我国股票市场的非线性研究——基于LSTAR模型

本文基于LSTAR模型对我国股票市场上证A指的非线性进行了实证研究,研究结果表明我国上证A指具有明显的非线性逻辑转换的特征,该模型很好的刻画了上证A指动态周期行为,在预测上也明显的优于传统线性模型.     

基于神经网络的股票市场预测研究综述

本文总结了常见的股票市场预测方法,基本面分析方法,技术分析方法,时间序列分析方法,最后重点总结了基于神经网络的股票市场预测方法。     

考虑交易费用与风险情况下移动平衡交易规则的检验

本文在考虑交易费用和风险因素的情况下时移动平均交易规则进行了检验.采用变长移动平均检验发现,规则能否带来显著的异常收益受其采用的时间跨度长短的影响.而定长移动平均检验的结果显示,该规则不能带来显著的异常收益.上述结果表明移动平均规则的短期预测作用更明显.我们认为,技术分析的有效性并不确定,历史文献中股票收益可利用过去的收益来预测的论断仍需更进一步的证明.     

技术指标能够预测商品期货价格吗?来自中国的证据北大核心CSCDCSSCI

基于移动价格平均、动量和移动交易量平均三类技术指标,研究了其对中国大宗商品期货价格的预测效果,并以基于宏观变量的预测为基准比较分析了其预测能力.主要结论如下,第一,技术指标能够在样本内和样本外检验中有效预测我国大宗商品期货价格,其预测效果显著超过已有文献中广泛使用的宏观经济指标.第二,对于不同的模型设定和数据频率,技术指标预测效果表现稳健.第三,从资产配置角度出发,基于技术指标的预测具有显著经济意义,能够显著提高资产配置效率,获得超额收益.相关结果能够为大宗商品投资及风险管理提供经验和策略支持.     

技术指标能够预测商品期货价格吗? 来自中国的证据

基于移动价格平均、动量和移动交易量平均三类技术指标,研究了其对中国大宗商品期货价格的预测效果,并以基于宏观变量的预测为基准比较分析了其预测能力.主要结论如下,第一,技术指标能够在样本内和样本外检验中有效预测我国大宗商品期货价格,其预测效果显著超过已有文献中广泛使用的宏观经济指标.第二,对于不同的模型设定和数据频率,技术指标预测效果表现稳健.第三,从资产配置角度出发,基于技术指标的预测具有显著经济意义,能够显著提高资产配置效率,获得超额收益.相关结果能够为大宗商品投资及风险管理提供经验和策略支持.     

STAR与ANN模型：证券价格非线性动态特征及可预测性研究

证券价格的可预测性一直是现代金融学的研究焦点。近年来,以平滑迁移(STAR)模型和神经网络(ANN)模型为代表,国外学者将许多非线性模型应用于证券价格非线性动态特征及可预测性的研究。本文采用多种线性、非线性股价预测模型对上证180指数短期和中长期可预测性进行研究,并基于统计指标和投资策略指标比较了不同模型的预测能力。结果表明:我国证券价格具有非线性特征,在短期和中长期水平上具有一定的可预测性,这对有效市场假说提出了质疑;ANN模型的预测能力多数情况下优于RW模型、线性AR模型和STAR模型,基于ANN模型的"盯市"投资策略能获得比"买入持有"投资策略更高的平均净收益。     

计算实验金融、技术规则与时间序列收益可预测性

从受到广泛关注的简单技术规则视角,运用新兴的计算实验金融方法研究股票市场收益的时间序列可预测性,证明投资者非理性心理和行为是造成时间序列收益可预测性的原因.基于Swarm仿真平台和Objective C语言构建仿真模型TA-ASM,并进行多组不同参数下的计算实验,通过对模拟数据的统计分析发现,简单技术规则能获得超额收益,表明其在一定程度上具有时间序列收益可预测,该结果意味着收益时间序列存在可被简单技术规则侦测的部分.为确定潜在的影响因素的作用,研究进一步定性定量地对可能的各个内外生因素进行分析,最后得出投资者的非理性心理和行为作为一种系统风险被市场收益吸收从而导致时间序列收益可预测性的结论,该结论支持了行为金融理论关于个体的非理性存在于市场收益过程的假说.     

