莊 妍, 王林萍

(福建農(nóng)林大學(xué) 經(jīng)濟(jì)與管理學(xué)院, 福州 350002)

股票市場越來越被看作經(jīng)濟(jì)核心,截至2021年9月底,中國股市開戶總量超過1.93億戶,與其他行業(yè)相比,金融市場的風(fēng)險與短時間內(nèi)獲得巨額利潤的可能性成正比。過去幾年,中國人工智能應(yīng)用的市場及規(guī)模有著顯著發(fā)展,人工智能技術(shù)的應(yīng)用提高了社會生產(chǎn)力,智能產(chǎn)業(yè)的范圍逐漸拓寬到智能城市、智能制造、智能家居等行業(yè),幾乎每一個科學(xué)領(lǐng)域及其應(yīng)用都日益智能化。伴隨著數(shù)字金融的發(fā)展或電子金融新形式的出現(xiàn),金融業(yè)也在此發(fā)展過程中獲益。當(dāng)代投資者對股票價格趨勢的探究欲望越來越強(qiáng)烈,對于投資者來說,準(zhǔn)確了解股票價格趨勢對其投資和理財規(guī)劃有著深遠(yuǎn)的意義;對于公司或機(jī)構(gòu)來說,精準(zhǔn)實現(xiàn)的股價預(yù)測有助于規(guī)劃資金,制定合理的經(jīng)營策略[1]。

股市預(yù)測在計算機(jī)技術(shù)的快速發(fā)展下不斷更新和整合,數(shù)學(xué)模型越來越多地被用于預(yù)測股票價格趨勢。近年來,預(yù)測股票長短期趨勢的方法有:①傳統(tǒng)的與宏觀經(jīng)濟(jì)相結(jié)合的分析方法。最初的股價趨勢預(yù)測方法分為基本面分析與技術(shù)面分析兩個方法,對宏觀經(jīng)濟(jì)、行業(yè)包括公司經(jīng)營理念策略、公司報表等的結(jié)合分析,判定股票的價格波動與投資性價比,提出投資建議的一種分析方法。②時間序列上的計量經(jīng)濟(jì)學(xué)分析法。基于計量經(jīng)濟(jì)學(xué)模型的股價預(yù)測方法主要使用金融時間序列來預(yù)測股價趨勢,運用統(tǒng)計回歸模型挖掘股票時序數(shù)據(jù)的內(nèi)在規(guī)律,建立股票過去價格與未來價格的量化關(guān)系。③基于機(jī)器學(xué)習(xí)的股票趨勢分析[2]。機(jī)器學(xué)習(xí)越來越多地應(yīng)用于金融。與統(tǒng)計建模相比,機(jī)器學(xué)習(xí)的精力更多地集中在預(yù)測能力,而不是集中在對結(jié)果的理解上。如神經(jīng)網(wǎng)絡(luò)模型從人腦信息出發(fā),根據(jù)其運行機(jī)制與數(shù)學(xué)建模結(jié)合,模擬人腦外部信息轉(zhuǎn)換能力,廣泛應(yīng)用于模式識別、智能操控、信信息處理等領(lǐng)域。在金融市場的運作中,神經(jīng)網(wǎng)絡(luò)模型可以利用其合理性和適用性優(yōu)勢,對歷史信息量化,找出股價的變化規(guī)律,為股市提供非線性預(yù)測系統(tǒng),故越來越多人將神經(jīng)網(wǎng)絡(luò)模型運用于股票市場[3]。

1 神經(jīng)網(wǎng)絡(luò)模型

股票市場本質(zhì)是一種受多種因素綜合影響的動態(tài)、非平穩(wěn)、高噪聲的系統(tǒng),股票價格趨勢預(yù)測是股票市場上一個具有挑戰(zhàn)性的問題。建立準(zhǔn)確度較高、科學(xué)實用的選股預(yù)測模型進(jìn)行量化投資,是股票市場上風(fēng)險有效管理,實現(xiàn)效益最大化的關(guān)鍵一環(huán),能夠處理非線性數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型也因此受到國內(nèi)外學(xué)者的青睞。

