衛(wèi)海軍

如果把股票價(jià)格圖表看成圖像，則可以使用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（DLNN）進(jìn)行圖像建模。DLNN 可以模仿技術(shù)分析師的工作，通過(guò)價(jià)格圖表和股票基本面（如市盈率）預(yù)測(cè)短期股價(jià)波動(dòng)。本文運(yùn)用2014—2019 年A 股股票數(shù)據(jù)進(jìn)行研究，結(jié)果發(fā)現(xiàn)在我國(guó)股票市場(chǎng)價(jià)格的預(yù)測(cè)中，深度學(xué)習(xí)模型比單層模型表現(xiàn)更好。DLNN 能夠提供可定制的統(tǒng)計(jì)工具，有效分析價(jià)格圖表。更重要的是，過(guò)去不同時(shí)期的收盤(pán)價(jià)所形成的價(jià)格趨勢(shì)，在預(yù)測(cè)未來(lái)價(jià)格走勢(shì)時(shí)，主宰著股票基本面。因此本文提出建議，股市技術(shù)分析師應(yīng)該通過(guò)DLNN 模型將價(jià)格趨勢(shì)納入他們的預(yù)測(cè)方法。

一、文獻(xiàn)綜述

深度學(xué)習(xí)（DL）模型和人工神經(jīng)網(wǎng)絡(luò)（ANN）模型最早于20 世紀(jì)50 年代在計(jì)算機(jī)科學(xué)中提出（Rosenblatt，1958）。DL 模型可以用神經(jīng)網(wǎng)絡(luò)近似任何復(fù)雜函數(shù)，能夠達(dá)到無(wú)限維，具有很高的擬合能力。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（DLNN）采用多級(jí)信息提取過(guò)程，每個(gè)連續(xù)的層或非線性模塊將一個(gè)層的表示轉(zhuǎn)換為更高層的表示（LeCun等，2015）。與單層神經(jīng)網(wǎng)絡(luò)（SLNN）不同，DL 模型可以通過(guò)構(gòu)成足夠的變換來(lái)學(xué)習(xí)復(fù)雜的函數(shù)。DLNNs 顯著改善了語(yǔ)音識(shí)別、視覺(jué)物體識(shí)別等領(lǐng)域（Schmidhuber，2015）。

神經(jīng)網(wǎng)絡(luò)以其可擬合高度復(fù)雜的非線性系統(tǒng)、擁有靈活并且可以根據(jù)自身情況進(jìn)行自調(diào)節(jié)的拓?fù)浣Y(jié)構(gòu)、高度并行的處理機(jī)制以及具有自組織、自學(xué)習(xí)能力的特點(diǎn)受到了國(guó)內(nèi)外研究者及行業(yè)從業(yè)人員的青睞和重視。國(guó)外方面，Gu 等人（2020）將神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)美國(guó)股票價(jià)格，并表明神經(jīng)網(wǎng)絡(luò)優(yōu)于其他模型，如廣義線性模型、主成分回歸和回歸樹(shù)。Bianchi 等人（2021）用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)債券超額回報(bào)，并報(bào)告顯著的經(jīng)濟(jì)收益。國(guó)內(nèi)方面，周佩玲（2006）將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于道瓊斯股票指數(shù)預(yù)測(cè)中，增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的實(shí)用性。鄧?guó)P欣（2018）利用LSTM 模型對(duì)美港股票中市值較大的四只股票進(jìn)行預(yù)測(cè)并獲得較好的效果，認(rèn)為L(zhǎng)STM 在美港股市中具有較好的適用性。韓莉（2016）將LM-BP 算法運(yùn)用到股票預(yù)測(cè)中，對(duì)美股上市的智聯(lián)招聘進(jìn)行預(yù)測(cè)，取得了較好的成績(jī)，但其認(rèn)為不能僅僅根據(jù)股價(jià)變化決定投資，并對(duì)多種指標(biāo)進(jìn)行了計(jì)算和分析，以此輔助投資者做出更好的決策。梁夏（1999）在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中加入自糾錯(cuò)功能來(lái)預(yù)測(cè)股票滾動(dòng)。李曉靜(2008)通過(guò)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)并確定網(wǎng)絡(luò)隱節(jié)點(diǎn)個(gè)數(shù)進(jìn)行預(yù)測(cè)建模，有效提高了模型預(yù)測(cè)精度。魏立龍、許東方（2011）把小波神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合，建立了基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)股票預(yù)測(cè)模型GA-WNN，解決了收斂速度慢、易陷入局部極小值問(wèn)題。楊青、王晨蔚（2019）構(gòu)造深層LSTM 神經(jīng)網(wǎng)絡(luò)模型對(duì)全球30個(gè)股票指數(shù)三種不同期限的預(yù)測(cè)研究，結(jié)果發(fā)現(xiàn)與SVR、MLP、和ARIMA 三種預(yù)測(cè)模型相比，LSTM 神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)和穩(wěn)定性。這些研究表明，神經(jīng)網(wǎng)絡(luò)模型可以更好地預(yù)測(cè)未來(lái)的價(jià)格走勢(shì)。與以往的研究不同，本文引入了在圖像識(shí)別方面具有顯著優(yōu)勢(shì)的DLNNs，實(shí)現(xiàn)了對(duì)股票價(jià)格趨勢(shì)的準(zhǔn)確預(yù)測(cè)，也有助于經(jīng)驗(yàn)擴(kuò)展技術(shù)分析與股票基本面分析。

