基于神經網絡的國際期貨市場價格隨機變異優(yōu)化規(guī)律研究
發(fā)布時間：2014-09-04 20:30
第一章引言
1.1期貨市場簡述
機構投資者握有龐大的資金，需要在股市中長期生存，因此風險管理是其日常運營的首要任務。通過分散的投資組合，可以消除股票價格波動的非系統(tǒng)性風險，但是無法消除系統(tǒng)性風險。伴隨著股票市場風險管理需求的不斷增長和技術手段的成熟，美國堪薩斯期貨交易所(Kansas City Board of Trade,KCBT)于1982年2月推出全球最早旳股指期貨合約——價值線指數合約。股指期貨出現(xiàn)的初期，由于其獨特的做空機制，曾一度被認為是股市暴跌的原因之一，市場對其的態(tài)度較為謹慎。進入九十年代后，投資者行為更加理智，股指期貨的爭議也逐漸消除，全球各主要金融市場相繼推出各自的股指期貨合約，股指期貨進入了高速發(fā)展的時期，其中較為著名的有美國標準普爾500指數合約、英國金融時報100指數合約、日本日經225指數合約和香港恒生指數期貨合約等。如今股指期貨已發(fā)展成為最活躍的期貨品種，股指期貨交易也被譽為“最激動人心的金融創(chuàng)新” 。
1.2期貨價格分析方法
基本面分析法是通過分析期貨合約標的商品的供求情況和影響其價格的其他因素來預測期貨價格變化趨勢的方法，其中供求分析是基本面分析的核心。一般來說期貨的價格是在其所標的商品現(xiàn)貨價格（即商品某個階段的供求關系）的基礎上，綜合考慮各種影響未來供求的因素而形成對市場未來價格的平均預期�，F(xiàn)貨商品可以通過儲存和流通調節(jié)機制對未來供求產生影響，例如現(xiàn)貨市場中如果出現(xiàn)供過于求的情況，那么商品的庫存會影響到未來的供求關系，進而影響期貨的價格，因而期貨價格形成的過程中也受到了來自現(xiàn)貨商品價格的約束。
……………
第二章人工神經網絡
2.1人工神經網絡簡述
人工神經網絡由于其獨特的結構，也表現(xiàn)出與傳統(tǒng)計算方法不同的性質。首先它是一種大規(guī)模并行分布的結構，天然具有容錯性。當一個神經元或者連接出錯時，由于信息是分散存儲于突觸權值間的，網絡只是在質量上被削弱而不會出現(xiàn)災難性的失敗。網絡的這種性質還決定其具有適應環(huán)境變化的能力，因為通常情況下，在不穩(wěn)定的環(huán)境中網絡運行的魯棒性越好，系統(tǒng)的自適應性也就越好。其次人工神經網絡是非線性的。神經元間的連接是線性的，但是神經元可以是非線性的，非線性是分布于整個網絡中的。網絡的非線性使其能夠在輸入輸出信號間建立起非線性關系，因此網絡可以在一些復雜問題的處理中找到很好的近似解。最后人工神經網絡具有泛化的能力，泛化能力是指神經網絡通過歷史數據的學習后，在學習樣本外依然能夠對輸入信號給出合理的輸出。實際上網絡的泛化能力也是其性能的表現(xiàn)，在實際問題中也是以不斷提高網絡的泛化能力為目標。要實現(xiàn)這個目標需要從兩個方面入手：一是提高網絡自身的性能；另一方面是將復雜問題分解為若干簡單的任務，讓網絡完成與其處理能力相符的子任務。
2. 2人工神經網絡的基本結構
神經元是神經網絡的基本單元，單個神經元并不復雜。但是大量的神經元經過一定的方式連接卻可以表現(xiàn)出復雜的特性，并且能夠通過學習來實現(xiàn)特定的功能。本節(jié)介紹網絡的具體結構，包括神經元的基本模型和網絡的連接方式以及網絡的學習規(guī)則。
神經元細胞是構成人腦神經系統(tǒng)的基本單元，其主要結構由細胞核、胞體、樹突、軸突構成，如圖（2.1)所示：
神經原細胞由細胞體和細胞突起構成，細胞突起分為樹突和軸突，樹突的末端可以接受其他神經元的信號，是傳入神經的末梢。每個神經元只有一個軸突，與一個或多個目標神經元連接，軸突可以將信號傳遞給其他神經元或者效應器。兩個神經元聯(lián)系的地方叫做突觸，最普通的一類突觸是化學突觸。這類突觸中的信號是靠遞質傳輸的，因此神經元之間神經沖動的傳導是單方向的，神經沖動由一個神經元的軸突傳導給另一個神經元的細胞體或者樹突。
…………
第二章 AX神經網絡.......... 13
2.1人工神經網絡簡述.......... 13
第三章基于MCA神經網絡的股指期貨價格預浦........... 27
3.1人工神經網絡在金醢市場中應用的相關研究........... 27
第四章結論與展望............37
第三章基于MCA神經網絡的股指期貨價格預測
3.1人工神經網絡在金融市場中應用的相關研究
Matsvba也將神經網絡應用在價格的長期預測中[28]，論證了用神經網絡模擬股價變動的可行性。另外Kimoto等人針對東京證券交易所價格指數（TSEPI)幵發(fā)出一套模塊化的神經網絡系統(tǒng)[29]，用于對指數的回報水平的估計。相關的研究在國內也十分活躍，對于金融市場趨勢的預測顯然是最為關注的問題。吳微等人將歷史價格和成交量的一些關鍵值作為BP網絡的輸入，預測國內綜合股指的漲跌。李宗龍則將廣義回歸網絡用于滬深300高頻數據的預測中。
3. 2價格預測的時間序列模型
本文選取了滬深300股指期貨2012年7月2日至2013年2月6日當月連續(xù)的收盤價共150個交易數據作為預測對象。平均分為三組進行預測，分別對應下跌、振蕩和上升的三種情形。每組數據的前150個收盤價作為訓練樣本，測試網絡的預測效果，圖（3.1)展示了參與訓練和預測的數據。由于時間序列模型和技術分析方法有相同的假設，根據技術分析方法的經驗，基于歷史價格的預測短期效果最好，因此選擇輸入端的數量iVo= 20,并且對輸入數據歸一化，在保證預測精度的條件下降低網絡的復雜度。
...............
第四章結論與展望
將其預測的結果同傳統(tǒng)的BP算法進行比較可以看出這種規(guī)則具有更好的泛化能力。即使在訓練誤差大于BP網絡情況下，也能夠得到更好的預測結果，說明其較好地避免了網絡在有監(jiān)督學習過程中出現(xiàn)的過擬合現(xiàn)象。此外這套方法還為網絡參數的選擇提供了一種科學的確定方法，可以對隱含層每個神經元激活函數的廣值進行具體的調整。而且從網絡的訓練過程中也可以看出其學習方式更加靈活，在將來復雜問題的應用中可以加入多種學習目標作為網絡權值變異后優(yōu)化選擇的標準。不過本文中直接對股指期貨的時間序列進行預測還是一種比較簡單的應用，對于風云變幻的金融市場來說還遠遠不夠。筆者曾從技術分析和神經網絡結合的方式，希望開發(fā)出一套具體交易策略，但是沒有獲得有價值的結果。問題的原因可能在于學習目標的選擇上，直接預測價格成功的可能性并不高，而價格趨勢的定義又非常模糊，無法從歷史的數據中分辨出那些變動是因為外界對市場的影響（這部分顯然是無法預測的）哪些是市場自身的反應。目前網絡的學習是完全基于歷史數據的，其誤差的定義是全樣本的平均并且樣本間沒有時間先后之分，因此無法很好地解析出哪些是網絡應該注意哪些是應該忽略的特征。在未來的工作中可以針對兩個方面進行改進：一個方面是在學習的對象上進行改造，尋找更適合網絡的訓練目標；另一個方面是將設計更加適應問題的網絡，例如引入增強學習的方式，將網絡的學習過程視作是一個隨時間進化的過程。
本文編號：8665
1.1期貨市場簡述
機構投資者握有龐大的資金，需要在股市中長期生存，因此風險管理是其日常運營的首要任務。通過分散的投資組合，可以消除股票價格波動的非系統(tǒng)性風險，但是無法消除系統(tǒng)性風險。伴隨著股票市場風險管理需求的不斷增長和技術手段的成熟，美國堪薩斯期貨交易所(Kansas City Board of Trade,KCBT)于1982年2月推出全球最早旳股指期貨合約——價值線指數合約。股指期貨出現(xiàn)的初期，由于其獨特的做空機制，曾一度被認為是股市暴跌的原因之一，市場對其的態(tài)度較為謹慎。進入九十年代后，投資者行為更加理智，股指期貨的爭議也逐漸消除，全球各主要金融市場相繼推出各自的股指期貨合約，股指期貨進入了高速發(fā)展的時期，其中較為著名的有美國標準普爾500指數合約、英國金融時報100指數合約、日本日經225指數合約和香港恒生指數期貨合約等。如今股指期貨已發(fā)展成為最活躍的期貨品種，股指期貨交易也被譽為“最激動人心的金融創(chuàng)新” 。
1.2期貨價格分析方法
基本面分析法是通過分析期貨合約標的商品的供求情況和影響其價格的其他因素來預測期貨價格變化趨勢的方法，其中供求分析是基本面分析的核心。一般來說期貨的價格是在其所標的商品現(xiàn)貨價格（即商品某個階段的供求關系）的基礎上，綜合考慮各種影響未來供求的因素而形成對市場未來價格的平均預期�，F(xiàn)貨商品可以通過儲存和流通調節(jié)機制對未來供求產生影響，例如現(xiàn)貨市場中如果出現(xiàn)供過于求的情況，那么商品的庫存會影響到未來的供求關系，進而影響期貨的價格，因而期貨價格形成的過程中也受到了來自現(xiàn)貨商品價格的約束。
……………
第二章人工神經網絡
2.1人工神經網絡簡述
人工神經網絡由于其獨特的結構，也表現(xiàn)出與傳統(tǒng)計算方法不同的性質。首先它是一種大規(guī)模并行分布的結構，天然具有容錯性。當一個神經元或者連接出錯時，由于信息是分散存儲于突觸權值間的，網絡只是在質量上被削弱而不會出現(xiàn)災難性的失敗。網絡的這種性質還決定其具有適應環(huán)境變化的能力，因為通常情況下，在不穩(wěn)定的環(huán)境中網絡運行的魯棒性越好，系統(tǒng)的自適應性也就越好。其次人工神經網絡是非線性的。神經元間的連接是線性的，但是神經元可以是非線性的，非線性是分布于整個網絡中的。網絡的非線性使其能夠在輸入輸出信號間建立起非線性關系，因此網絡可以在一些復雜問題的處理中找到很好的近似解。最后人工神經網絡具有泛化的能力，泛化能力是指神經網絡通過歷史數據的學習后，在學習樣本外依然能夠對輸入信號給出合理的輸出。實際上網絡的泛化能力也是其性能的表現(xiàn)，在實際問題中也是以不斷提高網絡的泛化能力為目標。要實現(xiàn)這個目標需要從兩個方面入手：一是提高網絡自身的性能；另一方面是將復雜問題分解為若干簡單的任務，讓網絡完成與其處理能力相符的子任務。
2. 2人工神經網絡的基本結構
神經元是神經網絡的基本單元，單個神經元并不復雜。但是大量的神經元經過一定的方式連接卻可以表現(xiàn)出復雜的特性，并且能夠通過學習來實現(xiàn)特定的功能。本節(jié)介紹網絡的具體結構，包括神經元的基本模型和網絡的連接方式以及網絡的學習規(guī)則。
神經元細胞是構成人腦神經系統(tǒng)的基本單元，其主要結構由細胞核、胞體、樹突、軸突構成，如圖（2.1)所示：
神經原細胞由細胞體和細胞突起構成，細胞突起分為樹突和軸突，樹突的末端可以接受其他神經元的信號，是傳入神經的末梢。每個神經元只有一個軸突，與一個或多個目標神經元連接，軸突可以將信號傳遞給其他神經元或者效應器。兩個神經元聯(lián)系的地方叫做突觸，最普通的一類突觸是化學突觸。這類突觸中的信號是靠遞質傳輸的，因此神經元之間神經沖動的傳導是單方向的，神經沖動由一個神經元的軸突傳導給另一個神經元的細胞體或者樹突。
…………
第二章 AX神經網絡.......... 13
2.1人工神經網絡簡述.......... 13
第三章基于MCA神經網絡的股指期貨價格預浦........... 27
3.1人工神經網絡在金醢市場中應用的相關研究........... 27
第四章結論與展望............37
第三章基于MCA神經網絡的股指期貨價格預測
3.1人工神經網絡在金融市場中應用的相關研究
Matsvba也將神經網絡應用在價格的長期預測中[28]，論證了用神經網絡模擬股價變動的可行性。另外Kimoto等人針對東京證券交易所價格指數（TSEPI)幵發(fā)出一套模塊化的神經網絡系統(tǒng)[29]，用于對指數的回報水平的估計。相關的研究在國內也十分活躍，對于金融市場趨勢的預測顯然是最為關注的問題。吳微等人將歷史價格和成交量的一些關鍵值作為BP網絡的輸入，預測國內綜合股指的漲跌。李宗龍則將廣義回歸網絡用于滬深300高頻數據的預測中。
3. 2價格預測的時間序列模型
本文選取了滬深300股指期貨2012年7月2日至2013年2月6日當月連續(xù)的收盤價共150個交易數據作為預測對象。平均分為三組進行預測，分別對應下跌、振蕩和上升的三種情形。每組數據的前150個收盤價作為訓練樣本，測試網絡的預測效果，圖（3.1)展示了參與訓練和預測的數據。由于時間序列模型和技術分析方法有相同的假設，根據技術分析方法的經驗，基于歷史價格的預測短期效果最好，因此選擇輸入端的數量iVo= 20,并且對輸入數據歸一化，在保證預測精度的條件下降低網絡的復雜度。
...............
第四章結論與展望
將其預測的結果同傳統(tǒng)的BP算法進行比較可以看出這種規(guī)則具有更好的泛化能力。即使在訓練誤差大于BP網絡情況下，也能夠得到更好的預測結果，說明其較好地避免了網絡在有監(jiān)督學習過程中出現(xiàn)的過擬合現(xiàn)象。此外這套方法還為網絡參數的選擇提供了一種科學的確定方法，可以對隱含層每個神經元激活函數的廣值進行具體的調整。而且從網絡的訓練過程中也可以看出其學習方式更加靈活，在將來復雜問題的應用中可以加入多種學習目標作為網絡權值變異后優(yōu)化選擇的標準。不過本文中直接對股指期貨的時間序列進行預測還是一種比較簡單的應用，對于風云變幻的金融市場來說還遠遠不夠。筆者曾從技術分析和神經網絡結合的方式，希望開發(fā)出一套具體交易策略，但是沒有獲得有價值的結果。問題的原因可能在于學習目標的選擇上，直接預測價格成功的可能性并不高，而價格趨勢的定義又非常模糊，無法從歷史的數據中分辨出那些變動是因為外界對市場的影響（這部分顯然是無法預測的）哪些是市場自身的反應。目前網絡的學習是完全基于歷史數據的，其誤差的定義是全樣本的平均并且樣本間沒有時間先后之分，因此無法很好地解析出哪些是網絡應該注意哪些是應該忽略的特征。在未來的工作中可以針對兩個方面進行改進：一個方面是在學習的對象上進行改造，尋找更適合網絡的訓練目標；另一個方面是將設計更加適應問題的網絡，例如引入增強學習的方式，將網絡的學習過程視作是一個隨時間進化的過程。
.............
參考文獻（略）
本文編號：8665
本文鏈接：http://sikaile.net/jingjilunwen/shijiejingjilunwen/8665.html
最近更新
教材專著