1.1 文獻(xiàn)綜述

國外理論界關(guān)于神經(jīng)網(wǎng)絡(luò)的研究開始得較早,2001年Kuo等[4]提出了一種遺傳算法為基礎(chǔ)的模糊神經(jīng)網(wǎng)絡(luò)(genetic fuzzy neural network,GFNN),以建立模糊推理規(guī)則的知識庫,可以衡量對股票市場的定性影響。Majhi等[5]提出了一個三角函數(shù)連接人工神經(jīng)網(wǎng)絡(luò)(functional link neural networks,FLANN)模型,用于中短期股票市場指數(shù)的股價預(yù)測。Hafezi等[6]則創(chuàng)建一個蝙蝠神經(jīng)網(wǎng)絡(luò)多智能體系統(tǒng)(bar-neural network multi-agent system,BNNMAS)來預(yù)測長期股價。為了更好地利用智能化技術(shù)探究技術(shù)指標(biāo)與股價未來走勢之間的關(guān)系,支持向量機(jī)(support vector machine, SVM)[7]、逐步回歸和神經(jīng)網(wǎng)絡(luò)的聯(lián)合使用[8]、(Extreme Gradient Boosting,XGBoost)[9]都得到廣泛應(yīng)用。Kara等[10]提出了基于兩種分類技術(shù)的模型,即人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)和支持向量機(jī),結(jié)果表明,神經(jīng)網(wǎng)絡(luò)模型的平均性能明顯優(yōu)于SVM模型。Chang[11]專注于人工神經(jīng)網(wǎng)絡(luò)、決策樹及ANN與決策樹的混合模型三種不同的算法,用于預(yù)測股價。研究發(fā)現(xiàn),與其他兩種方法相比,ANN更適合在動蕩的危機(jī)后股市中預(yù)測股價。在此背景下,神經(jīng)網(wǎng)絡(luò)模型在國外應(yīng)用日益廣泛,因此研究中也不再只單獨使用神經(jīng)網(wǎng)絡(luò)模型。Hajizadeh等[12]認(rèn)為GARCH模型與神經(jīng)網(wǎng)絡(luò)模型相輔相成,能較好地模擬和預(yù)測高度波動市場的波動性。Zhuo等[13]引入主成分分析法,將BP(back propagation)神經(jīng)網(wǎng)絡(luò)模型、PCA-BP(principal component analysis back propagation)模型和傳統(tǒng)ARIMA(3,1,1)模型的預(yù)測結(jié)果進(jìn)行了對比。結(jié)果表明,神經(jīng)網(wǎng)絡(luò)模型在機(jī)器學(xué)習(xí)的高維時間序列數(shù)據(jù)預(yù)測方面表現(xiàn)突出,這也是神經(jīng)網(wǎng)絡(luò)模型研究的一大進(jìn)步。

同美國股票市場相比,中國股票市場上近年來對神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用開始得較遲,但是由于神經(jīng)網(wǎng)絡(luò)模型的可行性強(qiáng),發(fā)展勢頭是十分迅猛的,神經(jīng)網(wǎng)絡(luò)模型不僅被用于解決物理問題[14],也廣泛運用于量化選股、投資方面[15]。最初謝琪等[16]利用2012—2017 年的上海證券交易所綜合指數(shù)等數(shù)據(jù),驗證了神經(jīng)網(wǎng)絡(luò)模型預(yù)測精確度高;黃宏運等[17]通過實證分析發(fā)現(xiàn),神經(jīng)網(wǎng)絡(luò)模型僅對于短期數(shù)據(jù)的預(yù)測有效;曹曉[18]提出了一類神經(jīng)網(wǎng)絡(luò)的混合模型,其在預(yù)測精度、效率方面都顯著高于單個神經(jīng)網(wǎng)絡(luò)模型?？v觀已有的關(guān)于股票市場的研究,學(xué)者們通常將模型建立在整個A股市場上,著眼于預(yù)測未來股票價格變化情況,鮮有從模型本身算法的改進(jìn)入手進(jìn)行優(yōu)化。此外,大多數(shù)學(xué)者選用于研究的時間周期較短,僅選取了近幾年的數(shù)據(jù),而數(shù)據(jù)量不夠大容易受 “黑天鵝”事件的影響?；诖?在深入分析熱門的智能產(chǎn)業(yè)數(shù)據(jù)的基礎(chǔ)上,進(jìn)一步闡述基于隨機(jī)梯度下降算法對神經(jīng)網(wǎng)絡(luò)[19]的模型優(yōu)化,并將結(jié)果可視化,嘗試對神經(jīng)網(wǎng)絡(luò)模型深入探究,以將其應(yīng)用到股票市場的預(yù)測中。

