神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)標(biāo)普500指數(shù)的波動(dòng)率預(yù)測(cè)

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)標(biāo)普500指數(shù)的波動(dòng)率預(yù)測(cè)范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

［摘要］波動(dòng)率是對(duì)特定證券或市場(chǎng)指數(shù)收益分散度的統(tǒng)計(jì)量度，可以通過(guò)使用證券或市場(chǎng)指數(shù)收益率之間的標(biāo)準(zhǔn)偏差或方差來(lái)衡量。通常，波動(dòng)率越高，風(fēng)險(xiǎn)越高。文章運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)美國(guó)標(biāo)普500指數(shù)2016年的波動(dòng)率進(jìn)行了預(yù)測(cè)，并得到了優(yōu)于傳統(tǒng)模型的預(yù)測(cè)結(jié)果。

［關(guān)鍵詞］神經(jīng)網(wǎng)絡(luò)技術(shù);標(biāo)普500指數(shù);波動(dòng)率;預(yù)測(cè)

波動(dòng)率是對(duì)特定證券或市場(chǎng)指數(shù)的收益分散度的統(tǒng)計(jì)量度，可以通過(guò)使用證券或市場(chǎng)指數(shù)收益率之間的標(biāo)準(zhǔn)偏差或方差來(lái)衡量。通常，波動(dòng)率越高，風(fēng)險(xiǎn)越高。用來(lái)計(jì)算波動(dòng)率的傳統(tǒng)方法包括Black－Scholes模型和GARCH族模型。這些傳統(tǒng)方法難以捕捉金融市場(chǎng)時(shí)間序列數(shù)據(jù)等數(shù)據(jù)集的不連續(xù)性，非線性和高度復(fù)雜性。隨著計(jì)算機(jī)科學(xué)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)技術(shù)提供了足夠的學(xué)習(xí)能力，更有可能捕捉到金融市場(chǎng)中復(fù)雜的非線性模型。該技術(shù)已經(jīng)在金融預(yù)測(cè)研究中取得了一些成果。Baba和Kozaki(1992)開發(fā)了一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)用于預(yù)測(cè)日本股市的價(jià)格，并將改進(jìn)BP算法與隨機(jī)優(yōu)化方法相結(jié)合的混合算法用于神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練。

1建模

本文使用神經(jīng)網(wǎng)絡(luò)技術(shù)建立了一個(gè)可以預(yù)測(cè)標(biāo)普500指數(shù)波動(dòng)率的模型?？紤]到較長(zhǎng)時(shí)間的交易包含了更多的信息以及實(shí)證研究的需要，本文選取的樣本范圍從2005年1月到2016年12月。為了比較不同模型的預(yù)測(cè)精度，以均方誤差(MSE)作為評(píng)價(jià)標(biāo)準(zhǔn)，即預(yù)測(cè)波動(dòng)率與實(shí)際波動(dòng)率之間的偏差平方的平均值。反向傳播(BP)算法也稱為誤差反向傳播算法，是人工神經(jīng)網(wǎng)絡(luò)中的監(jiān)督學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)算法理論上可以近似于任何函數(shù)。其基本結(jié)構(gòu)由非線性變?cè)M成，具有較強(qiáng)的非線性映射能力。而且，網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)量、網(wǎng)絡(luò)學(xué)習(xí)系數(shù)可根據(jù)具體情況進(jìn)行設(shè)置，靈活性大。輸入變量的選擇是一個(gè)建模決策，可以大大影響網(wǎng)絡(luò)性能。本文的變量選擇思路如下:波動(dòng)率有聚集現(xiàn)象，可以證明波動(dòng)存在自相關(guān)，所以歷史波動(dòng)率可以作為輸入變量來(lái)預(yù)測(cè)t+1的波動(dòng)率。Boller-slev(2011)從幾個(gè)宏觀金融變量(市場(chǎng)波動(dòng)率本身和市場(chǎng)的市盈率等)中發(fā)現(xiàn)了波動(dòng)率風(fēng)險(xiǎn)溢價(jià)的顯著影響。因此，市盈率將被用作預(yù)測(cè)t+1波動(dòng)率的輸入變量。Fama和French(1988)發(fā)現(xiàn)，股票價(jià)格的一個(gè)緩慢的均值回歸的趨勢(shì)往往會(huì)導(dǎo)致回報(bào)的負(fù)相關(guān)性。Darrat和Zhong(2003)根據(jù)順序信息得到假設(shè)，發(fā)現(xiàn)了道瓊斯指數(shù)中的股票交易量和波動(dòng)率之間存在顯著的關(guān)系?；谏鲜鲈颍?005年至2015年標(biāo)普500指數(shù)的歷史波動(dòng)率(滯后項(xiàng))、市盈率、30日均價(jià)、交易量和一些基本信息(包括日收益率和收盤價(jià))被選擇作為輸入變量。從這些數(shù)據(jù)中學(xué)習(xí)訓(xùn)練之后，BP神經(jīng)網(wǎng)絡(luò)將用于預(yù)測(cè)2016年標(biāo)普500指數(shù)的波動(dòng)率。我們使用MATLAB來(lái)建立這個(gè)BP神經(jīng)網(wǎng)絡(luò)。將2736個(gè)樣本隨機(jī)分為3組:有70%的樣本用于訓(xùn)練網(wǎng)絡(luò)。這些樣本在訓(xùn)練期間提交給網(wǎng)絡(luò)。然后根據(jù)誤差對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整以優(yōu)化自身。有15%的樣本用于驗(yàn)證并停止訓(xùn)練。有15%的樣本用于測(cè)試，提供了訓(xùn)練期間和訓(xùn)練后的網(wǎng)絡(luò)性能的獨(dú)立測(cè)量。這種方法被稱為交叉驗(yàn)證，這是一種模型驗(yàn)證技術(shù)，用于評(píng)估統(tǒng)計(jì)分析結(jié)果和模型的過(guò)擬合程度。對(duì)于網(wǎng)絡(luò)的層數(shù)，很多學(xué)者做了理論研究。Lippmann(1987)提出具有兩個(gè)隱層的神經(jīng)網(wǎng)絡(luò)可以解決任何形式的分類問(wèn)題。之后，Hetcht－Nielsen(1989)從理論上證明，任何閉區(qū)間的連續(xù)函數(shù)都可以用一個(gè)帶有隱含層的BP網(wǎng)絡(luò)來(lái)逼近。該理論可以作為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的基本原則。實(shí)際上，增加層數(shù)的目的是找到輸入、輸出變量之間的關(guān)系，以減少誤差，提高學(xué)習(xí)的準(zhǔn)確性;另外，層數(shù)增加使得網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，從而增加了網(wǎng)絡(luò)訓(xùn)練時(shí)間。因此，通常的做法是通過(guò)設(shè)置隱藏的神經(jīng)元的數(shù)量來(lái)調(diào)整誤差。隱藏層神經(jīng)元的數(shù)量對(duì)解決問(wèn)題有很大的影響。有些書籍和文章提供了選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的“經(jīng)驗(yàn)法則”。例如，Blum(1992)提供的經(jīng)驗(yàn)法則是隱藏層的大小應(yīng)該在輸入層和輸出層之間。Berry和Linoff(1997)給出的另一個(gè)經(jīng)驗(yàn)法則是，它不能超過(guò)輸入層的兩倍。王小川等人(2013)提出了以下公式來(lái)幫助選擇隱藏神經(jīng)元的數(shù)量:Nhid＜Nin－1Nhid＜Nin+N槡out+a(0＜a＜10)Nhid=log2Nin我們測(cè)試了具有不同數(shù)目隱藏層的神經(jīng)網(wǎng)絡(luò)，從3到10。樣本內(nèi)的測(cè)試結(jié)果表明，有4個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)具有最好的結(jié)果。而通過(guò)對(duì)樣本外數(shù)據(jù)即2016年標(biāo)普500指數(shù)波動(dòng)率的驗(yàn)證可以發(fā)現(xiàn)，4神經(jīng)元網(wǎng)絡(luò)在MSE和R評(píng)估標(biāo)準(zhǔn)中優(yōu)于其他模型，這進(jìn)一步證實(shí)了本文的實(shí)驗(yàn)結(jié)果。

