李濤 涂貞貞

摘 要：目前我國(guó)城市商業(yè)銀行規(guī)模體量龐大，該板塊市值穩(wěn)定關(guān)乎金融穩(wěn)定大局，而作為其龍頭的北京銀行發(fā)揮著行業(yè)標(biāo)桿導(dǎo)向作用，故有必要對(duì)其股價(jià)進(jìn)行預(yù)判，與實(shí)際股價(jià)進(jìn)行比較，從而發(fā)現(xiàn)是否有突發(fā)重大風(fēng)險(xiǎn)，提前布局應(yīng)急處置機(jī)制，啟動(dòng)相應(yīng)市值管理預(yù)案。深度神經(jīng)網(wǎng)絡(luò)模型中的LSTM對(duì)有記憶性的數(shù)據(jù)的預(yù)測(cè)有較好的擬合效果，本文運(yùn)用LSTM模型對(duì)北京銀行的股價(jià)進(jìn)行建模分析，研究發(fā)現(xiàn)其當(dāng)前股價(jià)對(duì)一周內(nèi)的行情數(shù)據(jù)高度敏感，究其原因是其股票價(jià)格已長(zhǎng)期穩(wěn)定地反映了自身價(jià)值，短期沖擊影響在股價(jià)變動(dòng)中會(huì)起主導(dǎo)作用。市值管理機(jī)構(gòu)和管理層在日常監(jiān)管過(guò)程中應(yīng)著重關(guān)注其短期波動(dòng)與模型預(yù)測(cè)值的偏離是否達(dá)到預(yù)警級(jí)別，防范化解重大金融風(fēng)險(xiǎn)。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);金融穩(wěn)定;股票價(jià)格

本文索引：李濤，涂貞貞.<標(biāo)題>[J].商展經(jīng)濟(jì)，2022（12）：-080.

中圖分類號(hào)：F832.33 文獻(xiàn)標(biāo)識(shí)碼：A

股票市場(chǎng)作為金融市場(chǎng)的重要組成部分，特點(diǎn)是高收益性與高風(fēng)險(xiǎn)性并存。如何預(yù)測(cè)股價(jià)的變化，掌握股價(jià)變動(dòng)規(guī)律，對(duì)于投資者和監(jiān)管者都具有重要的理論和現(xiàn)實(shí)意義。

2020年，在國(guó)內(nèi)130余家城商行中，北京銀行成為第一家總資產(chǎn)突破3萬(wàn)億元的城市商業(yè)銀行。作為城商行的龍頭，北京銀行的市值和股價(jià)具有強(qiáng)勁的示范作用，可能引領(lǐng)城商行板塊的異動(dòng)，重塑金融板塊格局，甚至關(guān)乎金融市場(chǎng)的穩(wěn)定。我國(guó)已進(jìn)入“雙循環(huán)”新發(fā)展戰(zhàn)略格局，防范化解重大金融風(fēng)險(xiǎn)已是國(guó)策，因而研究北京銀行股價(jià)的預(yù)測(cè)，非常具有實(shí)效性。遺憾的是，關(guān)于股票價(jià)格的預(yù)測(cè)，縱覽各券商研究報(bào)告，業(yè)界多采用基本面分析法和傳統(tǒng)的技術(shù)分析法。股票價(jià)格是金融中常見(jiàn)的時(shí)間序列數(shù)據(jù)，學(xué)界對(duì)于時(shí)間序列數(shù)據(jù)的分析，常用的計(jì)量工具有移動(dòng)平均模型（MA）、自回歸模型（AR）、自回歸移動(dòng)平均模型（ARMA）、差分自回歸移動(dòng)平均模型（ARIMA）等，這些計(jì)量模型有一定的預(yù)測(cè)能力，但此類模型是建立在線性分析的基礎(chǔ)上，適用于寬平穩(wěn)的時(shí)間序列，即均值和方差不隨時(shí)間變化而變化，而股價(jià)表征上體現(xiàn)出極強(qiáng)的非線性，因而有必要運(yùn)用非線性模型對(duì)其進(jìn)行擬合測(cè)定。再者，ARIMA模型能夠擬合時(shí)間序列之間的線性關(guān)系，具有操作簡(jiǎn)便、應(yīng)用性強(qiáng)等優(yōu)勢(shì)。在實(shí)際情況下，現(xiàn)實(shí)的時(shí)間序列（金融時(shí)間序列等）往往呈現(xiàn)非線性的特點(diǎn)，ARIMA模型提取金融時(shí)間序列的能力有限，但人工神經(jīng)網(wǎng)絡(luò)模型能夠在時(shí)間序列呈現(xiàn)強(qiáng)烈非線性特點(diǎn)時(shí)提取出相對(duì)較多的隱藏信息。

