av| 日本黄色3级一区二区| 性裸交a片一区二区三区| 91精品视品在线播放| 青青自拍视频成人免费观看| 亚洲天堂精品成人影院| 污污内射在线观看一区二区少妇 | 999精品免费视频观看| 国产av麻豆精品第一页| 疯狂三人交性欧美| 国精产品一品二品国在线| 国产三级视频在线观看视主播| 国产精品一区二区久久久av | 水蜜桃亚洲一二三四在线| 日韩亚洲国产av自拍| 我揉搓少妇好久没做高潮| 久久久噜噜噜久久| 久久久窝窝午夜精品| 国产在线拍91揄自揄视精品91| 国产精品一区二区性色| 福利体验试看120秒| 国产chinese在线视频| 亚洲av激情一区二区| 特黄做受又硬又粗又大视频小说| 欧美色五月| 日本顶级片一区二区三区| 亚洲欧洲成人精品香蕉网| 成年男女免费视频网站| 91精品国产色综合久久不| 丰满人妻熟妇乱又仑精品| 久久精品国产自清天天线 |