2預(yù)測(cè)結(jié)果分析

使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行波動(dòng)率預(yù)測(cè)得到的均方誤差(MSE)為4.291E－5，遠(yuǎn)小于同期數(shù)據(jù)計(jì)算得到的隱含波動(dòng)率和GARCH模型計(jì)算得到的波動(dòng)率的均方誤差。將其與已實(shí)現(xiàn)的波動(dòng)率進(jìn)行比較可以發(fā)現(xiàn)，即使市場(chǎng)出現(xiàn)一些突然的變化或沖擊，神經(jīng)網(wǎng)絡(luò)的波動(dòng)率仍然接近實(shí)現(xiàn)的波動(dòng)率，這表明神經(jīng)網(wǎng)絡(luò)在t+1波動(dòng)率預(yù)測(cè)方面具有優(yōu)越性。但是，這項(xiàng)研究還有一些局限性可以進(jìn)一步改進(jìn)。首先，本研究的波動(dòng)率預(yù)測(cè)是基于每日數(shù)據(jù)來(lái)預(yù)測(cè)t+1的波動(dòng)率。神經(jīng)網(wǎng)絡(luò)模型在不同時(shí)期的波動(dòng)率預(yù)測(cè)中是否存在優(yōu)勢(shì)還有待研究。其次，需要優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入變量。在這項(xiàng)研究中，選擇市盈率、交易量、歷史波動(dòng)率、30天平均價(jià)格，收盤價(jià)格和每日收益率作為輸入變量。事實(shí)上，還有很多其他的與市場(chǎng)波動(dòng)有關(guān)的變量，比如投資者情緒，利率變化等，所以輸入變量的優(yōu)化可以提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力。最后，本研究的對(duì)象是2005年至2016年標(biāo)普500指數(shù)的數(shù)據(jù)，因此，其他市場(chǎng)或其他時(shí)間的波動(dòng)率還有待進(jìn)一步研究。但可以預(yù)見，不同市場(chǎng)的情況會(huì)有很大的不同，甚至根本不同。如果標(biāo)的資產(chǎn)流動(dòng)性差或交易量過(guò)小，神經(jīng)網(wǎng)絡(luò)模型很難獲得足夠的數(shù)據(jù)進(jìn)行訓(xùn)練。它的預(yù)測(cè)能力可能會(huì)被嚴(yán)重降低。

參考文獻(xiàn):

［1］Baba，N.andKozaki，M..Anintelligentforecastingsystemofstockpriceusingneuralnetworks［C］．IEEE:InternationalJointConference，1992，1(6):371－377.

［2］Fama，E.F.andFrench，K.R..Permanentandtemporarycompo-nentsofstockprices［J］．JournalofpoliticalEconomy，1998，96(2):246－273.

［3］王小川，史峰，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析［M］．

作者:李健 單位:格拉斯哥大學(xué)