徐程成

[摘要]精準(zhǔn)預(yù)測(cè)股票價(jià)格在收益和風(fēng)險(xiǎn)劇烈波動(dòng)的股票市場(chǎng)中的作用日益突出，無(wú)論是金融機(jī)構(gòu)還是監(jiān)管當(dāng)局對(duì)此都給予了足夠的重視。文章綜述了國(guó)內(nèi)外研究各種股票預(yù)測(cè)方法的文獻(xiàn)，對(duì)其進(jìn)行分類匯總評(píng)價(jià)。

[關(guān)鍵詞]股價(jià)預(yù)測(cè);EEMD;時(shí)間序列;神經(jīng)網(wǎng)絡(luò)

[DOI]1013939/jcnkizgsc202009042

1前言

如今，股票投資在人們?nèi)粘Ｉ钪谐洚?dāng)著越來越重要的角色，同時(shí)作為一國(guó)宏觀經(jīng)濟(jì)運(yùn)行的“晴雨表”，股票市場(chǎng)價(jià)格變化也直接影響到金融市場(chǎng)的穩(wěn)定和經(jīng)濟(jì)的健康發(fā)展。由此，獲得精準(zhǔn)的股價(jià)預(yù)測(cè)對(duì)于決策者來說，能更有效的規(guī)避未來的風(fēng)險(xiǎn);對(duì)于監(jiān)管機(jī)構(gòu)來說，則能加強(qiáng)對(duì)股票市場(chǎng)的把控，及時(shí)調(diào)控和引導(dǎo)股票市場(chǎng)，為經(jīng)濟(jì)的持續(xù)發(fā)展提供堅(jiān)定的信心和有力的保障。

所謂股價(jià)預(yù)測(cè)，則是通過股市發(fā)展的規(guī)律性及其歷史和現(xiàn)狀，依托大量的股市信息和精準(zhǔn)的統(tǒng)計(jì)調(diào)查資料，應(yīng)用各類科學(xué)方法來預(yù)測(cè)股票市場(chǎng)的發(fā)展前景。數(shù)十年來，學(xué)者們運(yùn)用探索了各種預(yù)測(cè)方法，因此，閱讀了解相關(guān)研究，匯總分類這些預(yù)測(cè)方法對(duì)進(jìn)一步的研究有一定的積極意義。

2傳統(tǒng)的股票價(jià)格預(yù)測(cè)方法

多年來，研究學(xué)者們提出了各種預(yù)測(cè)方法，如基于統(tǒng)計(jì)學(xué)和概率論的VAR（向量自回歸模型）、ARM（自回歸滑動(dòng)平均模型）、指數(shù)平滑模型，基于非統(tǒng)計(jì)原理的GM、SVM以及ANN創(chuàng)新型預(yù)測(cè)模型、灰色預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)方法等。

然而，以統(tǒng)計(jì)學(xué)為支撐的模型是基于對(duì)數(shù)據(jù)序列的主觀模型和經(jīng)驗(yàn)進(jìn)行預(yù)測(cè)，無(wú)論是預(yù)測(cè)的精度還是穩(wěn)定度方面都沒有保障;灰色預(yù)測(cè)方法由于其模型難以適應(yīng)數(shù)據(jù)變化趨勢(shì)導(dǎo)致精確度不高;人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法則易導(dǎo)致局部極小值收斂。

股票市場(chǎng)作為一種影響因素眾多、各種不確定性交互的復(fù)雜系統(tǒng)，其價(jià)格波動(dòng)受到問題的動(dòng)態(tài)非線性、數(shù)據(jù)的高噪聲、人為操控、政策干預(yù)等多種要素的影響，并且各要素相互之間的影響機(jī)理也相當(dāng)復(fù)雜。要做出精準(zhǔn)的預(yù)測(cè)，必須保證預(yù)測(cè)方法能夠處理龐大的信息量，并具備一定歸納推理能力，這也是傳統(tǒng)方法用于股市預(yù)測(cè)效果不佳的主要原因。