1.2 模型簡介

神經(jīng)網(wǎng)絡(luò)模型是模擬人腦對外部輸入信息的反應(yīng)過程的計算機(jī)模型,用于分析大量特征和大數(shù)據(jù)下預(yù)測精度低的問題。神經(jīng)網(wǎng)絡(luò)模型由輸入層、輸出層和隱藏層組成,各層級連接線分別設(shè)置權(quán)重,通過隨機(jī)抽取訓(xùn)練集計算各層的輸出值及誤差,由此調(diào)整各層權(quán)重值。選取恰當(dāng)權(quán)重值檢查網(wǎng)絡(luò)總誤差是否達(dá)到精度要求,若達(dá)到要求,則訓(xùn)練結(jié)束,否則繼續(xù)訓(xùn)練。根據(jù)此權(quán)重值,形成一個訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,用于訓(xùn)練集。隨著數(shù)據(jù)復(fù)雜性增加,神經(jīng)網(wǎng)絡(luò)算法憑借其預(yù)測準(zhǔn)確度高、適用范圍廣、非線性數(shù)據(jù)分析能力強(qiáng)、不易過擬合等優(yōu)勢,成為股票市場中新的有效分析手段。圖1顯示了典型的三層神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)。

圖1 神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)

1.3 算法原理

1)輸入層、隱藏層、輸出層的連接:以xi為輸入層,wij為輸入層與隱藏層之間的權(quán)重;wj為所得隱藏層輸入向量,通過函數(shù)變化轉(zhuǎn)化為隱藏層輸出向量yj。同理,zij為隱藏層與輸出層之間的權(quán)重,hk為所得輸入層輸入向量,通過函數(shù)轉(zhuǎn)化成隱藏層輸出向量Ok。隱藏層接受輸入層,是第j個隱藏層神經(jīng)元的輸出,有

(1)

式中:i=0,1,…,n;j=1,2,…,m。

yj=f(uj)

(2)

式中:i=0,1,…,n;j=1,2,…,m。

輸出層接受隱藏層,是第k個輸出神經(jīng)元的輸出,有

(3)

式中:k=1,2,…,t。

Ok=f(hk)

(4)

式中:k=1,2,…,t。

sigmoid函數(shù)作為神經(jīng)網(wǎng)絡(luò)的閾值函數(shù),也是激活函數(shù),它將變量x映射到(0,1)。將映射后的函數(shù)用S(x)表示,sigmoid函數(shù)在x過大或過小時,函數(shù)變化非常小,即梯度非常接近0,隨著神經(jīng)網(wǎng)絡(luò)的加深,在使用梯度下降方法的時候,由于梯度接近0,參數(shù)更新接近0,神經(jīng)網(wǎng)絡(luò)開始學(xué)不到東西,即梯度消失。所以經(jīng)常使用RELU激活函數(shù), 在模型中每層之間加入RELU函數(shù)作為非線性激活單元來防止過擬合,增加非線性表達(dá)能力,在股票市場上發(fā)揮的作用突出。計算公式為

(5)

2)為進(jìn)一步提升神經(jīng)網(wǎng)絡(luò)模型對非線性數(shù)據(jù)的描述,在求解股票的模型參數(shù)時,為了讓神經(jīng)網(wǎng)絡(luò)模型可以更好地獲得數(shù)據(jù)中蘊(yùn)含的規(guī)律,利用隨機(jī)梯度下降算法優(yōu)化。

對于一個任意非線性函數(shù)y=f(x,θ),假設(shè)其損失函數(shù)為L(f(xi,θ),yi),學(xué)習(xí)率為ε。在機(jī)器學(xué)習(xí)算法中,通過將損失函數(shù)優(yōu)化,以達(dá)到最優(yōu)參數(shù)尋找的目的,該過程使神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的損失(loss)無限小,而學(xué)習(xí)率可以用來控制梯度下降的步長,L(f(xi,θ),yi)關(guān)于θ的梯度值(偏導(dǎo))記為?θL(f(xi,θ),yi),最優(yōu)擬合直線用g表示,有

(6)

梯度指向為函數(shù)增長最快的方向,為找到梯度θ最優(yōu)值,若θ沿著梯度的負(fù)向移動,即θ←θ-εg,即可實現(xiàn)損失函數(shù)值(loss)最小化的目的,得到局部最優(yōu)解[20]。

(7)

為更高效地測試損失函數(shù)達(dá)到最小值,引入?控制動量,v為動量。有

v←?v-εg

(8)

θ←θ+v

(9)

一般情況下,為了在開始時快速地找到神經(jīng)網(wǎng)絡(luò)模型正確的收斂方向,設(shè)置一個較大的學(xué)習(xí)率,但需要逐漸地優(yōu)化防止震蕩,故引入梯度大小隨時間的積累量r,δ是一個穩(wěn)定數(shù)值計算的小量,有

r←r+g2

(10)

(11)

由式(10)和式(11)可知,梯度波動很大時,學(xué)習(xí)率會快速下降,反之下降速度慢,從而實現(xiàn)了學(xué)習(xí)率的自動調(diào)整。隨機(jī)梯度下降算法如圖2所示。

圖2 隨機(jī)梯度下降算法

3)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程,實際上就是在樣本輸入并運行狀態(tài)下調(diào)整并優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置值,從而使神經(jīng)網(wǎng)絡(luò)模型輸出值的誤差足夠小,損失函數(shù)接近預(yù)期。神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程分前向傳輸與逆向反饋,隨機(jī)梯度下降算法是更新層與層之間參數(shù)的過程,直到所有的參數(shù)都被更新即為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型,迭代公式為

(12)

(13)

2 研究設(shè)計

2.1 數(shù)據(jù)及參數(shù)設(shè)定

特別關(guān)注數(shù)學(xué)模型的實現(xiàn)細(xì)節(jié),研究了用于實現(xiàn)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的Python編程語言,這在以前的調(diào)查中很少被討論到。Python代碼中運用了pandas、numpy、torch、sklearn等庫進(jìn)行模型的訓(xùn)練及預(yù)測,并將數(shù)據(jù)標(biāo)準(zhǔn)化、缺失值填充等預(yù)處理過程寫入Python代碼中。

由于不同產(chǎn)業(yè)股價變化趨勢不同,為更好地訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,提取智能產(chǎn)業(yè)板塊股票作為研究對象,從RESEET數(shù)據(jù)庫中下載了A股市場上70余只智能板塊的股票2010年1月1日至2021年12月31日的數(shù)據(jù)集,以每周為一個研究周期,累計有效數(shù)據(jù)2萬余條,將有效數(shù)據(jù)按照8∶2劃分為訓(xùn)練集和測試集。為達(dá)到誤差值較小、準(zhǔn)確度較高的目的,在訓(xùn)練樣本過程中,引入均方誤差(mean square error,MSE)、平均絕對誤差(mean absolute error,MAE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)作為參照指標(biāo),并將批次batch_size與訓(xùn)練次數(shù)epoch不斷修改、循環(huán)迭代將神經(jīng)網(wǎng)絡(luò)獨立執(zhí)行多次,直到訓(xùn)練集的誤差足夠小。計算公式為