基于STAR模型的中国货币需求函数研究

本文对我国货币需求的短期误差修正模型进行非线性检验并发现指数平滑转换自回归模型更加符合我国短期的货币需求函数。通过检验,我们发现非线性模型的转换变量为滞后一期的真实国民收入,该结论与我国经济发展状况相吻合。另外,通过检验发现非线性模型具有较强的预测能力。因此,非线性模型将会给货币政策的正确制定和有效实施提供更具参考价值的作用。     

高频视角下股市波动预测的新方法:HARFIMA模型北大核心CSCDCSSCI

异质自回归(heterogeneous autoregressive,HAR)及其拓展模型(统称为HAR-类模型)能够刻画不同类型(期限)交易者的异质性对金融市场未来价格波动的“贡献”程度,在实证研究中备受推崇,并在预测金融市场波动率中取得了较好的效果.研究发现,HAR-类模型虽然能够在一定程度上刻画金融市场中非常重要的长记忆特征,但刻画能力明显比自回归分整移动平均(ARFIMA)模型差.HAR-类模型的主要优势在于对异质性的刻画,而ARFIMA模型的主要优势在于对长记忆性的准确刻画.因此,基于这两个模型各自的优势提出了新的模型:异质自回归分整移动平均(HARFIMA)模型,并对新模型进行了拓展建模,提出HARFIMA-类模型.将HARFIMA-类模型运用于对标普500和上证综指的已实现波动率(RV)的建模和预测发现,HARFIMA-类模型能够更加准确地刻画金融市场的长记忆性,更重要的是样本外的预测能力明显优于其他模型,并且预测结果相当稳健.     

中国股票市场可预测性研究：基于机器学习的视角

股市风险溢价是金融学中的一个经典研究问题.常见的线性模型存在着模型误设和参数不稳定的问题，难以有效预测风险溢价.本研究从机器学习的视角重新检视了中国股票市场的可预测性.基于1996年1月—2019年12月的数据，构建提升回归树(boosting regression trees, BRT)模型对股市收益率与波动率进行样本外预测，并构建了最优风险资产配置模型.实证结果显示：1)提升回归树方法能够对收益率、波动率和最优风险资产权重做出准确预测；2)在收益率预测中最重要的三个变量分别是净权益增加值、换手率和股价方差；挖掘预测变量之间的非线性关系是BRT预测能力的来源；3)结合提升回归树预测构建的最优风险资产组合可以为投资者带来更高的收益和效用.本研究将机器学习方法引入股票市场风险溢价的研究，为此问题的研究提供了全新的视角.     

Stock index forecasting based on a hybrid model

Forecasting the stock market price index is a challenging task. The exponential smoothing model (ESM), autoregressive integrated moving average model (ARIMA), and the back propagation neural network (BPNN) can be used to make forecasts based on time series. In this paper, a hybrid approach combining ESM, ARIMA, and BPNN is proposed to be the most advantageous of all three models. The weight of the proposed hybrid model (PHM) is determined by genetic algorithm (GA). The closing of the Shenzhen Integrated Index (SZII) and opening of the Dow Jones Industrial Average Index (DJIAI) are used as illustrative examples to evaluate the performances of the PHM. Numerical results show that the proposed model outperforms all traditional models, including ESM, ARIMA, BPNN, the equal weight hybrid model (EWH), and the random walk model (RWM).     

基于人工神经网络的建筑物成新度评估

本文针对建筑物成新度评估存在的问题,利用人工神经网络理论,首次建立了建筑物成新度评估的人工神经网络模型,测试表明系统性能良好。     

基于信息扩散原理运用人工神经网络识别股票级别

本文提出采用人工神经网络的方法对股票级别进行识别,以便辨识股票的优劣。首先建立股票识别的指标体系,对神经网络的训练样本中的各支股票的各项指标进行初步评级,然后用因素状态空间上信息扩散的方法对初步评级的结果进行优化处理,把处理后的结果作为神经网络训练样本的输入和输出因素,并利用BP算法进行网络训练,当计算达到要求的精度后即完成训练。经训练所得的神经网络即可用于识别股票级别。本文最后给出一个实例,具体说明运用信息扩散和人工神经网络的方法识别股票级别的过程,并对结果进行了分析讨论。采用本文所介绍的方法对股票级别进行识别,可以有效地减少主观因素及市场波动所带来的影响。     

Study of the behaviour of flexible production systems using neural nets

Owing to high development and acquisition costs, production systems require very detailed analysis for pre-design specifications, and an adjustment in operating philosophies. Detailed simulation models are one of the most important instruments to achieve this goal; normally the simulator must be custom-built, based on an accurate study of the specific industrial problem. The proposed management and economical analysis uses mathematical meta-models obtained from experimental designs produced by the simulator; today the detail level and precision required is very high, so these kinds of meta-model operate very close to their limit. Here we present a new methodology based on artificial neural networks that produces new types of meta-models which can correctly represent complex industrial systems. In this work we propose an application of this methodology together with a detailed analysis of the model development phase to highlight the potential of this instrument.     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

基于ARTⅡ网络的煤炭资源资产分类研究

本文建立了用于煤炭资源资产分类的ARTⅡ神经网络模型,编制了相应的计算机和软件,并将ARTⅡ模型与模糊分类模型和基于BP网络的分类模型进行了对比分析,实例运行结果表明,用ARTⅡ网络进行分类具有分类稳定、结果可靠等特点。     

基于多尺度组合模型的铜价预测研究

铜价预测是国际大宗商品市场研究的一个重要领域。本文运用经验模态分解法（EMD）、人工神经网络（ANN）、支持向量机（SVM）和时间序列方法,基于分解-重构-集成的思想,构建了一个多尺度组合预测模型。在模型构建过程中,提出了运用游程判定法对分量序列进行重构的新思路。然后,运用此模型对LME铜价波动特点和走势进行分析：将铜价序列分解并重构成高频、低频和趋势三个部分,并从不规则因素、重大事件以及长期趋势三个角度解释了重构项的波动特征;实证分析表明,与灰色模型GM（1,1）、Elman神经网络方法等单模型,以及ARIMA-SVM组合模型相比,多尺度组合模型取得了最好的预测效果。     

Two-Group Classification Using Neural Networks*

Artificial neural networks are new methods for classification. We investigate two important issues in building neural network models; network architecture and size of training samples. Experiments were designed and carried out on two-group classification problems to find answers to these model building questions. The first experiment deals with selection of architecture and sample size for different classification problems. Results show that choice of architecture and choice of sample size depend on the objective: to maximize the classification rate of training samples, or to maximize the generalizability of neural networks. The second experiment compares neural network models with classical models such as linear discriminant analysis and quadratic discriminant analysis, and nonparametric methods such as k-nearest-neighbor and linear programming. Results show that neural networks are comparable to, if not better than, these other methods in terms of classification rates in the training samples but not in the test samples.     

A comparison of Japanese failure models: Hybrid neural networks,logit models,and discriminant analysis

This article looks at the ability of a relatively new technique, hybrid artificial neural networks (ANNs), to predict Japanese banking and firm failures. These models are compared with traditional statistical techniques and conventional ANN models. The results suggest that hybrid neural networks outperform all other models in predicting failure for one year prior to the event. This suggests that for researchers, policymakers, and others interested in early warning systems, the hybrid network may be a useful tool for predicting banking and firm failures.