3股票價(jià)格預(yù)測(cè)方法的現(xiàn)狀分析

31EEMD方法研究綜述

EEMD方法（集合經(jīng)驗(yàn)?zāi)B(tài)分解方法）是為了防止EMD（經(jīng)驗(yàn)?zāi)Ｊ椒纸猓┲挟a(chǎn)生模式混淆，而將白噪聲引入EMD算法所形成的一種新的自適應(yīng)的、高效的運(yùn)算方法。近年來，隨著計(jì)算機(jī)水平的發(fā)展，這種方法在處理非平穩(wěn)、非線性的金融領(lǐng)域時(shí)間序列方面表現(xiàn)出極大的優(yōu)越性，能夠發(fā)掘出一些隱藏在數(shù)據(jù)中很難被發(fā)現(xiàn)的內(nèi)在規(guī)律。劉夢(mèng)怡（2018）指出由于添加進(jìn)去的白噪聲均值為零，能夠自動(dòng)消除模態(tài)混疊問題，得到更加接近真實(shí)值的分析結(jié)果。

姚衛(wèi)東（2016）和王曉芳（2012）通過EEMD把上證綜指分解為高頻部分、低頻部分和趨勢(shì)項(xiàng)部分，探索發(fā)現(xiàn)：趨勢(shì)項(xiàng)T是一個(gè)單調(diào)遞增且變化緩慢的序列，可以被視為股票市場(chǎng)的內(nèi)在運(yùn)行軌跡;低頻分量體現(xiàn)重大事件對(duì)滬市產(chǎn)生的沖擊，會(huì)導(dǎo)致股票指數(shù)中長(zhǎng)期的大幅波動(dòng)，構(gòu)成的影響常常會(huì)延續(xù)數(shù)年，等影響期結(jié)束后，股指會(huì)回到趨勢(shì)項(xiàng)附近圍繞其小幅波動(dòng)運(yùn)行;高頻分量則體現(xiàn)股票市場(chǎng)中一些微小事件的影響或者短期隨機(jī)波動(dòng)的產(chǎn)生。當(dāng)?shù)皖l分量大于零時(shí)，股市呈現(xiàn)出繁榮期特征，此時(shí)股市運(yùn)動(dòng)軌跡在趨勢(shì)項(xiàng)之上，股票價(jià)值被高估。

蔣國(guó)均（2014）則發(fā)現(xiàn)高頻序列平均周期為33天，與我國(guó)學(xué)者奉立誠(chéng)指出我國(guó)股票市場(chǎng)表現(xiàn)出的“周五效應(yīng)”和“周二效應(yīng)”理論基本吻合。經(jīng)過研究對(duì)比證明了用EEMD方法處理后的數(shù)據(jù)進(jìn)行SVM預(yù)測(cè)精度高于直接運(yùn)用SVM模型預(yù)測(cè)。

32機(jī)器學(xué)習(xí)方法研究綜述

機(jī)器學(xué)習(xí)算法的優(yōu)點(diǎn)是能夠最大程度地模擬對(duì)象的具體特征，在處理數(shù)據(jù)量及復(fù)雜度方面有較大優(yōu)勢(shì)。

文成（2011）主要采用支持向量機(jī)的機(jī)器學(xué)習(xí)方法，并結(jié)合小波分析以及混沌時(shí)間序列理論來預(yù)測(cè)股票市場(chǎng)股價(jià)走勢(shì)，成功地通過分離高低頻信號(hào)起到了去噪的效果。傅航聰（2017）綜合時(shí)間序列算法、K-近鄰算法以及支持向量機(jī)算法的長(zhǎng)處，整合提出了一種綜合預(yù)測(cè)算法。多種機(jī)器學(xué)習(xí)方法和金融模型的結(jié)合有效彌補(bǔ)了單個(gè)算法的不足，可以更精準(zhǔn)地預(yù)測(cè)股價(jià)的未來走向。

33時(shí)間序列方法研究綜述

在這個(gè)信息爆炸的時(shí)代，越來越多的具有時(shí)間標(biāo)簽的股票交易數(shù)據(jù)被積累在股市中。龍會(huì)典（2013）利用ARMA模型對(duì)股票時(shí)間序列進(jìn)行建模與預(yù)測(cè)分析，但預(yù)測(cè)精度不高。石鴻雁（2014）對(duì)上證日收盤指數(shù)建立了基于小波分析的ARIMA模型，提高了預(yù)測(cè)精度。

李?yuàn)^華（2016）則將數(shù)據(jù)挖掘技術(shù)引入到了股票數(shù)據(jù)時(shí)間序列分析中，實(shí)驗(yàn)發(fā)現(xiàn)了ARMA預(yù)測(cè)方法效果要遠(yuǎn)好于指數(shù)平滑預(yù)測(cè)方法，表明了非線性時(shí)間序列的預(yù)測(cè)優(yōu)良性。

張捷（2017）選取個(gè)股日收盤價(jià)數(shù)據(jù)，運(yùn)用ARIMA模型和GARCH模型分別從序列水平特征和波動(dòng)特性2個(gè)角度進(jìn)行股票的短期預(yù)測(cè)和波動(dòng)性擬合，得到了一定的參考價(jià)值的投資性建議。

34神經(jīng)網(wǎng)絡(luò)方法研究綜述

自20世紀(jì)初至今，神經(jīng)網(wǎng)絡(luò)研究取得了巨大進(jìn)步，許多學(xué)者將其用于股票預(yù)測(cè)研究。如李松（2012）提出粒子群算法-BP神經(jīng)網(wǎng)絡(luò)模型，通過引入自適應(yīng)變異算子對(duì)陷入局部最優(yōu)的粒子進(jìn)行變異，從而提升了全局最優(yōu)預(yù)測(cè)值的尋找性能。

神經(jīng)網(wǎng)絡(luò)具備自適應(yīng)、自學(xué)習(xí)、自組織、分布處理以及容錯(cuò)性好等優(yōu)質(zhì)特性，為股票價(jià)格預(yù)測(cè)提供了一種全新的模式，徹底改變了既有模式，并取得了諸多成果。

341BP神經(jīng)網(wǎng)絡(luò)研究綜述

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中大多采用的是一種BP算法，黃宏運(yùn)（2016）通過建立BP神經(jīng)網(wǎng)絡(luò)股價(jià)預(yù)測(cè)模型，發(fā)現(xiàn)位于測(cè)試集初期且股價(jià)波動(dòng)幅度較小時(shí)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出值具有較高的擬合度，但對(duì)股價(jià)波動(dòng)幅度較大的時(shí)段則嚴(yán)重偏離實(shí)際輸出。

為了解決BP算法對(duì)于初始權(quán)閾值設(shè)置的高要求問題，郝繼升（2017）利用了具備良好非線性尋優(yōu)能力的遺傳算法來優(yōu)化其對(duì)初始權(quán)閾值的設(shè)置，劉雯琦（2018）則建立了一種基于自適應(yīng)差分進(jìn)化算法的股價(jià)預(yù)測(cè)模型，加快了網(wǎng)絡(luò)訓(xùn)練速度。

郭建峰（2017）提出了通過LM算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)里的梯度下降法，得到了更快的收斂速度和更高的精確性。劉恒（2018）采用貝葉斯正則化改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法（BRNN）運(yùn)用于股票時(shí)間序列預(yù)測(cè)中，其預(yù)測(cè)精度比傳統(tǒng)BP模型提高了4281%。

342小波神經(jīng)網(wǎng)絡(luò)研究綜述

近年來，小波分析方法被引入到經(jīng)濟(jì)和金融領(lǐng)域，在時(shí)頻兩域都具備表征信號(hào)局部特征的能力以及多尺度分析的特性是其獨(dú)特的優(yōu)勢(shì)。陳俏（2015）指出小波分析具有非常強(qiáng)大的多尺度分辨功能，能識(shí)別出股票指數(shù)序列中各種高低不同的頻率序列，發(fā)現(xiàn)其變化趨勢(shì)。

小波神經(jīng)網(wǎng)絡(luò)則是將小波分析的優(yōu)點(diǎn)和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡(jiǎn)單、非線性逼近等特點(diǎn)結(jié)合起來，使其對(duì)于股價(jià)走勢(shì)的逼近能力更強(qiáng)大，并且可以避免結(jié)構(gòu)設(shè)計(jì)上的盲目性、易陷入局部極小值等缺陷。薛亮（2018）指出該方法具有比小波分解更多的自由度及更靈活有效的函數(shù)逼近能力，適用于股票市場(chǎng)。

考慮到小波神經(jīng)網(wǎng)絡(luò)使用的局部搜索算法易使得學(xué)習(xí)過程陷入局部最優(yōu)解，宗娜娜（2014）提出用全局搜索算法遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)，結(jié)果證實(shí)基于遺傳算法（GA）的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度要優(yōu)于BP算法。

任水利（2017）提出了一種基于粗糙集（RS）與小波神經(jīng)網(wǎng)絡(luò)集成的預(yù)測(cè)方法，降低了WNN的復(fù)雜性，減少了訓(xùn)練時(shí)間?；诠善睍r(shí)間序列數(shù)據(jù)既有線性特征又有非線性特征，楊進(jìn)（2018）提出了一種基于小波神經(jīng)網(wǎng)絡(luò)與ARIMA的組合預(yù)測(cè)模型，有效地體現(xiàn)了小波神經(jīng)網(wǎng)絡(luò)在非線性擬合上的強(qiáng)大功能和ARIMA在時(shí)間序列數(shù)據(jù)上的優(yōu)勢(shì)。

343其他神經(jīng)網(wǎng)絡(luò)研究綜述

張金仙（2016）指出自適應(yīng)神經(jīng)網(wǎng)絡(luò)可以根據(jù)誤差大小自主地調(diào)整學(xué)習(xí)效率，加快收斂速度，具有良好的自學(xué)習(xí)和容錯(cuò)能力。

馬川（2017）提出的一種能夠直接獲得最優(yōu)的權(quán)值和結(jié)構(gòu)的正弦激勵(lì)的WASD神經(jīng)網(wǎng)絡(luò)、黃宏運(yùn)（2017）提出的具備動(dòng)態(tài)反饋功能的Elman神經(jīng)網(wǎng)絡(luò)，以及鄧烜堃（2018）設(shè)計(jì)的深度稀疏修正神經(jīng)網(wǎng)絡(luò)模型DSRNN，基于歷史數(shù)據(jù)試驗(yàn)發(fā)現(xiàn)，這三種預(yù)測(cè)方法預(yù)測(cè)精度均高于BP神經(jīng)網(wǎng)絡(luò)，有較高的股指預(yù)測(cè)能力。

4股票價(jià)格預(yù)測(cè)方法今后擬解決的關(guān)鍵問題

以上提到的各種預(yù)測(cè)方法雖然可以實(shí)現(xiàn)對(duì)未來股價(jià)變化趨勢(shì)的大致預(yù)測(cè)，但是無(wú)法達(dá)到精準(zhǔn)預(yù)測(cè)。這是由于目前我國(guó)股票市場(chǎng)仍處于不成熟的發(fā)展?fàn)顟B(tài)，短期內(nèi)的國(guó)民經(jīng)濟(jì)狀況、宏觀政策以及投資者的心理預(yù)期等眾多因素都會(huì)對(duì)股價(jià)造成某種程度的影響。所以，在今后的預(yù)測(cè)中，還應(yīng)綜合考慮各個(gè)方面的因素，如經(jīng)營(yíng)企業(yè)的基本面、技術(shù)指標(biāo)等，以實(shí)現(xiàn)最大收益或規(guī)避最大風(fēng)險(xiǎn)的投資目標(biāo)。

5結(jié)論

股票市場(chǎng)對(duì)一國(guó)經(jīng)濟(jì)的重要性會(huì)使得股價(jià)預(yù)測(cè)方法種類不斷地發(fā)展壯大，會(huì)由其他學(xué)科的發(fā)展而不斷衍生。在后續(xù)預(yù)測(cè)方法的發(fā)展過程中，需要不斷地去探索，深入研究股票市場(chǎng)的特征，使得模型更加貼近實(shí)際，擴(kuò)大方法的適用性，得到更好的預(yù)測(cè)精度。

參考文獻(xiàn)：

[1]劉夢(mèng)怡EEMD分解方法在我國(guó)股票市場(chǎng)分析預(yù)測(cè)中的應(yīng)用[D].濟(jì)南：山東大學(xué)，2018

[2]姚衛(wèi)東，王瑞君結(jié)構(gòu)分解視角下股市波動(dòng)與政策事件關(guān)系的實(shí)證研究——基于EEMD算法[J].上海經(jīng)濟(jì)研究，2016（1）：71-80

[3]王曉芳，王瑞君上證綜指波動(dòng)特征及收益率影響因素研究——基于EEMD和VAR模型分析[J].南開經(jīng)濟(jì)研究，2012，6：82-99

[4]蔣國(guó)均我國(guó)滬深股票市場(chǎng)價(jià)格指數(shù)相關(guān)性分析及預(yù)測(cè)研究——基于EMD分解技術(shù)的應(yīng)用[D].廣州：暨南大學(xué)，2014

[5]文成基于機(jī)器學(xué)習(xí)方法的股票數(shù)據(jù)研究[D].重慶：重慶理工大學(xué)，2011

[6]傅航聰，張偉機(jī)器學(xué)習(xí)算法在股票走勢(shì)預(yù)測(cè)中的應(yīng)用[J].軟件導(dǎo)刊，2017，16（10）：31-34，46

[7]龍會(huì)典，嚴(yán)廣樂基于SARIMA、GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)集成模型的GDP時(shí)間序列預(yù)測(cè)研究[J].數(shù)理統(tǒng)計(jì)與管理，2013，32（5）：814-822

[8]石鴻雁，尤作軍，陳忠菊基于小波分析的ARIMA模型對(duì)上證指數(shù)的分析與預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014，44（23）：66-72

[9]李?yuàn)^華，趙潤(rùn)林一種基于時(shí)間序列分析的股票走勢(shì)預(yù)測(cè)模型[J].研究與開發(fā)，2016（7）：14-17

[10]張捷基于時(shí)間序列模型的股票價(jià)格波動(dòng)特性分析[J].湖南文理學(xué)院學(xué)報(bào)，2017，29（3）：4-8，12

[11]李松，劉力軍，翟曼改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J]系統(tǒng)工程理論與實(shí)踐，2012，32（9）：2045-2049

[12]黃宏運(yùn)，吳禮斌，李詩(shī)爭(zhēng)BP神經(jīng)網(wǎng)絡(luò)在股票指數(shù)預(yù)測(cè)中的應(yīng)用[J].通化師范學(xué)院學(xué)報(bào)，2016，37（5）：32-34

[13]郝繼升，任浩然，井文紅基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測(cè)[J].河南科學(xué)，2017，35（2）：190-195

[14]劉雯琦基于SDE的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測(cè)[J].無(wú)線互聯(lián)科技，2018（15）：107-108，119

[15]郭建峰，李玉，安東基于LM遺傳神經(jīng)網(wǎng)絡(luò)的短期股價(jià)預(yù)測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，27（1）：152-155，159

[16]劉恒，侯越貝葉斯神經(jīng)網(wǎng)絡(luò)在股票時(shí)間序列預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2018（8）：1-7

[17]陳俏，梁利利小波分析在股票指數(shù)分析中的作用[J].金融市場(chǎng)，2015（6）：45-47

[18]薛亮，劉麗穎，虞文杰股票市場(chǎng)預(yù)測(cè)的小波神經(jīng)網(wǎng)絡(luò)模型[J].經(jīng)濟(jì)研究導(dǎo)刊，2018（3）：95，126

[19]宗娜娜小波神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的研究與應(yīng)用[D].昆明：昆明理工大學(xué)，2014

[20]任水利，雷蕾，甘旭升，等基于粗糙集與小波網(wǎng)絡(luò)集成的股價(jià)走勢(shì)預(yù)測(cè)研究[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2017，37（11）：2209-2221

[21]楊進(jìn)，陳亮基于小波神經(jīng)網(wǎng)絡(luò)與ARIMA組合模型在股票預(yù)測(cè)中的應(yīng)用[J].經(jīng)濟(jì)數(shù)學(xué)，2018，35（2）：62-67

[22]張金仙，閆二樂，楊拴強(qiáng)基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)模型的研究[J].長(zhǎng)春大學(xué)學(xué)報(bào)，2016，26（6）：26-30

[23]馬川，廖柏林，周俊，等基于正弦激勵(lì)的WASD神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測(cè)[J].懷化學(xué)院學(xué)報(bào)，2017，36（11）：82-86

[24]黃宏運(yùn)，吳禮斌，李詩(shī)爭(zhēng)基于Elman神經(jīng)網(wǎng)絡(luò)的股票開盤指數(shù)預(yù)測(cè)[J].蘭州文理學(xué)院學(xué)報(bào)，2017，31（2）：30-35，89

[25]鄧烜堃，萬(wàn)良，馬彥勤深度稀疏修正神經(jīng)網(wǎng)絡(luò)在股票預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018（5）：1-10