DLNN 模型對(duì)圖像建模具有強(qiáng)大的統(tǒng)計(jì)能力，而股票價(jià)格圖表實(shí)際上是圖像。因此，可以使用DL 算法來(lái)分析股票價(jià)格趨勢(shì)。在圖1 中演示了DLNN 模型的基本結(jié)構(gòu)，輸入層、隱藏層和輸出層。神經(jīng)網(wǎng)絡(luò)是一組相互連接的節(jié)點(diǎn)（用圓圈表示），其靈感來(lái)自人腦中神經(jīng)元的簡(jiǎn)化，它通過(guò)激活函數(shù)將一層神經(jīng)元與另一層神經(jīng)元連接起來(lái)。激活函數(shù)是輸入信號(hào)的非線性變換，變換后的輸出作為輸入發(fā)送到下一層。這個(gè)功能決定了一個(gè)神經(jīng)元是否應(yīng)該被激活。通過(guò)這種多層神經(jīng)網(wǎng)絡(luò)，輸入變量最終可以得到相應(yīng)的輸出結(jié)果。

本文擴(kuò)展了以往關(guān)于我國(guó)股票價(jià)格趨勢(shì)預(yù)測(cè)的文獻(xiàn)。首先，引入具有圖像識(shí)別能力的DL 模型，并將股價(jià)趨勢(shì)作為預(yù)測(cè)短期價(jià)格行為的解釋向量。其次，本文比較了DLNN 和SLNN，并闡明了DL 的實(shí)質(zhì)優(yōu)勢(shì)。最后，本文研究趨勢(shì)或股票基本面是否對(duì)未來(lái)股票價(jià)格有重要影響。使用價(jià)格趨勢(shì)作為輸入的結(jié)果和同時(shí)使用價(jià)格趨勢(shì)和股票基本面的單層模型的結(jié)果幾乎相同，證實(shí)了在預(yù)測(cè)價(jià)格走勢(shì)時(shí)價(jià)格趨勢(shì)在股票基本面中占有主導(dǎo)地位。

二、模型和數(shù)據(jù)說(shuō)明

多因素模型的流行使學(xué)術(shù)界的注意力從絕對(duì)定價(jià)模型轉(zhuǎn)向了相對(duì)定價(jià)模型。目前，許多基于因子排序原則的因子檢驗(yàn)和依賴因子模型間比較優(yōu)勢(shì)的互跨檢驗(yàn)變得不那么顯著。由于DL 模型的發(fā)展，本文研究可以聚焦于基本的價(jià)格趨勢(shì)，從時(shí)間序列中提取出可以確定股票價(jià)格的信息。

本文選取2014 年1 月4 日至2019 年12 月31 日期間上海證券交易所和深圳證券交易所的所有A 股的交易價(jià)格。樣本包含2809 個(gè)股票。從Wind 數(shù)據(jù)庫(kù)收集了Fama和French（2015）使用的每日收盤(pán)價(jià)和5 個(gè)股票基本面——PE（價(jià)格/收益）、PB（價(jià)格/賬面）、PS（價(jià)格/銷(xiāo)售）、PCF（價(jià)格/現(xiàn)金流）和TR（營(yíng)業(yè)額）。TR 是一個(gè)每日變量，在每個(gè)交易日更新。其他四個(gè)股票基本面（PE，PB，PS 和PCF 比率）也是每日變量，變化來(lái)自兩個(gè)部分。第一部分是每日股票價(jià)格的分子比率，第二部分是每季度更新的分母。對(duì)于股票價(jià)格趨勢(shì)分析，數(shù)據(jù)頻率越高，信息量越大。如果使用每周或每月的數(shù)據(jù)，將無(wú)法捕捉到一周或一個(gè)月內(nèi)的股價(jià)變化，不利于模型的訓(xùn)練。每小時(shí)或更高頻率的數(shù)據(jù)比較嘈雜，可能會(huì)導(dǎo)致一些市場(chǎng)微觀結(jié)構(gòu)問(wèn)題。

三、結(jié)語(yǔ)

本文使用DLNN 模型來(lái)預(yù)測(cè)2014—2019 年中國(guó)股票的價(jià)格變動(dòng)。結(jié)果顯示DLNN 模型在驗(yàn)證集的平均準(zhǔn)確率為55.46%。與單層模型不同，DL 側(cè)重于學(xué)習(xí)不斷增加的有意義表示的連續(xù)層。它是一種能夠有效分析趨勢(shì)圖的高級(jí)統(tǒng)計(jì)模型，反映變量隨時(shí)間的變化趨勢(shì)。只要訓(xùn)練數(shù)據(jù)包含足夠的概率關(guān)系就可以用于預(yù)測(cè)，DLNN 可以挖掘它們并提供良好的預(yù)測(cè)。

結(jié)果表明，DL 為學(xué)習(xí)價(jià)格趨勢(shì)和圖表表示提供了一個(gè)數(shù)學(xué)框架，這有利于圖像建模。DLNN 的預(yù)測(cè)能力幾乎完全基于對(duì)股價(jià)趨勢(shì)的分析?；久婧图夹g(shù)分析師應(yīng)該通過(guò)DLNN 模型將價(jià)格趨勢(shì)納入他們的預(yù)測(cè)方法。