當(dāng)今世界，深度學(xué)習(xí)浪潮風(fēng)起云涌，運(yùn)用領(lǐng)域日益廣泛，滲透到國(guó)民經(jīng)濟(jì)各大行業(yè)。本文基于深度學(xué)習(xí)的視角，擬用深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)北京銀行股價(jià)的預(yù)測(cè)進(jìn)行探究。

1 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型最初的版本是感知器（MLP），某種程度上類似一種單神經(jīng)元的結(jié)構(gòu)體。感知器是模擬生物神經(jīng)細(xì)胞的狀態(tài)處理方式，思維新穎且前景可期，一經(jīng)問(wèn)世，便引發(fā)研究熱潮，其最重要的思想是利用梯度下降法對(duì)損失函數(shù)進(jìn)行極小化，從而求得相應(yīng)參數(shù)。然而，感知器固有的缺陷是無(wú)法解決非線性問(wèn)題。

20世紀(jì)80年代，BP神經(jīng)網(wǎng)絡(luò)興起風(fēng)靡，用于解決非線性問(wèn)題，其包含輸入層、隱藏層和輸出層，采用反向傳播算法，通過(guò)梯度下降不斷迭代調(diào)整權(quán)重函數(shù)，得到最優(yōu)擬合。BP神經(jīng)網(wǎng)絡(luò)模型雖然可用于時(shí)間序列的分析和預(yù)測(cè)，但由于其設(shè)計(jì)初衷并未考慮如何有效利用時(shí)間序列的自相關(guān)特征，而且BP網(wǎng)絡(luò)是局部?jī)?yōu)化算法，容易陷入局部極值困境。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在BP基礎(chǔ)上，加入時(shí)序因子以求更有效地分析時(shí)間序列。然而，循環(huán)神經(jīng)網(wǎng)絡(luò)在實(shí)際過(guò)程中往往出現(xiàn)梯度爆炸或梯度消失，因此沒(méi)法解決時(shí)序數(shù)據(jù)的長(zhǎng)依賴性問(wèn)題。為解決循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)依賴性問(wèn)題，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）應(yīng)運(yùn)而生。LSTM與RNN最主要的不同在于：RNN整結(jié)構(gòu)同享一組（U，W，B）參數(shù)，而LSTM的每個(gè)門(mén)（遺忘門(mén)、輸入門(mén)、輸出門(mén)）都有各自的（U，W，B）參數(shù)，緩解了梯度爆炸和梯度消失的問(wèn)題。

與RNN相比，LSTM依然是基于當(dāng)前輸入X和上一級(jí)隱藏層輸出H來(lái)計(jì)算，只是神經(jīng)元的內(nèi)部結(jié)構(gòu)改變，其外部結(jié)構(gòu)并未有任何變化。LSTM神經(jīng)元中構(gòu)建了三門(mén)：遺忘門(mén)f、輸入門(mén)i、輸出門(mén)o和內(nèi)部記憶單元c。若當(dāng)前輸入的序列存在有效信息時(shí)，遺忘門(mén)f的值就接近于0;若當(dāng)前輸入不存在有效信息時(shí)，輸入門(mén)的值就接近于0。

