论文部分内容阅读
我国股市成立已有十几年，逐渐成长为我国最重要的资本市场之一。各方对股票市场的关注使得对股市未来行情的预测成为一个多年的热门研究课题。在学术领域，投资预测的研究方法仍以较为传统的统计理论为主，本文首先简单介绍了时间序列理论的发展情况，并用一个简单的时间序列模型对上证指数做了一个简单预测。而后对新兴起的人工神经网络理论的发展与预测应用作了初步探讨与研究，并将其预测应用效果与时间序列模型预测方法进行了对比，从而对人工神经网络在投资预测上的优缺点得出了一些有价值的结论： 1．人工神经网络可以实现较精确的预测。人工神经网络可以模拟技术分析和基本分析，也可以将技术分析与基本分析相结合，进行综合分析。通过人工神经网络得到的预测结果基本上与较传统的时间序列理论得到的预测结果精度相似。 2．人工神经网络模型在建立过程中，自动化程度相对较高，许多内部过程可以自动完成。因此，人工神经网络可以集成在软件中提供给一般投资者用于预测。 3．人工神经网络的自动性在另外一个角度也会成它的一个弱点。由于它的自动化，使得其内部过程成为一个暗箱，不利于我们分析它的内部影响关系及过程。这也就使我们不易分析它的影响因素的影响过程和影响大小，以及人工神经网络模型的经济意义，也就降低了它对政策措施的指导意义。 4．人工神经网络仍有其不完善的地方，它在模型建立过程和模型检验过程中，检验方法仍不够系统，许多方面也没有统一的标准。如，它在输入变量的选取上，是通过敏感性分析进行逐个试验来筛选的，而没有和像时间序列理论的那样较完善的检验方法；在确定样本分配上也没有系统而权威的标准。 5．人工神经网络建立和检验没有统一的标准也造成它的预测结果具有一定的不稳定性。当具体的样本分配发生变化时，往往预测结果也会发生一定的变化，同时训练的时间和方法也会影响到人工神经网络预测的结果。这是与时间序列预测结果相对稳定的性质是不同的。内容提要 因此，人工神经网络理论还需要进行一步的完善，可以考虑与其它理论相结合的方法来弥补它的不足。如可以使用时间序列中的Granger因果关系检验来帮助进行输入变量的筛选，采用主因子法来减少输入变量，以提高人工神经网络的效率等。