羅仁駿（重慶工商大學(xué)財政金融學(xué)院，重慶 400000）

金融市場預(yù)測作為金融領(lǐng)域中較為獨特的一塊，經(jīng)受了飽受爭議到如今的百家爭鳴。然而作為人民的心有所想，風險控制的需求等，金融市場預(yù)測愈發(fā)處于一個新興且不斷發(fā)展的態(tài)勢，某種程度上而言，隨著科技和模型方法的發(fā)展，金融市場預(yù)測也可謂金融領(lǐng)域?qū)で蟾嗤黄频念I(lǐng)域之一。

1.金融市場的可預(yù)測性

市場有效性假設(shè)(EMH)是現(xiàn)代金融經(jīng)濟理論的基石之一。法瑪(Fama,1970)指出，市場有效性一般區(qū)分為三個層次：弱有效、半強有效、強有效。而由于金融市場的多噪聲，不穩(wěn)定，影響因子多的特性，看上去仿佛遵循布朗運動，因此而認為對金融市場建立預(yù)測模型是沒有意義的。于是最初的經(jīng)典文獻都著眼于金融市場的可預(yù)測性上面。Andrew W.Lo and A.Craig MacKinlay 在1988年對股價進行了隨機游走檢驗，發(fā)現(xiàn)股票市場價格并不嚴格服從隨機游走假設(shè)，其價格的變化具備一定的可預(yù)測性。至此以后，越來越多的學(xué)者對金融市場價格的可預(yù)測性進行深入的研究。如Cochrane(2005) 指出金融市場近年來所發(fā)現(xiàn)的最重要現(xiàn)象是股票和債券以及外匯市場的投資回報是可預(yù)測的; 國內(nèi)學(xué)者如馬樹才，趙豐義 (2007)運用股市預(yù)期收益率模型從理論上探究闡述了股票市場具有某種程度的可預(yù)測性；與此同時，通過GARCH-M 模型驗證中國滬深股票市場具有可預(yù)測性。

2.金融市場的預(yù)測方法

傳統(tǒng)的金融市場預(yù)測方法主要有移動平均法、指數(shù)平滑法、分解法、季節(jié)系數(shù)法、Box-Jenkins 法、門限自回歸模型及閾值自回歸模型等方法。這些傳統(tǒng)方法大都側(cè)重于理論研究，而為了解決實際存在的問題，學(xué)者們逐漸把目光轉(zhuǎn)向了非線性預(yù)測領(lǐng)域，使得非線性預(yù)測方法得到了迅速發(fā)展。

2.1 神經(jīng)網(wǎng)絡(luò)金融市場預(yù)測

在非線性方法中，神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)挖掘技術(shù)較早實現(xiàn)的方法之一。神經(jīng)網(wǎng)絡(luò)較傳統(tǒng)的預(yù)測方法有其優(yōu)勢：(1)神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)方法，通過對訓(xùn)練集的反復(fù)學(xué)習來調(diào)節(jié)自身的網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值，然后對未知的數(shù)據(jù)進行分類和預(yù)測；(2)神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意函數(shù)；(3)網(wǎng)絡(luò)研究的一個重要問題是泛化能力，即預(yù)測和訓(xùn)練數(shù)據(jù)差距比較大的數(shù)據(jù)的能力，泛化能力可以在訓(xùn)練網(wǎng)絡(luò)的過程中不斷提高；(4 神經(jīng)網(wǎng)絡(luò)是一個非線性模型，這使得它能夠靈活地模擬現(xiàn)實世界中數(shù)據(jù)之間的復(fù)雜關(guān)系，具有對非線性數(shù)據(jù)快速建模的能力。1987年Lapedes 和Farber 首先應(yīng)用了神經(jīng)網(wǎng)絡(luò)進行預(yù)測，神經(jīng)網(wǎng)絡(luò)在金融領(lǐng)域中的預(yù)測方法得到了廣泛重視和研究。其真正應(yīng)用于經(jīng)濟領(lǐng)域是在90年代。

目前在時間序列趨勢預(yù)測中廣泛使用的神經(jīng)網(wǎng)絡(luò)包括BP 神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)、Chebyshev 神經(jīng)網(wǎng)絡(luò)、Elman 網(wǎng)絡(luò)、遞歸延遲網(wǎng)絡(luò)等。自從BP 神經(jīng)網(wǎng)絡(luò)在1986年被提出后就被廣泛的應(yīng)用，因為它可以在復(fù)雜的，有噪聲的環(huán)境下尋找到相對精確的結(jié)果，現(xiàn)今更多學(xué)者將神經(jīng)網(wǎng)絡(luò)同數(shù)據(jù)分析方法相結(jié)合以尋求更好的預(yù)測精度。薛永剛等(2014)采用多分辨分析技術(shù)分解深圳成分指數(shù)得到多個子序列，然后采用神經(jīng)網(wǎng)絡(luò)技術(shù)對每個子序列分別建立預(yù)測模型，將各個預(yù)測結(jié)果疊加后得到最終預(yù)測結(jié)果。蔣輝(2013)提出了基于灰色殘差模型和反向傳播神經(jīng)網(wǎng)絡(luò)的股指動態(tài)預(yù)測方法，并運用多元線性回歸模型對兩種動態(tài)預(yù)測結(jié)果進行擬合，經(jīng)過實證分析表明動態(tài)預(yù)測模型通過及時調(diào)整新數(shù)據(jù)對后續(xù)預(yù)測的影響，能夠取得較高的預(yù)測精度。劉娜等(2011)運用小波分解與重構(gòu)技術(shù)構(gòu)建小波神經(jīng)網(wǎng)絡(luò)短期預(yù)測模型的方法來解決股價預(yù)測的問題，結(jié)果小波神經(jīng)網(wǎng)絡(luò)比反向傳播神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果更好，具有更高的精度，具有實際的推廣應(yīng)用價值肖斌卿等人（2016）通過模糊理論改進形成的模糊神經(jīng)網(wǎng)絡(luò)相比于BP 神經(jīng)網(wǎng)絡(luò)得到更好的小微企業(yè)的不良貸款檢測正確率，能夠有效運用于小微企業(yè)的信用評級模型構(gòu)建。

2.2 深度學(xué)習神經(jīng)網(wǎng)絡(luò)

“深度學(xué)習”一詞最初是由Dechter 于1986年引入機器學(xué)習。目前，深度學(xué)習模型主要是指可學(xué)習或可訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)DNN(Deep Neural Networks)，盡管廣義的深度學(xué)習不應(yīng)局限于此。深度神經(jīng)網(wǎng)絡(luò)首先是突破了前饋神經(jīng)網(wǎng)絡(luò)的局限性，使得隱含層的層數(shù)可以達到10 層以上，甚至沒有理論上限，關(guān)鍵是找到了這種深度神經(jīng)網(wǎng)絡(luò)的學(xué)習或訓(xùn)練算法，克服了原來多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中所存在的梯度消失、梯度爆炸、過度擬合等問題。安寧寧(2015)報告了將自編碼器用于秒級的股指期貨價格預(yù)測，并基于這種預(yù)測設(shè)計交易策略，取得了顯著的實證結(jié)果。Koutnik 等(2014)提出的時鐘驅(qū)動遞歸神經(jīng)網(wǎng)絡(luò)(CW-RNN)是一個遞歸神經(jīng)網(wǎng)絡(luò)的改良，是一種使用時鐘頻率來驅(qū)動的遞歸神經(jīng)網(wǎng)絡(luò)。它將隱含層分為幾個組，每一組按照自己規(guī)定的時鐘頻率對輸入進行處理。通過不同的隱含層模塊在不同的時鐘頻率下工作，時鐘驅(qū)動遞歸神經(jīng)網(wǎng)絡(luò)解決了長時間依賴問題。將時鐘時間進行離散化，然后在不同的時間點，不同的隱含層組工作。孫瑞齊（2015）使用LSTM 神經(jīng)網(wǎng)絡(luò)對美股股指價格趨勢進行預(yù)測研究，使用擬牛頓法加快了學(xué)習速率，并取得更精準的預(yù)測結(jié)果。

3.總結(jié)

通過對金融市場的可預(yù)測性和預(yù)測方法的文獻梳理得到了金融市場預(yù)測的現(xiàn)狀，同時確認了深度學(xué)習神經(jīng)網(wǎng)絡(luò)在金融市場預(yù)測上仍大有可為且具備研究的必要，現(xiàn)階段國內(nèi)外相關(guān)文獻仍然較少。同時深度學(xué)習神經(jīng)網(wǎng)絡(luò)由于其可調(diào)參數(shù)，模型結(jié)構(gòu)都會對結(jié)果產(chǎn)生影響，研究前景廣闊。金融市場預(yù)測模型作為智能金融投顧的基礎(chǔ)模塊之一，能有效幫助并實現(xiàn)智能選股，構(gòu)建并優(yōu)化投資組合，具備足夠的可行性。