【摘要】 隨著我國市場(chǎng)經(jīng)濟(jì)的高速發(fā)展和證券市場(chǎng)的逐步完善,越來越多的投資者參與到股票市場(chǎng)當(dāng)中,希望通過股票投資來分享經(jīng)濟(jì)增長的成果。但股票市場(chǎng)是一個(gè)復(fù)雜的市場(chǎng),它不僅要受到國內(nèi)經(jīng)濟(jì)、政治、心理各方面的影響,也要受到國際經(jīng)濟(jì)和政治等方面的影響,同時(shí)這些因素之間又以復(fù)雜的形式相互影響著。所以通過對(duì)股票市場(chǎng)的詳盡剖析,建立一個(gè)穩(wěn)定并且相對(duì)準(zhǔn)確的股票預(yù)測(cè)模型,對(duì)廣大投資者,特別是中小投資者具有重要的實(shí)用價(jià)值。對(duì)于成熟資本市場(chǎng)來說,股市的走勢(shì)會(huì)受到宏觀經(jīng)濟(jì)運(yùn)行的影響,而股市也是經(jīng)濟(jì)運(yùn)行情況的“晴雨表”,所以可以通過宏觀經(jīng)濟(jì)指標(biāo)來對(duì)股市的走勢(shì)做出預(yù)測(cè)。但我國股票市場(chǎng)是不是我國經(jīng)濟(jì)的“晴雨表”呢?自從2005年股權(quán)分置改革以后,制約我國股票市場(chǎng)發(fā)展的根本性的制度問題得到了解決,我國股市像脫韁的野馬走上了快速發(fā)展的道路。健全的法律體系逐步建成,立體化的市場(chǎng)結(jié)構(gòu)也逐漸明確,股市逐步向成熟資本市場(chǎng)的方向發(fā)展,股市經(jīng)濟(jì)“晴雨表”的功能也越來越明顯。而且現(xiàn)有的研究成果也表明,我國股市在一定程度上還是反映了我國經(jīng)濟(jì)運(yùn)行的整體狀況,個(gè)別宏觀經(jīng)濟(jì)變量對(duì)股價(jià)變動(dòng)的解釋能力很強(qiáng)。這就奠定了使用宏觀經(jīng)濟(jì)指標(biāo)來預(yù)測(cè)股市價(jià)格走勢(shì)的基礎(chǔ)。在股市價(jià)格預(yù)測(cè)中最主要的方法是以基本分析技術(shù)分析為代表的傳統(tǒng)分析法和以時(shí)間序列為代表的計(jì)量模型法。傳統(tǒng)分析法在實(shí)踐中使用比較多,它對(duì)股市的預(yù)測(cè)主要取決于使用者自己的經(jīng)驗(yàn),不具有客觀性。以時(shí)間序列為代表的股市預(yù)測(cè)方法主要在學(xué)術(shù)研究中使用,這些方法往往對(duì)樣本要求比較高,而且在處理非線性問題時(shí)時(shí)間序列模型就顯得力不從心。在這樣的背景之下,近年來快速發(fā)展的人工智能方法得到了金融研究者的關(guān)注。人工智能方法就是模仿人腦學(xué)習(xí)知識(shí)的原理來讓計(jì)算機(jī)自動(dòng)的學(xué)習(xí)客觀事物存在的內(nèi)部規(guī)律。人工智能由于其較強(qiáng)的學(xué)習(xí)能力已經(jīng)在多個(gè)領(lǐng)域得到廣泛的應(yīng)用,包括分類問題、模式識(shí)別和信號(hào)處理等。在金融領(lǐng)域,由于人工智能方法具有較強(qiáng)的非線性擬合能力,所以也得到了廣泛的應(yīng)用。利用人工智能方法預(yù)測(cè)股市就是給出與股票價(jià)格相關(guān)的變量,然后通過人工智能的方法自動(dòng)的發(fā)現(xiàn)變量與股票價(jià)格之間的關(guān)系,從而利用這種關(guān)系來預(yù)測(cè)股票價(jià)格的變動(dòng)。在人工智能方法中最常用的就是神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)方法。神經(jīng)網(wǎng)絡(luò)方法種類較多,在眾多方法中由于BP神經(jīng)網(wǎng)絡(luò)即誤差反向傳播網(wǎng)絡(luò)具有優(yōu)良的網(wǎng)絡(luò)性能所以得到了廣泛的應(yīng)用。在以往利用宏觀經(jīng)濟(jì)指標(biāo)預(yù)測(cè)股市價(jià)格走勢(shì)的研究中大部分的學(xué)者主要使用計(jì)量模型的方法,很少有人使用人工智能方法。而使用人工智能方法預(yù)測(cè)股市時(shí)的學(xué)者們又很少使用宏觀變量,大多都是使用股市技術(shù)指標(biāo)來對(duì)股市短期走勢(shì)做出預(yù)測(cè),很少有學(xué)者利用宏觀經(jīng)濟(jì)變量結(jié)合人工智能方法對(duì)股市的中長期走勢(shì)做出預(yù)測(cè)。在這樣的背景下,本文以上證指數(shù)作為我國股票市場(chǎng)的代表,利用宏觀經(jīng)濟(jì)指標(biāo),使用人工智能方法對(duì)上證指數(shù)的走勢(shì)做出預(yù)測(cè)。上證指數(shù)樣本主要選取2005年股權(quán)分置改革以后的數(shù)據(jù)。宏觀經(jīng)濟(jì)變量主要選取2005年以后的月度數(shù)據(jù)。在人工智能方法中本文主要使用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種方法。在神經(jīng)網(wǎng)絡(luò)方法中,BP神經(jīng)網(wǎng)絡(luò)由于具有良好的擬合能力和容錯(cuò)能力成為使用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,但是BP神經(jīng)網(wǎng)絡(luò)模型又有自己的局限性,本文在前人提出的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)之上提出了使用貝葉斯正則算法和提前停止算法相結(jié)合的方法來改進(jìn)標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)。在提出改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型之后,本文分別使用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法對(duì)上證指數(shù)做出預(yù)測(cè),并對(duì)兩種方法的預(yù)測(cè)結(jié)果做出比較。文章具體安排如下：第一章為前言部分,主要介紹文章研究的背景、意義以及研究思路和方法。第二章為宏觀經(jīng)濟(jì)與股市預(yù)測(cè)部分,該部分主要包括以下幾個(gè)方面內(nèi)容,首先是宏觀經(jīng)濟(jì)指標(biāo)介紹,該部分介紹了反映宏觀經(jīng)運(yùn)行情況的幾個(gè)重要宏觀經(jīng)濟(jì)指標(biāo),這幾個(gè)宏觀經(jīng)濟(jì)指標(biāo)同時(shí)也是后文實(shí)證過程中將會(huì)用的變量。隨后介紹了目前在股市預(yù)測(cè)中主要使用的三種方法：傳統(tǒng)法、時(shí)間序列法和人工智能法。第一種方法在實(shí)際操作中使用比較廣泛,而后兩種方法在理論研究方面使用比較多。最后介紹了宏觀經(jīng)濟(jì)與股市的關(guān)系以及兩者關(guān)系的國內(nèi)外研究狀況。第三章為神經(jīng)網(wǎng)絡(luò)部分,該部分從神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀入手,先后依次介紹了神經(jīng)網(wǎng)絡(luò)的相關(guān)理論,特點(diǎn)及其分類,之后著重介紹了本文研究的BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法以及特點(diǎn),然后根據(jù)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特點(diǎn),對(duì)目前針對(duì)其性能的改進(jìn)方法做介紹,這些方法主要解決了標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢,精度不高的問題。之后在前人的基礎(chǔ)之上提出本文改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的算法,即使用貝葉斯正則算法和提前停止算法相結(jié)合改進(jìn)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。第四章為支持向量機(jī)部分,該部分從支持向量機(jī)的國內(nèi)外研究現(xiàn)狀出發(fā),主要介紹了支持向量機(jī)的相關(guān)理論,通過統(tǒng)計(jì)學(xué)習(xí)理論與傳統(tǒng)機(jī)器學(xué)習(xí)理論的對(duì)比,說明統(tǒng)計(jì)學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化很好的解決了傳統(tǒng)機(jī)器學(xué)習(xí)中經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的缺陷,進(jìn)而介紹了建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上的支持向量機(jī)理論,并對(duì)核函數(shù)做簡(jiǎn)要介紹。第五章為實(shí)證部分,在前述理論的基礎(chǔ)之上,本章分別利用貝葉斯正則算法和提前停止算法相結(jié)合的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)上證指數(shù)的月度收盤價(jià)進(jìn)行預(yù)測(cè),并對(duì)預(yù)測(cè)結(jié)果做評(píng)價(jià)。通過對(duì)上證指數(shù)預(yù)測(cè)的實(shí)證研究,本文得出以下幾個(gè)結(jié)論：第一、利用宏觀經(jīng)濟(jì)指標(biāo)并結(jié)合人工智能方法對(duì)上證指數(shù)的中長期走勢(shì)做預(yù)測(cè)是具有可行性的,在實(shí)證研究中兩種人工智能方法都得到了比較理想的預(yù)測(cè)效果。第二、確定BP神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元個(gè)數(shù)是網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)中的重點(diǎn),本文采用如下的確定方法,限制隱藏神經(jīng)元最小最大個(gè)數(shù),然后利用窮舉法遍歷最小最大個(gè)數(shù)之間的所有情況,將其作為隱藏神經(jīng)元個(gè)數(shù),然后選擇誤差輸出最小的網(wǎng)絡(luò)作為本文的BP神經(jīng)網(wǎng)絡(luò)模型；第三、本文通過對(duì)使用貝葉斯正則算法的BP神經(jīng)網(wǎng)絡(luò)的研究,發(fā)現(xiàn)貝葉斯正則算法雖然可以提高網(wǎng)絡(luò)的泛化能力,但是根據(jù)實(shí)證研究發(fā)現(xiàn),網(wǎng)絡(luò)過多的訓(xùn)練次數(shù)可能導(dǎo)致使用貝葉斯正則算法的BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)過擬合的現(xiàn)象,最終導(dǎo)致網(wǎng)絡(luò)的泛化能力下降；第四、經(jīng)過實(shí)證研究發(fā)現(xiàn),使用貝葉斯正則算法和提前停止算法相結(jié)合的BP神經(jīng)網(wǎng)絡(luò)可以有效的防止單獨(dú)使用貝葉斯正則算法出現(xiàn)的過擬合現(xiàn)象,從而提高了網(wǎng)絡(luò)的泛化能力。在使用提前停止算法中過早的根據(jù)驗(yàn)證樣本輸出誤差提前停止網(wǎng)絡(luò)的訓(xùn)練可能會(huì)造成網(wǎng)絡(luò)訓(xùn)練不充足造成網(wǎng)絡(luò)精度不夠,本文實(shí)證研究發(fā)現(xiàn)在驗(yàn)證樣本集誤差連續(xù)上升6次的時(shí)候提前停止網(wǎng)絡(luò)訓(xùn)練,網(wǎng)絡(luò)可以達(dá)到比較理想的效果；第五、通過改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)對(duì)上證指數(shù)收盤價(jià)預(yù)測(cè)效果比較可知,支持向量機(jī)的預(yù)測(cè)效果要好于BP神經(jīng)網(wǎng)絡(luò)。支持向量機(jī)預(yù)測(cè)有堅(jiān)實(shí)的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ),所以網(wǎng)絡(luò)預(yù)測(cè)效果比較好,表現(xiàn)比較穩(wěn)定。相對(duì)支持向量機(jī),BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性不是很高,在選定網(wǎng)絡(luò)結(jié)構(gòu)后網(wǎng)絡(luò)需要通過反復(fù)的訓(xùn)練才可能達(dá)到比較理想的效果。本文可能的創(chuàng)新點(diǎn)：第一、通過實(shí)證證明使用貝葉斯正則算法的BP神經(jīng)網(wǎng)絡(luò)在充分訓(xùn)練的狀況下可能造成網(wǎng)絡(luò)過擬合,造成網(wǎng)絡(luò)泛化能力下降；第二、提出了貝葉斯正則算法與提前停止算法相結(jié)合的方法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)；第三、在使用提前停止算法時(shí),提出當(dāng)驗(yàn)證樣本誤差連續(xù)上升6次時(shí)停止對(duì)網(wǎng)絡(luò)的訓(xùn)練,此時(shí)得到的網(wǎng)絡(luò)性能比較好；第四、設(shè)計(jì)良好的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差精度可以接近使用支持向量機(jī)模型的誤差精度。雖然本文在利用宏觀經(jīng)濟(jì)指標(biāo)結(jié)合人工智能方法預(yù)測(cè)上證指數(shù)的問題上做出了嘗試性研究,但鑒于目前人工智能方法還是一個(gè)比較新的學(xué)科,其在金融預(yù)測(cè)領(lǐng)域的應(yīng)用也處在探索階段,并且本人的理論功底還不夠扎實(shí),知識(shí)結(jié)構(gòu)還不夠全面,所以在問題的研究中肯定會(huì)存在諸多不足之處,敬請(qǐng)各位專家學(xué)者批評(píng)指正,本人必定在以后的工作和學(xué)習(xí)中努力學(xué)習(xí)、積極探索。謝謝各位評(píng)審老師和答辯老師! 

1前言

在眾多的人工智能方法中神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)是研究最多應(yīng)用最廣泛兩種方法。其中神經(jīng)網(wǎng)絡(luò)方法中有多種模型，其中誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）是應(yīng)用最為廣泛的一種模型。所以本文選取誤差反向傳播神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)上證指數(shù)做出預(yù)測(cè)。在使用BP模型過程中很容易造成過擬合問題，如何提高模型的泛化能力一直是人們研究BP模型的重點(diǎn)。本文在一般BP模型的基礎(chǔ)上提出使用貝葉斯正則算法和提前停止算法相結(jié)合的改進(jìn)BP模型，從而很好的提高了模型的泛化能力，防止了過擬合現(xiàn)象的出現(xiàn)，使得模型預(yù)測(cè)達(dá)到了預(yù)期的效果。在以往使用人工智能方法預(yù)測(cè)股票的模型中人們研究的重點(diǎn)主要集中在使用股票的價(jià)格、成交量和各種技術(shù)指標(biāo)對(duì)股票短期價(jià)格走勢(shì)做出預(yù)測(cè)，很少有人對(duì)中長期走勢(shì)的預(yù)測(cè)做過研究。因此本文提出從宏觀經(jīng)濟(jì)指標(biāo)的角度出發(fā)對(duì)上證指數(shù)中期的走勢(shì)進(jìn)行預(yù)測(cè)。隨著我國證券市場(chǎng)的逐步發(fā)展和完善，逐漸走向成熟的資本市場(chǎng)，證券市場(chǎng)的“晴雨表”功能也日趨完善，能對(duì)股市中長期走勢(shì)做出預(yù)測(cè)，不僅可以對(duì)股票投資形成一定的參考，而且對(duì)國家宏觀經(jīng)濟(jì)調(diào)控提供一種參考，具有重要的理論和現(xiàn)實(shí)意義。而且隨著我國金融投資品種的豐富，金融衍生品的發(fā)展，中長期的股票預(yù)測(cè)在衍生品定價(jià)過程中同樣也可以發(fā)揮重要的作用。

2.宏觀經(jīng)濟(jì)與股市預(yù)測(cè)

股票市場(chǎng)通常被人們認(rèn)為是宏觀經(jīng)濟(jì)的“晴雨表”，說明宏觀經(jīng)濟(jì)與股票市場(chǎng)之間存在著一定的聯(lián)系，通過股票市場(chǎng)可以反映宏觀經(jīng)濟(jì)的運(yùn)行好壞，同樣通過宏觀經(jīng)濟(jì)也可以預(yù)測(cè)股票市場(chǎng)的運(yùn)行趨勢(shì)。本章主要介紹反映宏觀經(jīng)濟(jì)運(yùn)行的重要指標(biāo)以及宏觀經(jīng)濟(jì)與股票市場(chǎng)的關(guān)系及研究狀況，并對(duì)股市預(yù)測(cè)的方法做出總結(jié)。

...........

自股票市場(chǎng)誕生以來，股票價(jià)格預(yù)測(cè)就成為了股票市場(chǎng)永恒的話題�？v觀國內(nèi)外的研究狀況，目前股票價(jià)格預(yù)測(cè)的方法主要集中在三個(gè)方面：第一，以基本分析技術(shù)分析為主的傳統(tǒng)預(yù)測(cè)方法；第二，以時(shí)間序列為主的計(jì)量經(jīng)濟(jì)學(xué)方法；第三，以神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)為主的人工智能方法。

...........

3.神經(jīng)網(wǎng)絡(luò)理論.......................10 
3.1研究概述..................10 
3.2神經(jīng)網(wǎng)絡(luò)理論介紹...............12 
3.3 BP神經(jīng)網(wǎng)絡(luò)..............17 
3.4BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法..............22 
3.5本文提出的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法.........27 
4.支持向量機(jī)理論..................28 
4.1研究概述..............28 

4.2支持向量機(jī)核心知識(shí)............29

5.機(jī)器學(xué)習(xí)方法在上證指數(shù)預(yù)測(cè)中的實(shí)證研究

由于機(jī)器學(xué)習(xí)方法具有眾多優(yōu)越性，所以其在股票預(yù)測(cè)的應(yīng)用中得到了廣泛的研究。以往使用機(jī)器學(xué)習(xí)方法對(duì)股票市場(chǎng)的預(yù)測(cè)大部分集中在對(duì)股市的短期預(yù)測(cè)上，很少有對(duì)股票的中長期預(yù)測(cè)做出研究，在預(yù)測(cè)指標(biāo)選取上學(xué)者大部分選取的是一些常用的技術(shù)指標(biāo)，很少有用宏觀經(jīng)濟(jì)指標(biāo)來進(jìn)行預(yù)測(cè)。同時(shí)結(jié)合宏觀經(jīng)濟(jì)指標(biāo)和機(jī)器學(xué)習(xí)方法對(duì)股票市場(chǎng)的進(jìn)行中長期預(yù)測(cè)的研究的學(xué)者就更少了。本章主要基于反映我國經(jīng)濟(jì)運(yùn)行情況的重要宏觀經(jīng)濟(jì)指標(biāo)，使用前文提到的機(jī)器學(xué)習(xí)方法對(duì)上證指數(shù)的月收盤數(shù)據(jù)的預(yù)測(cè)做實(shí)證研究，使用的機(jī)器學(xué)習(xí)方法包括BP神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)方法。

........

6.總結(jié)與展望

自從股權(quán)分置改革以后，我國股票市場(chǎng)逐漸向著法律體系健全化、市場(chǎng)結(jié)構(gòu)立體化的方向發(fā)展，股票市場(chǎng)的走勢(shì)受宏觀經(jīng)濟(jì)的影響越來越大，股票市場(chǎng)“晴雨表”的作用也越來越明顯。同時(shí)隨著人工智能方法在各個(gè)領(lǐng)域的廣泛使用，其在金融領(lǐng)域，特別是股票市場(chǎng)價(jià)格預(yù)測(cè)中優(yōu)勢(shì)也凸顯出來。在這樣的背景之下，本文通過使用人工智能的方法結(jié)合宏觀經(jīng)濟(jì)指標(biāo)來對(duì)上證指數(shù)的月度收盤價(jià)走勢(shì)做出預(yù)測(cè)，探討宏觀經(jīng)濟(jì)指標(biāo)在上證指數(shù)預(yù)測(cè)中的作用。在人工智能方法中，主要研究了 BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩種方法。對(duì)于BP神經(jīng)網(wǎng)絡(luò)，本文針對(duì)傳統(tǒng)BP神經(jīng)的缺陷提出使用貝葉斯正則算法與提前停止算法相結(jié)合的方法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的性能。在實(shí)證過程當(dāng)中本文使用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)建立模型對(duì)上證指數(shù)做出預(yù)測(cè)，并得到了比較理想的效果。之后比較了兩個(gè)模型預(yù)測(cè)效果，并對(duì)兩個(gè)模型做出評(píng)價(jià)。

• [1] 周易.  基于支持向量機(jī)的上證指數(shù)開盤指數(shù)預(yù)測(cè)[J]. 軟件. 2011(05)
• [2] 崔杰,覃富勇,廖佚.  我國股票市場(chǎng)與宏觀經(jīng)濟(jì)關(guān)系的實(shí)證分析[J]. 統(tǒng)計(jì)與決策. 2011(08)
• [3] 王磊,王強(qiáng).  基于人工神經(jīng)網(wǎng)絡(luò)的股票高低點(diǎn)周期預(yù)測(cè)模型[J]. 計(jì)算技術(shù)與自動(dòng)化. 2009(04)
• [4] 艾永冠,朱衛(wèi)東,閆冬.  基于PSO-BP神經(jīng)網(wǎng)絡(luò)的股市預(yù)測(cè)模型[J]. 計(jì)算機(jī)應(yīng)用. 2008(S2)
• [5] 岳意定,劉佳.  我國股票市場(chǎng)對(duì)經(jīng)濟(jì)增長影響的實(shí)證研究[J]. 金融經(jīng)濟(jì). 2008(22)
• [6] 葉德謙,馬志強(qiáng),李幗,姜皇普.  基于模糊神經(jīng)網(wǎng)絡(luò)的粗糙集在股市預(yù)測(cè)中的應(yīng)用[J]. 計(jì)算機(jī)科學(xué). 2008(04)
• [7] 尚鵬岳,李勝宏.  上證指數(shù)與宏觀經(jīng)濟(jì)指標(biāo)協(xié)整關(guān)系的實(shí)證分析[J]. 預(yù)測(cè). 2002(04)
• [8] 孫延風(fēng),梁艷春,孟慶福.  改進(jìn)的神經(jīng)網(wǎng)絡(luò)最近鄰聚類學(xué)習(xí)算法及其應(yīng)用[J]. 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2002(01)