未来智库 > 神经网络论文 > 广义回归神经网络的金融预测模型研究

广义回归神经网络的金融预测模型研究

发布时间:2018-08-21 01:06:30 文章来源:未来智库    
    内容摘要:本文针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于广义回归神经网络方法的金融预测模型,该网络运用于汇率模拟与预测,以演示训练样本的构建、原始数据预处理、神经网络的创建训练和检测结果的评价整个过程。通过详细的仿真实验以及与BP神经网络的比较可得出以下结论:该方法不仅运算速度较快,且逼近性能及预测性能明显都优于传统BP神经网络。
    关键词:广义回归神经网络 金融预测 时间序列
    
    金融预测指对金融市场的大量历史数据,运用数据挖掘等方法来预测未来的市场行为,其预测分析对象为金融市场上的各种金融证券指标以及金融产品价格,如各种股票指数、利率及汇率等。
    传统的时间序列分析在经济中的运用,主要包括指数平滑法、滑动平均法、时间序列分解等确定性时间序列分析方法,这些方法大都为基于对因果关系回归模型和时间序列模型的分析,所建立的模型不能本质反映所预测的动态数据的内在结构和复杂特性。人工神经网络不仅具有大规模并行模拟处理、网络全局作用和非线性动力学等特点,且有很强的自适应、自学习和其容错能力,具备传统的建模方法所不具有的许多优点,其可以不必事先知道有关被建模对象的参数、结构以及动态特性等方面的知识,对被建模对象经验知识要求不高。而只需给出对象的输入和输出数据,通过网络本身的学习功能即可实现输入和输出之间的映射。所以,人工神经网络的非线性高度逼近能力为宏观经济分析提供了一条全新的途径。
    金融市场变化,从价格上来看无非是图1中四种模式的组合。在金融系统运作过程中,人们更为关心某种经济模式的发生状况和时间,以便采取相应对策。而神经网络有很强的识别能力,其学习能力可对环境的变化进行学习。所以,采取神经网络信息处理技术能够减少传统技术分析的理论假设,使建立的经济金融系统更合实际情况。
    
    金融预测系统结构
    
    建立一个金融预测系统一般含数据预处理、预测模型的选择和系统评价三个模块,结构框架如图2所示。
    数据预处理。在输入到算法之前,必须先收集、观察、清理且选取数据。最好的预测系统也可能因为不好的数据形式而失败,所以数据预处理过程非常重要。
    预测模型的选择。建模过程在数据挖掘过程中最为重要。预测模型的选择及优化(即建模)是预测系统设计开发中最为关键的一部分,金融预测作为数据挖掘的一个应用研究分支也不例外。传统的预测模型有自回归模型(AR)或移动平均模型(MA)等,参数估计一般采用最小均方(LMS)估计。但如题所示,本文预测系统的模型选择为广义回归神经网络模型。
    预测模型的评估。如果基于不同的指标,则对不同的预测模型进行比较评价后,比较结果也可能不同,这正说明不同评价指标的不一致性。因此,对预测模型进行预测性能的评估,必须是基于一定评价指标的。一般情况下,人们常常根据实际情况选择更具有价值的评价体系。
    
    金融市场测试实例
    
    在金融市场中,汇率市场为最重要的市场之一,其作用不仅仅被政府所重视,而且受大众的普遍关注。同时,汇率市场是一个非线性、动态的系统,其市场行为受到诸如利率、经济增长率、通货膨胀率、政治和国家宏观经济政策等许多因素的影响,也是最复杂的市场。所以对汇率市场行为做出比较准确的预测具有一定困难,也极具挑战和现实意义。本文选择汇率时间序列来进行金融预测的研究。
    1994年,我国进行了外汇管理体制改革,实行了钉住美元的汇率制度。但随着经济的迅速发展和美元汇率的大幅度波动,许多学者提出钉住篮子货币的建议。为了确定货币篮子中各种货币的数量,本文参照IMF确定SDR篮子构成的方法,并根据对汇率影响因素的分析,分别取美元、瑞士法郎、日元、欧元4种篮子中的货币作为人民币汇率预测的影响因子,以汇率作为输出因子,即网络的输出。由此来构建广义回归神经网络。
    (一)数据预处理
    在实际预测前,应先考虑将样本进行划分。一般不同的划分会影响神经网络模型的预测能力。数据集可划分为3个集合:训练集,用于权值与阈值的训练;检验集,用于神经网络预测能力的评价;确认集,用于防止过渡拟合及决定何时停止训练。后两个常常为同一个集合。训练集中包含的样本是训练样本;检验集中为检验样本;训练样本及检验样本的全体为总样本。数据的划分无统一标准,通常凭经验选择一个合适的比例。本文主要以人民币对美元汇率变化率对新模型的实验作介绍,汇率变化率样本选自从2005年7月到2008年7月的数据,其中测试集起止时间为:2008年1月至2008年7月共103天的汇率变化率数据。也就是说,本文利用前2年的数据参加竞争训练,最后1年的数据作为测试样本,且两大数据集的数据个数分别为479和103。
    神经网络学习前的数据处理对网络影响至关重要,可影响到网络的精度以及学习速度等。一般采用处理方法为对输入变量和输出变量的数据进行归一化处理,即将数据转换到区间中,且已经位于区间的数据,不必再进行归一化。可以采用公式(1)对数据进行归一化处理,即
    (1)
    (二)网络创建、训练和测试
    应用MATLAB7编程,创建一个GRNN网络,输入向量组数为479,每组向量的元素个数为4,输出层神经元个数1。数据进行归一化处理之后,便可以用训练样本来训练GRNN,然后用训练好的网络对测试样本进行预测。GRNN只需要调节光滑因子一个参数。从理论上来说,光滑因子越小,则网络对样本的逼近就越精确,但逼近的过程就越不平滑;而光滑因子越大,逼近过程就越平滑。此时,将光滑因子分别设置为0.1、0.2、0.3、0.4、0.5,再通过多次尝试,最终得到光滑因子为0. 1时,网络误差最小,逼近效果相对最好。网络此时的逼近误差基本在0附近,最终网络训练符合要求。再通过创建BP神经网络,可以得出对于两种神经网络的网络逼近误差对比曲线以及网络预测误差对比曲线。
    基于以上分析可知,本文所提出的包含光滑因子的GRNN模型比传统的BP神经网络模型都有一定程度的提高,更能正确反映汇率波动规律。
    (三)预测性能的分析比较
    为了说明本文所提出的模型意义,将该模型与惯常所使用的模型,即BP神经网络模型进行预测性能比较,评价指标采用平均绝对百分比误差MAPE、平均绝对误差MAE、根均方差RMSE,计算公式分别如下:
     (2)
     (3)
     (4)
    其中,P为测试样本集,为预测的汇率值,xt为实际汇率值。表1给出了BP神经网络及GRNN神经网络光滑因子取不同值时的网络预测汇率误差指标值。

