论文部分内容阅读
在经济全球化、金融一体化的进程中,金融市场出现了很多异常现象,这些现象是以有效市场假说为基础的传统金融理论难以解释的,进而涌现出行为金融学、分形市场假说等新的理论,金融市场不再是有效市场理论下的理想状态,众多研究表明金融市场具有可预测性。金融市场作为一个高度复杂的系统,股票市场是其中的重要组成部分,也是经济运行状况的“晴雨表”。股票市场作为实体企业融资的渠道,也是众多投资者自身资源配置的主要渠道之一。股票指数时间序列是股票市场复杂内在特征的综合外在表现,为投资者制定投资策略提供了重要参考,因此对股指序列的预测不仅有利于更好的监测和管理与股票市场高度关联的金融市场,还能为投资者的投资决策提供有效指导。股指时间序列本身大多数是非线性的或者说是一个包含有非线性关系的复杂系统,并且股票市场的演化日益复杂,传统的股指预测模型也逐渐演变成只具备理论意义而难以有效地应用于实际市场分析的工具。在快速发展的人工智能时代,基于深度学习的神经网络,为研究存在多方博弈的极度复杂的股票市场提供了思路。因此,本文构建了经验模态分析(EMD)、主成分分析(PCA)、深度神经网络(DNN)组合的深度神经网络组合模型(EMD-PCA-DNN)对股票指数时间序列进行预测,重点探究了模型在股指收盘价、收益率时间序列预测中的可行性以及精度水平。本文在深入分析股指时间序列特征、总结已有问题、比较分析多种预测方法的基础上,构建ARIMA模型、BP神经网络(BPNN)模型、深度神经网络(DNN)模型对股指时间序列预测进行了综合对比,结果表明非线性模型对股指的预测效果比线性模型有一定的优势,深度模型较浅层模型表现出更好的预测性能。另外,考虑对时间序列进行预处理,以达到提高预测精度或者缩短模型训练时间的效果,引入经验模态分析方法(EMD)将时间序列分解为不同尺度的本征模态函数(IMF),再使用主成分分析方法(PCA)对分解后的IMF序列排成的矩阵进行降维,提取出数据中含有股指信息最多的特征;然后将这些特征分别输入到BPNN、DNN中进行组合预测,从而构建了组合模型EMD-PCA-BPNN、EMD-PCA-DNN。对比单一模型,组合模型的命中率有明显的提高,说明EMD、PCA方法对数据的特征提取能明显改善模型的性能。最后,选取了沪深300指数日收盘价、沪深300指数五日收益率、标普500指数收盘价时间序列数据进行了实证研究。相比其他模型,深度神经网络组合模型对三者的预测命中率最高分别为78.05%、78.55%、78.57%。其中,沪深300日收盘价、五日收益率属于股指时间数据的不同输入模式,说明深度神经网络组合模型具有较好的适应性。沪深300指数日收盘价、标普500指数收盘价属于不同市场股指时间序列,对于中美不同的股市特点,深度神经网络组合模型同样有很好的预测效果,展现了较强的鲁棒性。