LSTM 中設(shè)置了兩個(gè)關(guān)鍵函數(shù)σ和tanh，其中σ一般選擇sigmoid作為激勵(lì)函數(shù)，主要起門(mén)控作用，因?yàn)閟igmoid函數(shù)的值域?yàn)閇0，1]，符合物理意義的開(kāi)和關(guān)。tanh函數(shù)作為生成候選記憶c的選項(xiàng)，因?yàn)槠渲涤驗(yàn)閇-1，1]，符合大多數(shù)場(chǎng)景下以0為中心的特征分布，且梯度在接近于0處，收斂速度比sigmoid要快。

由此不難看出由遺忘門(mén)、輸入門(mén)、輸出門(mén)和內(nèi)部記憶單元共同控制LSTM輸入h的設(shè)計(jì)，使得整個(gè)網(wǎng)絡(luò)可以更好地把握序列信息之間的關(guān)系。

2 實(shí)證模型設(shè)計(jì)

2.1 基于LSTM的股票價(jià)格預(yù)測(cè)

LSTM 獨(dú)特的結(jié)構(gòu)設(shè)計(jì)，有效解決了神經(jīng)網(wǎng)絡(luò)的梯度爆炸、梯度消失和長(zhǎng)依賴等問(wèn)題。本文基于LSTM模型對(duì)北京銀行的股票價(jià)格進(jìn)行預(yù)測(cè)。

股票日交易行情數(shù)據(jù)最主要的五個(gè)特征是開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、最高價(jià)、最低價(jià)和成交量。本文擬以T日股票行情的上述五個(gè)特征為輸入，預(yù)測(cè)T+1日股票的收盤(pán)價(jià)，模型如圖1所示。

2.2 實(shí)驗(yàn)環(huán)境

本文所用實(shí)驗(yàn)環(huán)境的主要參數(shù)為：處理器Intel（R） Core（TM） i5-6200U CPU @ 2.30GHz （4 CPUs）， 2.4GHz，內(nèi)存8192MB RAM，顯卡Intel（R） HD Graphics 520，操作系統(tǒng)Windows 10 家庭中文版 64-bit。

實(shí)驗(yàn)所用編程語(yǔ)言為Python，IDE采用Jupyter Notebook，深度學(xué)習(xí)框架為基于TensorFlow的Keras。0675C28F-04CA-4DBA-AB50-A5B7B99172F6

2.3 數(shù)據(jù)處理、算法選擇和指標(biāo)選用

本次實(shí)驗(yàn)的北京銀行股票價(jià)格數(shù)據(jù)集通過(guò)平安證券慧贏軟件獲取，收錄自北京銀行2007年9月19日首發(fā)上市至2020年12月18日的所有交易日的日線級(jí)別數(shù)據(jù)。對(duì)于非交易日的日線級(jí)別缺失數(shù)據(jù)，本實(shí)驗(yàn)不采用填補(bǔ)缺失值的方法對(duì)其進(jìn)行處理。非交易日本身是金融時(shí)間序列中的常存現(xiàn)象，即使按照某種方式填補(bǔ)缺失值，也沒(méi)有影響實(shí)際交易的意義，因而沒(méi)有必要將非交易日的缺失納入考量。

為防止過(guò)擬合，本實(shí)驗(yàn)將數(shù)據(jù)集的70%劃分為訓(xùn)練集，30%劃分為測(cè)試集。作為輸入的五個(gè)特征中，四個(gè)為價(jià)格變量，一個(gè)為數(shù)量變量，為了消除不同量綱的影響，需要對(duì)變量進(jìn)行歸一化預(yù)處理。

本實(shí)驗(yàn)的優(yōu)化算法采用自適應(yīng)學(xué)習(xí)率的Adam算法，其融合使用一階和二階動(dòng)量實(shí)現(xiàn)學(xué)習(xí)率的自適應(yīng)下降，通過(guò)少量參數(shù)完成高效計(jì)算，較隨機(jī)梯度下降（SGD）的固定學(xué)習(xí)率的算法有顯著優(yōu)勢(shì)。

