基于宏观经济指标和人工智能方法的上证综合指数预测

  本文关键词：基于宏观经济指标和人工智能方法的上证综合指数预测，由笔耕文化传播整理发布。

        随着我国市场经济的高速发展和证券市场的逐步完善,越来越多的投资者参与到股票市场当中,希望通过股票投资来分享经济增长的成果。但股票市场是一个复杂的市场,它不仅要受到国内经济、政治、心理各方面的影响,也要受到国际经济和政治等方面的影响,同时这些因素之间又以复杂的形式相互影响着。所以通过对股票市场的详尽剖析,建立一个稳定并且相对准确的股票预测模型,对广大投资者,特别是中小投资者具有重要的实用价值。对于成熟资本市场来说,股市的走势会受到宏观经济运行的影响,而股市也是经济运行情况的“晴雨表”,所以可以通过宏观经济指标来对股市的走势做出预测。但我国股票市场是不是我国经济的“晴雨表”呢?自从2005年股权分置改革以后,制约我国股票市场发展的根本性的制度问题得到了解决,我国股市像脱缰的野马走上了快速发展的道路。健全的法律体系逐步建成,立体化的市场结构也逐渐明确,股市逐步向成熟资本市场的方向发展,股市经济“晴雨表”的功能也越来越明显。而且现有的研究成果也表明,我国股市在一定程度上还是反映了我国经济运行的整体状况,个别宏观经济变量对股价变动的解释能力很强。这就奠定了使用宏观经济指标来预测股市价格走势的基础。在股市价格预测中最主要的方法是以基本分析技术分析为代表的传统分析法和以时间序列为代表的计量模型法。传统分析法在实践中使用比较多,它对股市的预测主要取决于使用者自己的经验,不具有客观性。以时间序列为代表的股市预测方法主要在学术研究中使用,这些方法往往对样本要求比较高,而且在处理非线性问题时时间序列模型就显得力不从心。在这样的背景之下,近年来快速发展的人工智能方法得到了金融研究者的关注。人工智能方法就是模仿人脑学习知识的原理来让计算机自动的学习客观事物存在的内部规律。人工智能由于其较强的学习能力已经在多个领域得到广泛的应用,包括分类问题、模式识别和信号处理等。在金融领域,由于人工智能方法具有较强的非线性拟合能力,所以也得到了广泛的应用。利用人工智能方法预测股市就是给出与股票价格相关的变量,然后通过人工智能的方法自动的发现变量与股票价格之间的关系,从而利用这种关系来预测股票价格的变动。在人工智能方法中最常用的就是神经网络方法和支持向量机方法。神经网络方法种类较多,在众多方法中由于BP神经网络即误差反向传播网络具有优良的网络性能所以得到了广泛的应用。在以往利用宏观经济指标预测股市价格走势的研究中大部分的学者主要使用计量模型的方法,很少有人使用人工智能方法。而使用人工智能方法预测股市时的学者们又很少使用宏观变量,大多都是使用股市技术指标来对股市短期走势做出预测,很少有学者利用宏观经济变量结合人工智能方法对股市的中长期走势做出预测。在这样的背景下,本文以上证指数作为我国股票市场的代表,利用宏观经济指标,使用人工智能方法对上证指数的走势做出预测。上证指数样本主要选取2005年股权分置改革以后的数据。宏观经济变量主要选取2005年以后的月度数据。在人工智能方法中本文主要使用神经网络和支持向量机两种方法。在神经网络方法中,BP神经网络由于具有良好的拟合能力和容错能力成为使用最为广泛的神经网络模型之一,但是BP神经网络模型又有自己的局限性,本文在前人提出的改进BP神经网络的基础之上提出了使用贝叶斯正则算法和提前停止算法相结合的方法来改进标准的BP神经网络。在提出改进的BP神经网络模型之后,本文分别使用改进的BP神经网络和支持向量机方法对上证指数做出预测,并对两种方法的预测结果做出比较。文章具体安排如下：第一章为前言部分,主要介绍文章研究的背景、意义以及研究思路和方法。第二章为宏观经济与股市预测部分,该部分主要包括以下几个方面内容,首先是宏观经济指标介绍,该部分介绍了反映宏观经运行情况的几个重要宏观经济指标,这几个宏观经济指标同时也是后文实证过程中将会用的变量。随后介绍了目前在股市预测中主要使用的三种方法：传统法、时间序列法和人工智能法。第一种方法在实际操作中使用比较广泛,而后两种方法在理论研究方面使用比较多。最后介绍了宏观经济与股市的关系以及两者关系的国内外研究状况。第三章为神经网络部分,该部分从神经网络的研究现状入手,先后依次介绍了神经网络的相关理论,特点及其分类,之后着重介绍了本文研究的BP神经网络的学习算法以及特点,然后根据BP神经网络的学习特点,对目前针对其性能的改进方法做介绍,这些方法主要解决了标准BP神经网络收敛速度慢,精度不高的问题。之后在前人的基础之上提出本文改进BP神经网络的算法,即使用贝叶斯正则算法和提前停止算法相结合改进标准BP神经网络。第四章为支持向量机部分,该部分从支持向量机的国内外研究现状出发,主要介绍了支持向量机的相关理论,通过统计学习理论与传统机器学习理论的对比,说明统计学习理论的结构风险最小化很好的解决了传统机器学习中经验风险最小化的缺陷,进而介绍了建立在统计学习理论基础之上的支持向量机理论,并对核函数做简要介绍。第五章为实证部分,在前述理论的基础之上,本章分别利用贝叶斯正则算法和提前停止算法相结合的BP神经网络和支持向量机对上证指数的月度收盘价进行预测,并对预测结果做评价。通过对上证指数预测的实证研究,本文得出以下几个结论：第一、利用宏观经济指标并结合人工智能方法对上证指数的中长期走势做预测是具有可行性的,在实证研究中两种人工智能方法都得到了比较理想的预测效果。第二、确定BP神经网络隐藏层神经元个数是网络结构设计中的重点,本文采用如下的确定方法,限制隐藏神经元最小最大个数,然后利用穷举法遍历最小最大个数之间的所有情况,将其作为隐藏神经元个数,然后选择误差输出最小的网络作为本文的BP神经网络模型；第三、本文通过对使用贝叶斯正则算法的BP神经网络的研究,发现贝叶斯正则算法虽然可以提高网络的泛化能力,但是根据实证研究发现,网络过多的训练次数可能导致使用贝叶斯正则算法的BP神经网络出现过拟合的现象,最终导致网络的泛化能力下降；第四、经过实证研究发现,使用贝叶斯正则算法和提前停止算法相结合的BP神经网络可以有效的防止单独使用贝叶斯正则算法出现的过拟合现象,从而提高了网络的泛化能力。在使用提前停止算法中过早的根据验证样本输出误差提前停止网络的训练可能会造成网络训练不充足造成网络精度不够,本文实证研究发现在验证样本集误差连续上升6次的时候提前停止网络训练,网络可以达到比较理想的效果；第五、通过改进的BP神经网络与支持向量机对上证指数收盘价预测效果比较可知,支持向量机的预测效果要好于BP神经网络。支持向量机预测有坚实的统计学习理论基础,所以网络预测效果比较好,表现比较稳定。相对支持向量机,BP神经网络的稳定性不是很高,在选定网络结构后网络需要通过反复的训练才可能达到比较理想的效果。本文可能的创新点：第一、通过实证证明使用贝叶斯正则算法的BP神经网络在充分训练的状况下可能造成网络过拟合,造成网络泛化能力下降；第二、提出了贝叶斯正则算法与提前停止算法相结合的方法来改进BP神经网络；第三、在使用提前停止算法时,提出当验证样本误差连续上升6次时停止对网络的训练,此时得到的网络性能比较好；第四、设计良好的BP神经网络的预测误差精度可以接近使用支持向量机模型的误差精度。虽然本文在利用宏观经济指标结合人工智能方法预测上证指数的问题上做出了尝试性研究,但鉴于目前人工智能方法还是一个比较新的学科,其在金融预测领域的应用也处在探索阶段,并且本人的理论功底还不够扎实,知识结构还不够全面,所以在问题的研究中肯定会存在诸多不足之处,敬请各位专家学者批评指正,本人必定在以后的工作和学习中努力学习、积极探索。谢谢各位评审老师和答辩老师!