         通过对表1中结果的比较,可发现用GRNN神经网络模型对汇率变化率进行预测的结果优于用传统BP神经网络的预测结果,且光滑因子为0.1时,预测精度达到最佳。
    
    结论
    
    现代金融计量经济学主要是以数理统计模型为基础并研究和描述金融市场的特征和规律。金融市场比较复杂且拥有非线性,所以需要引入新的方法和工具。金融行情千变万化,对于预测方法或系统的评估也五花八门,而且对于某种预测方法只能在一定时间或某种条件下优于其他方法。所以,如何评价各种预测方法的好坏是金融预测分析中的一个重要问题。
    现在大量预测模型是统计模型构造,比如通过多元线性回归建立模型,但是GRNN在逼近、分类能力以及学习速度等方面都具有较强的优势。GRNN不很要求被建模对象的先验知识,只是通过网络本身的学习和特定输入,便可以自动地处理自己的失误并预测未来的失误。
    神经网络技术在金融预测中,有着广泛的应用。本文采用广义回归神经网络建模方法,对经济类时间序列神经网络通用型预测模型的建立进行了研究,提出了具体的处理方法。在现代汇率理论中,有着许多无法克服的困难。其中,主要的问题在于现代的汇率理论难以经起检验。同时,在中短期的汇率预测中,一些实证研究都不如随机游动模型。传统的汇率预测方法,不管是建立在汇率宏观决定理论上的基本分析方法,或是以经验分析为基础的技术分析方法,在汇率预测方面表现都欠佳。因而,大量的经济学者在其他领域中寻求帮助。在这种情况下,汇率数据所表现出的非线性关系尤其适合于应用神经网络模型的处理,因此本文以汇率为实例并通过MATLAB进行了仿真和预测。结果表明广义回归神经网络可以有效地在数值上逼近时间序列内难以定量描述的相互关系,且良好的柔性使其能够很好地适应众多的金融预测领域。
    同时,本文同BP神经网络的预测结果进行了比较,试验结果表明,广义神经网络模型的准确率超过了BP网络,而且预测误差明显小于BP网络,与此说明使用广义回归神经网络模型进行金融预测是可行的和有效的。但本文的样本数据仅仅涵盖了一个比较短的时期,而在实际的预测过程中,要提高预测的精度就必须增加样本的涵盖面和容量、减少样本的噪音,如引入小波分析技术以及采用组合预测技术等。另外,如何提高神经网络的稳健性还有待进一步深入研究。
    
    参考文献:
    1.Kyong-jae Kim.Financial time series forecasting using support vector machines [J]. Neurocomputing,2003
    2.Heckerling Paul S,Gerber Ben S. Use of genetic algorithms for neural networks to predict community-acquired pneumonia[J].Artificial Intelligence in Medicine,2004
    3.Zemke,S.On Developing Financial Prediction System:Pitfalls and Possibilities[C].Proceedings of DMLL Workshop at ICML-2002,2002
    4.张志政,邢汉承.基于模糊方位编码和神经网络的汇率走势预测[J].计算机工程,2006
    5.高铁梅.计量经济分析方法与建模――EViews应用及实例[M].清华大学出版社,2006

转载请注明来源。原文地址:https://www.7428.cn/page/2018/0821/28711/
 与本篇相关的热门内容: