神经网络方法在证券市场预测中的应用研究

杨　楠

(武汉大学经济管理学院，湖北　武汉　430072)



神经网络方法在证券市场预测中的应用研究

杨楠

(武汉大学经济管理学院，湖北武汉430072)

证券市场对国民经济产生重要的影响，其预测程度影响着对市场走向的判断。神经网络是对非线性模型进行分析的重要手段，近些年逐渐兴起的经济研究方法。本文首先对神经网络的定义和特点进行解读；然后分析了金融证券市场研究的现状；接着从BP网络、模糊神经网络、组合神经网络三个方面探究了神经网络在证券市场预测中的应用；最后客观地对全文进行总结，具有一定指导意义。

神经网络；证券市场；预测；应用

证券市场作为市场经济的重要组成部分，在一定程度上反应了一个国家的整体经济走势，所以证券市场预测是近年来各国经济发展研究的重要领域。随着全球经济一体化的不断发展，世界各国愈发重视证券市场发挥的作用，而且证券系统的固有规律始终以某种特殊姿态影响并改变着人们的生活。在证券体系的建立过程中，价格预测始终是影响证券市场发展的重要因素，但由于证券系统本身就是一个高度复杂和不易确定的线性系统，因此在对证券市场进行价格预测时经常受不定因素影响，如非流通股可流通的扩容压力、IPO新老划断和经济增速下降是否导致企业盈利下降等。神经网络具有极强的非线性逼近能力和良好的低层次学习能力，在证券系统研究中能够有效地利用证券市场的固有规律对结果进行预测，因此有必要探究神经网络方法在证券市场预测中的重要作用。

一、对神经网络的定义和特点进行解读

(一)神经网络的定义

神经网络，也称人工神经网络，是指由大量连接的简单的神经元构成的并行分布式处理器网络。同人脑一样，神经网络在一定程度上也具有储存、运算和使用的功能，或者说神经网络就是具有抽象性的人脑。神经网络模型是生物学家根据生物之间的生理反应研究出的一套具有智能信息处理技术的模型，主要功能是利用自身的运算法则从外界接受信息，通过各神经元的传递和运算获取所需要的计算目标的程序系统。

(二)神经网络的特点

1.较强的适应性

适应性是神经网络具有的基础特点，面对随时可能变化的环境如何正确处理外部信息是神经网络系统面临的重点挑战，所以神经网络在设计时就具备了能够改变自身突触权值以适应外部环境变化的能力。在运算过程中遇到因环境等原因产生变化的数值时，只要事先将网络的连接权值设置成随时间变化就可保证神经网络系统的正常运行。

2.泛化能力

神经网络之所以能够较准确对证券市场进行预测，就是因为神经网络在计算时具有一定的泛化能力。所谓泛化能力是指神经网络能够对不在集中训练的数据进行合理的统计保证数据的准确性，在处理数据时，通常要事先确定数据可能出现的结果以便能够准确应对因外部因素导致的数据错误。

3.输入输出映射

机器学习算法是指在运算过程中使用代表号的训练样本对神经网络的联接权进行修改，并且在输入过程中要保证每个样本由唯一的输入信号和期望所组成，这样才能保证在整个运算过程中样本的唯一性。稳定状态是保证样本状态趋于平衡的重要标志，具体过程可表示如下：在样本数据库中随机选取一个样本方案传递给网络，然后再由网络调整它的联接权值直到网络达到没有显著的突触权值修正状态为止，这是输入输出映射获取稳定状态的关键标志。

二、证券市场及预测研究的现状

(一)金融证券市场的现状

金融学是研究经济动态与走向的重要社会学科，在经济全球化、复杂化、多变化的今天，金融学发挥着越来越重要的角色。国内外的经济学家都希望通过对金融下证券市场的研究，发现其潜在的、深层次的价值规律，从而有效的对未来市场经济进行有效的科学的预测。然而，各国的经济学家虽然对此进行了深入的研究，如建立动态模型、数学模式、运用数据统计学和信息学等，但仍未取得突破性进展，在对市场经济走向的预测方面存在诸多的不足。由于市场经济的诸多影响因素，导致市场经济具有不确定性、不稳定性，而传统证券市场对其研究主要采用的是线性统计学方法，不能达到全方面的预测分析，因此很多线性理论性预测与实际不符。近些年，很多经济学家和学者发现采用非线性统计学方法对金融证券市场对其进行分析可以有效地预测。神经网络是非线性统计学方法产生的一个重要的分支，目前正成为一种新的趋势。

(二)证券市场预测研究的现状 根据上面所述，我们能够发现传统金融证券市场所采用的线性预测理论存在很大的缺陷，而非线性理论正在成为一种新的取代方式。证券市场存在诸多影响因素，其中一小部分理论数据的变化可以带来巨大的影响和后果。如何评定这些影响和结果，需要研究者们不断地探索，发现。在对证券市场预测研究中，一部分人认为可以进行有效地预测，认为证券市场经济具有规律性可言，而有一部分人认为市场经济瞬息万变，没有预测性。而根据近些年预测人士对其结果的预测取得了很多可观的成绩，因此也获得了经济学界的认可。但证券市场的预测仍存在很多不足，有些预测只是短期的、有限的。认为证券市场具有可预测性有两种观点，一种是技术派，另一种是规律派。技术派人士认为可以利用发生过的历史规律，从中找到相应的指标和数据，从而应用到目前的经济市场预测中。技术派的局限性是依靠经验，而没有相应的科学依据。规律派人士不像技术派完全依靠经验，他们根据以往数据建立相应的数据模型、经济模型，其预测结果具有较强的科学性，而其局限是技术方法。目前，非线性研究方法越来越得到可预测派人士的重用和研究，其中神经网络非线性模型已逐渐被应用，下面主要探究神经网络在证券市场预测应用进行研究。

三、神经网络应用于证券市场预测的实证研究

根据上述的介绍，我们了解到神经网络模型是生物学家根据生物之间的生理反应研究出的一套具有智能信息处理技术的模型，具有较强的适应性、泛化能力以及输入输出映射特点，导致神经网络广泛应用到证券市场预测当中，其中证券市场智能实时监察原型系统是最典型的应用，可以有效的避免证券市场存在的不规范、不合理的交易，起到规范证券市场的重要作用。下面，主要介绍三种神经网络模型，分别是BP网络、模糊网络和组合神经网络，通过三种模型的介绍了解神经网络如何应用到证券市场的预测。

(一)BP网络

BP网络是一种单向传播的多层向前网络。随着网络技术的不断探索与发展，BP网络作为一种金融证券市场预测的重要网络技术逐渐被众多国家认可和接受，BP网络主要利用最小二乘算法使网络的实际输出与期望输出的均方差最小，从而得到准确的输出数据。BP作为一种特殊的网络结构，通常是3层以上的神经网络，主要包括输入层、输出层和隐层。为实现输入到输出的任意非线性映射，通常神经元采用的是S函数，这样只要将输出量控制在0到1之间，就可以使输入到输出的任意非线性映射。BP网络用于股指预测，可以较好地模拟股市的近期走向，取得较好地效果，然而将BP用于滚动预测效果不理想。这是由于BP网络是一种单向传播模型，随着时间的增加，预测的不准确性就会随之增加，误差也会随之放大，从而导致BP网络对于股市的长期预测产生局限。

(二)模糊神经网络

证券市场受到外界的各种影响，因此是一个多变量、多参数、非线性的复杂系统，仅仅依靠线性、简单数据模型只能得到简单化的表面结果，无法对其经济规律进行深入的剖析与探测。模糊神经网络基于复杂多变的环境，采用模糊集理论来模仿人类思维，并且与计算机相结合，旨在解决复杂、非线性的经济问题。计算机系统采用的是软计算，与硬计算不同，软计算采用的是模糊逻辑、神经网络和概率推算，这种计算虽然比不上硬软件的精确、准确，但却能综合考虑各种因素，得出与人类思维模式相仿的合理推测。模糊逻辑与神经网络的结合，可以互相促进、相互发展。模糊神经网络解决了BP网络存在的缺陷，达到多层次、全方面的分析，其突出亮点是解决了数据模型的单一处理，达到了模拟人脑的高层次。

(三)组合神经网络

组合神经网络是由两种神经网络构成，一个是用于样本学习和预测的主神经网络，另一个是调整预测值误差的辅神经网络。主神经网络与辅神经网络的结合可以有效的解决BP网络的误差局限性，用于股市的精确预测。这种组合方法，可以消除主神经网络样本不足或者学习不充分而导致的误差，在主神经网络对信号趋势进行预测的同时，加以辅神经网络对其进行校正，从而避免主神经网络的过度拟合，提高预测的精确性。虽然组合神经网络可以减少误差，较单一BP网络更为精准，但其仍有缺陷，主要不足是组合神经网络花费时间和金钱较单一BP高，因此这种预测精准度的提升实际上是有一定的代价的。

四、结束语

证券市场反应了一个国家的整体经济走势，证券市场预测是近年来各国经济发展发展研究的重要领域。传统预测方法简单，采用的是线性预测，但预测缺乏精准性。神经网络，也称人工神经网络，是指由大量连接的简单的神经元构成的并行分布式处理器网络，具有较强的适应性、泛化能力、输入输出映射的特点，近些年得到国内外经济学家和证券市场的大力推荐和重视。由于证券市场及预测研究的现状并不乐观，各国的经济学家虽然对此进行了深入的研究，如建立动态模型、数学模式、运用数据统计学和信息学等，但仍未取得突破性进展。神经网络应用于证券市场预测的实证研究可以有效的解决预测不准问题，本文主要介绍三种神经网络模型，分别是BP网络、模糊网络和组合神经网络，通过三种模型的介绍了解神经网络如何应用到证券市场的预测。

[1]杨晴.神经网络方法在证券市场预测中的应用研究[D].电子科技大学，2004.

[2]纪滕.基于BP网络的股票预测研究[D].昆明理工大学，2014.

[3]魏文轩.改进型RBF神经网络在股票市场预测中的应用[J].统计与决策，2013，15：70-72.

[4]宋彧婕.基于网络信息的金融市场预测研究[D].电子科技大学，2015.