(14)

(15)

(16)

2.2 變量選擇

經(jīng)過文獻(xiàn)查閱,注意到在一些股票價格預(yù)測的論文中只考慮了平均價格,但在實際操作中認(rèn)為收盤價更能體現(xiàn)股票未來變化趨勢。因為收盤價既反映市場資金對某個股的關(guān)注程度,又反映一天中股票指數(shù)的所有行動,具有預(yù)示下一個交易日演繹方向的功能,特別是在神經(jīng)網(wǎng)絡(luò)模型中,每日收盤價也一定程度上減少數(shù)據(jù)的噪聲。由于當(dāng)下智能產(chǎn)業(yè)景氣度的提升,股價等財務(wù)指標(biāo)的影響因素更加寬泛,故對收盤價影響因子劃分如表1所示。

表1 股價預(yù)測四因子

市值因子:市值因子容易受到市場風(fēng)格切換的影響,在市場波動較強(qiáng)的情況下小市值公司表現(xiàn)較為突出,一般以總股數(shù)與收盤價的乘積代替股票流通市值檢測。

價值因子:估值較低的股票有著比高估值的股票更高的預(yù)期收益率,杠桿率較高的企業(yè)有著顯著的超額收益。即使成長型股票有較高的發(fā)展空間,但在“價值異象”的驅(qū)動下,對價值型股票投資仍能夠獲得比成長型股票更高的收益率。

成長因子:成長類因子值明顯較高的股票,其獲得超額收益的可能性越大,超額收益率也會越高。而超額收益率為周收益率與加權(quán)平均市場周收益率的差值,故它的股價在未來存在較大上漲可能性[22]。

質(zhì)量因子:股票質(zhì)量主要體現(xiàn)在盈利能力與資金周轉(zhuǎn)率兩個方面,質(zhì)量因子表現(xiàn)越優(yōu),投資者會更愿意選擇此類藍(lán)籌股。

將初始學(xué)習(xí)率lr設(shè)置為0.01,初始動量momentum設(shè)置為0.9,數(shù)據(jù)的導(dǎo)入批次batch_size在2、4、8中選取,迭代次數(shù)epoch在500～5 000進(jìn)行調(diào)試,雖然模型迭代次數(shù)多可以有更高的準(zhǔn)確度,但是訓(xùn)練次數(shù)過高,模型就會過擬合,最終的預(yù)測結(jié)果與真實值反而相差甚遠(yuǎn)。隨著給定epoch的增大,最終預(yù)測誤差先減小后增大,這意味著在不改變其他條件的情況下,存在最合適的epoch取值,使預(yù)測誤差最小。為在保障數(shù)據(jù)精度的同時兼顧計算效率,將導(dǎo)入數(shù)據(jù)轉(zhuǎn)化為“float32”形式。建模的過程中,通過比較訓(xùn)練步驟和誤差,設(shè)置神經(jīng)網(wǎng)絡(luò)模型總層數(shù)為5,利用上采樣法選取到32個參數(shù)傳入隱藏層,由于輸入的有效因子為11個,輸出樣本維數(shù)為1,因此5層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為11-32-16-8-1(圖3)。

圖3 神經(jīng)網(wǎng)絡(luò)模型

3 實施效果與實證研究

3.1 共線性診斷

由不同自變量之間的熱力圖(圖4)可以看出,流通股日換手率與流通股周換手率之間的相關(guān)性高達(dá)0.9左右,即存在很強(qiáng)的多重共線性。在神經(jīng)網(wǎng)絡(luò)擬合中也剔除二者之一,以免導(dǎo)致因多重共線性造成的過擬合。

3.2 參數(shù)的比較擇優(yōu)

由于神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練需要更大的計算量,基于CPU的良好代碼通常被設(shè)計為盡可能從高速緩存中讀取更多的信息,故將數(shù)據(jù)放置于CPU中訓(xùn)練與測試。不同批次batch_size與訓(xùn)練次數(shù)epoch節(jié)點數(shù)有不同的擬合誤差[23],模型訓(xùn)練完成后,用測試集進(jìn)行股票預(yù)測并將預(yù)測效果可視化。以下分別對不同batch_size與epoch下對應(yīng)的loss、MSE、MAPE、MAE對比。

圖5展示了批次為2時的擬合效果,表2是對應(yīng)的誤差情況。從圖5可以看出,隨著epoch在500～4 000的不斷增大,預(yù)測效果越來越好。通過誤差的對比分析發(fā)現(xiàn),最優(yōu)epoch為4 000～5 000。最后利用二分法不斷尋找,得到了局部最優(yōu)值epoch=4 150, MSE=60.191 1, MAE=4.803 2, MAPE=30.732 6,擬合曲線與損失函數(shù)變化情況如圖6、圖7所示。

圖5 批次為2時的擬合效果

圖6 epoch=4 150時的loss值

圖7 epoch=4 150時的擬合效果

圖8展示批次為4時的擬合效果,表3是批次為4的誤差情況。對比實驗的結(jié)果可知,僅僅對batch_size參數(shù)進(jìn)行增大的神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差并沒有減小,反而有所提升。由表3可知,epoch在500～2 000的預(yù)測誤差不斷增加,epoch在2 000～4 000的誤差值達(dá)到相對最優(yōu),但從圖8來看,擬合最優(yōu)值應(yīng)在epoch=1 000～3 000時取得,在epoch=3 000～4 000時圖形出現(xiàn)過擬合現(xiàn)象。

表3 批次為4時的誤差值

圖8 批次為4時的擬合效果

再對批次為8時做實驗,可以發(fā)現(xiàn)批次越大,預(yù)測點的分散程度越低,但誤差值不佳。綜合誤差值與擬合效果圖來看,批次為2時的神經(jīng)網(wǎng)絡(luò)擬合效果比批次為4和8的時候好,在每類批次上,擬合效果也隨著epoch的變化而變, batch_size=2且epoch=4 150時預(yù)測效果最好,不僅預(yù)測誤差最小,loss 的下降速度也穩(wěn)定,證明了所提模型的有效性。

4 總結(jié)與展望

預(yù)測股票趨勢如今仍是金融市場上一大熱點問題,在對神經(jīng)網(wǎng)絡(luò)模型與股票市場非線性適用性探究的基礎(chǔ)上,運用神經(jīng)網(wǎng)絡(luò)模型從特征因子對A股市場上70余只智能板塊的股票股價情況模擬預(yù)測。在收盤價的預(yù)測中,從市值、價值、成長、質(zhì)量4個方面選取特征因子,充分利用神經(jīng)網(wǎng)絡(luò)模型處理高相關(guān)性及復(fù)雜性數(shù)據(jù)的優(yōu)勢進(jìn)行模型仿真,最終誤差優(yōu)化以擬合收盤價格。模型實證中采用 2010—2022年多個股票指數(shù)的周度數(shù)據(jù),選擇智能產(chǎn)業(yè)中股票11項指標(biāo),為了消除量綱對數(shù)據(jù)結(jié)果的影響,確定模型適用性后對數(shù)據(jù)標(biāo)準(zhǔn)化處理。經(jīng)多次的調(diào)參及誤差分析,對神經(jīng)網(wǎng)絡(luò)模型本身進(jìn)行優(yōu)化。試驗得出,相對最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)為batch_size=2且epoch=4 150,此時MSE、MAPE、MAE 分別為60.191 1、30.732 6、4.803 2。由實際值與預(yù)測值的可視化結(jié)果圖7清楚地看出,經(jīng)過不斷訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型有較高的預(yù)測精度,這一結(jié)果與研究目的相吻合,進(jìn)一步針對金融波動性和市場風(fēng)險問題,提出了對股價預(yù)測模型本身的參數(shù)進(jìn)行優(yōu)化的一種全新思路,保證模型可行性的前提下,調(diào)試出的神經(jīng)網(wǎng)絡(luò)模型及可用參數(shù)更大程度地量化股票市場及趨勢預(yù)測提供初步方法。