模型訓(xùn)練完成后，本文選取均方根誤差（RMSE）作為定量分析評(píng)判標(biāo)準(zhǔn)，預(yù)測(cè)圖的整體擬合效果作為定性分析評(píng)判標(biāo)準(zhǔn)。

3 實(shí)證分析過(guò)程和結(jié)果分析

本文設(shè)計(jì)了三個(gè)實(shí)驗(yàn)，LTSM神經(jīng)網(wǎng)絡(luò)層級(jí)均是由三個(gè)LSTM隱藏層、三個(gè)Dropout層（拋棄率0.2）和一個(gè)密集連接層Dense構(gòu)成，迭代次數(shù)均為50，但分別采用不同的參數(shù)設(shè)定，差異在于時(shí)間步長(zhǎng)和隱藏層首層神經(jīng)元個(gè)數(shù)。

在時(shí)間序列分析中，時(shí)間步長(zhǎng)是必須著重考量的參數(shù)，因?yàn)槲磥?lái)的信息究竟和滯后幾期的數(shù)據(jù)相關(guān)是不得而知的，但如果過(guò)多地納入歷史信息，對(duì)擬合的預(yù)測(cè)效果往往適得其反，時(shí)間步長(zhǎng)的設(shè)定是門(mén)技術(shù)，更是一門(mén)藝術(shù)。

實(shí)驗(yàn)一結(jié)果如圖2所示：

RMSE=1.086152581974425

實(shí)驗(yàn)二 時(shí)間步長(zhǎng)10，隱藏層首層神經(jīng)元個(gè)數(shù)50

實(shí)驗(yàn)二結(jié)果如圖3所示：

實(shí)驗(yàn)三結(jié)果如圖4所示：

RMSE=1.108114805641736

綜合三個(gè)實(shí)驗(yàn)結(jié)果比較，實(shí)驗(yàn)一（時(shí)間步長(zhǎng)為5，隱藏層首層神經(jīng)元個(gè)數(shù)50）的RMSE值最小，且圖形擬合效果較為出色。實(shí)驗(yàn)結(jié)果表明，時(shí)間步長(zhǎng)過(guò)大反而會(huì)背離預(yù)測(cè)，與本文前述的預(yù)判相符，時(shí)間步長(zhǎng)選取為5，擬合效果更優(yōu)，且符合市場(chǎng)的認(rèn)知常識(shí)。另外可以得出，對(duì)神經(jīng)網(wǎng)絡(luò)賦予更多的神經(jīng)元個(gè)數(shù)，不一定有利于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)。當(dāng)然，受限于時(shí)間與電腦硬件，為了降低搜索空間，該搜索方法的搜索顆粒度較粗，且未考慮超參數(shù)之間的耦合關(guān)系，因此最終確定的個(gè)數(shù)難以保證全局最優(yōu)。

4 結(jié)語(yǔ)

股票價(jià)格的預(yù)測(cè)是一個(gè)非常復(fù)雜的過(guò)程，因?yàn)楣善笔袌?chǎng)的預(yù)測(cè)過(guò)程基本上是動(dòng)態(tài)的、非線性的、復(fù)雜的。本文利用深度神經(jīng)網(wǎng)絡(luò)模型LSTM對(duì)北京銀行的股票價(jià)格進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明：該模型對(duì)北京銀行股票價(jià)格走勢(shì)具有良好的預(yù)測(cè)性，且要求的實(shí)驗(yàn)環(huán)境普適，具備作為公司市值管理工具的價(jià)值。

北京銀行股票價(jià)格與其前5個(gè)交易日的價(jià)格和成交量存在極為密切的關(guān)聯(lián)，對(duì)于一周前或更長(zhǎng)時(shí)間周期前的行情表現(xiàn)出相對(duì)較弱的聯(lián)系。原因可能是北京銀行股價(jià)在歷史長(zhǎng)期中已經(jīng)穩(wěn)定反映出其價(jià)值基準(zhǔn)，股價(jià)變動(dòng)跟短期沖擊有較強(qiáng)關(guān)聯(lián)。

北京銀行作為國(guó)內(nèi)130城商行的龍頭，坐擁3萬(wàn)億資產(chǎn)的巨大體量，其市值水平和穩(wěn)定程度對(duì)整個(gè)城商行板塊，甚至對(duì)銀行金融體系的安全都有著不可估量的影響。尤其在遇到外部不可預(yù)見(jiàn)的突發(fā)沖擊下，其股票價(jià)格可能會(huì)在短期受到劇烈的外加作用，雖然本模型基于的是歷史數(shù)據(jù)，但時(shí)間周期跨度涵蓋了其上市以來(lái)足夠長(zhǎng)的觀測(cè)值，充分表現(xiàn)出北京銀行自身的價(jià)值規(guī)律和風(fēng)險(xiǎn)尺度，能在較大可信度的基礎(chǔ)上對(duì)該股價(jià)進(jìn)行有效預(yù)測(cè)。若實(shí)際股價(jià)突受沖擊偏離本模型預(yù)測(cè)，幅度達(dá)到預(yù)警級(jí)別，管理層則需密切關(guān)注和預(yù)測(cè)其市值走勢(shì)，提前完善對(duì)應(yīng)的應(yīng)急處置預(yù)案，防范化解重大金融風(fēng)險(xiǎn)。

本文對(duì)股價(jià)的預(yù)測(cè)方法，能通過(guò)LSTM幫助股票投資者篩選出擁有更大盈利能力的股票，從而進(jìn)一步提高預(yù)測(cè)精度。此方法在未來(lái)金融時(shí)間序列研究中有廣泛的應(yīng)用前景，不僅能為投資者提供一定的參考信息，還能為后續(xù)的研究者提供相應(yīng)的參考。作者下一步的計(jì)劃是使用自然語(yǔ)言處理技術(shù)對(duì)股票新聞、交易網(wǎng)站上網(wǎng)友的評(píng)論等文本類信息進(jìn)行轉(zhuǎn)換處理，從而作為模型特征的輸入;并再次降低壓縮的維度大小;同時(shí)嘗試卷積神經(jīng)網(wǎng)絡(luò)、雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，分別與注意力機(jī)制進(jìn)行融合，實(shí)驗(yàn)對(duì)比分析不同模型的預(yù)測(cè)結(jié)果。

參考文獻(xiàn)

楊君岐，任瑞，闞立娜，等.基于BP神經(jīng)網(wǎng)絡(luò)模型的商業(yè)銀行風(fēng)險(xiǎn)評(píng)估研究[J].會(huì)計(jì)之友，2021（5）：113-119.

羅鑫，張金林.基于多時(shí)間尺度復(fù)合深度神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[J].武漢金融，2020（9）：32-40.

喬若羽.基于神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)模型[J].運(yùn)籌與管理，2019（10）：132-140.

鄧曉衛(wèi)，章鋮斌.基于混合神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)下的統(tǒng)計(jì)套利研究[J].統(tǒng)計(jì)與決策，2019（1）：174-177.

姚小強(qiáng)，侯志森.基于樹(shù)結(jié)構(gòu)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2018（11）：3336-3341.

張栗粽，王謹(jǐn)平，劉貴松，等.面向金融數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)模型[J].計(jì)算機(jī)應(yīng)用研究，2018（9）：2632-2637.

樓文高，喬龍.基于神經(jīng)網(wǎng)絡(luò)的金融風(fēng)險(xiǎn)預(yù)警模型及其實(shí)證研究[J].金融論壇，2011（11）：52-61.0675C28F-04CA-4DBA-AB50-A5B7B99172F6