4.1 價值及局限性

神經(jīng)網(wǎng)絡(luò)模型可以表現(xiàn)出較好的預(yù)測能力,主要價值在于:一是通過隨機(jī)梯度下降算法優(yōu)化處理智能板塊股票數(shù)據(jù),改善了股票市場上數(shù)據(jù)的量大、非線性問題,在數(shù)據(jù)處理方面省去了較大的人工成本,優(yōu)化基本神經(jīng)網(wǎng)絡(luò)模型的性能,實際上如果數(shù)據(jù)規(guī)模更大,隨機(jī)梯度下降法的優(yōu)勢會更加明顯。二是神經(jīng)網(wǎng)絡(luò)模型借助機(jī)器學(xué)習(xí)的智能性,化繁為簡,將復(fù)雜的參數(shù)通過誤差的數(shù)據(jù)形式展現(xiàn),并可視化,所取得的模型參數(shù)對股票市場投資者的投資決策與股價預(yù)測具有一定的實際應(yīng)用價值,也可進(jìn)行神經(jīng)網(wǎng)絡(luò)或更優(yōu)的機(jī)器學(xué)習(xí)的深入探索。但研究僅處于理想狀態(tài),沒有考慮其他外部因素,如經(jīng)濟(jì)發(fā)展勢頭、政策因素、“黑天鵝”事件發(fā)生等。事實上,這些外部因素對股票價格有一定的影響,仍可能影響到股票預(yù)測模型的準(zhǔn)確性。

4.2 對策及建議

對監(jiān)管者而言,秉持主動監(jiān)管理念,保護(hù)投資者隱私安全。即使機(jī)器學(xué)習(xí)模型能對投資起到參考依據(jù),仍應(yīng)在股市量化發(fā)展的同時,降低股票市場分散化,防范風(fēng)險的同時提升金融市場的穩(wěn)定性。

對投資者而言,應(yīng)在保持理性的同時加強(qiáng)投資決策敏感性。實際的股市操作中應(yīng)多參考一些政策方針,加強(qiáng)對外界技術(shù)指標(biāo)的研究,探究指標(biāo)與預(yù)測精度之間的關(guān)系,這對實際趨勢預(yù)測有利,尚可在其他研究領(lǐng)域開發(fā)神經(jīng)網(wǎng)絡(luò)的混合模型,使機(jī)器學(xué)習(xí)更加智能化,也能更大限度地提高模型在股票市場預(yù)測質(zhì)量。

對資本市場而言,作為一個信息不對稱的市場,維護(hù)中小投資者利益是關(guān)鍵。一是做好信息披露。盡可能維持市場有效性,使更多的中小投資者能夠保持信息對稱,做出合理判斷。二是數(shù)據(jù)公開問題。以近期瑞信事件為例,內(nèi)控與風(fēng)控機(jī)制存在漏洞,財務(wù)報表不對稱問題導(dǎo)致拋售危機(jī)的前幾天才察覺風(fēng)險。因此定期對財務(wù)報表等數(shù)據(jù)核驗、提升市場透明度是相當(dāng)有必要的。三是創(chuàng)新型人才的培養(yǎng),鼓勵發(fā)展智能、科技相關(guān)產(chǎn)業(yè)。創(chuàng)新型人才的尋找在算法越來越接近于人的大腦的時代,用人腦戰(zhàn)勝機(jī)器可能性極低,如今國內(nèi)智能產(chǎn)業(yè)仍需突破技術(shù)壁壘,完善人才體系,加強(qiáng)資本市場的良性競爭。