    With the rapid development of China’s market economy, more and more investors participate in the stock market, which they hope to share the fruits of economic growth through equity investment. But the stock market is a complex market, it is not only affected by domestic economic political and psychological factors, but also affected by international economic and political factors,at the same time these factors often affect each other. So through detailed analysis the stock market to establishment a stable and relatively accurate stock prediction model has important practical value for investors especially for small investors.In this paper, we use the Shanghai Composite Index as a representative of the stock market in China, using macroeconomic indicators and artificial intelligence methods to predict the trend of SZZS. The SZZS sample were mainly choose from samples that after the split share structure reform and the Macroeconomic variables selected monthly data. In this paper, two artificial intelligence methods mainly used are neural networks and support vector machine. In the neural network, BP neural network is one of the most widely used neural networks, it has good fitting ability and fault tolerance, although BP neural network has many advantage, it also has its own limitations, as local minimize.So in this paper, we use Bayesian regulation algorithms and early stopping methods to improve the generalization ability of BP neural network. After propose the improved BP neural network model, we then use the improved BP neural network and support vector machine to predict the SZZS and make a compare the results of two methods. The paper is organized as follows:Chapter one is the introduction section, mainly introduces the article background, significance, and research methods.Chapter two is the macroeconomic and stock market forecast, in this part, we first introduce the macroeconomic indicators, these indicators also will be used is in the after text.Then introduced the three methods currently used in the stock market prediction, the traditional method, the method of time series and artificial intelligence. The first method is more widely used in practice; the latter two methods are more used in theoretical research. Finally, introduce the relationship between macroeconomic and stock market, and research situation in domestic and foreign country.Chapter three mainly introduces neural network.First we introduce the theory of the Neural Network and their characteristics and classification. Then we focus on the BP neural network learning algorithm and point out that standard BP neural network convergence was slow, and the accuracy is not high. Then we use the Bayesian regularization algorithm combine with early-stopping algorithm to improve the standard BP neural network.Chapter four is about the support vector machine, this part start from the research status of the support vector machine, and then explains the structure risk minimization is better than empirical risk minimization through comparison between statistical learning theory and machine learning. After this we introduce the theory of support vector machine which based on statistical learning theory. At the end several kernel functions are introduced brieflyChapter five is the empirical research, on the basis of the foregoing theory, we use the proposed improved BP neural network and support vector machine to predict the monthly closing price on the SZZS.Through the Empirical research on the SZZS forecast, we draw the following conclusions:First, the most important part in BP neural network designing is choosing the number of the neurons in hidden layer, in this paper, we first choose the minimum and maximum number of the neurons in hidden layer, then we try every condition between minimum and maximum and calculate the error of the network output, at the end we select the network that have minimum error as our model.Second, although Bayesian regularization algorithm can improve the network generalization ability, we found that when training network, too much of training to the BP neural network that used Bayesian regularization algorithm may make the network too strong to have enough generalization ability.Third, through empirical research,we found that the method that using the Bayesian regularization algorithm combine with the early stopping algorithm can effectively prevent over fitting that appear in BP neural network separately using the Bayesian regularization algorithm during the BP neural network training. When using the early stopping method we found that we can stop network training when error of the validation sample continuous increase6times, the network can achieve the desired results.Fourth, empirical research that using improved BP neural network and support vector machine on SZZS closing price prediction shows that the support vector machine prediction is better than BP neural network. Support vector machines have a solid statistical learning theory, so the network prediction results were better, the performance is relatively stable. The performance of BP neural network is not very stable, if you want to get a better result you must try many times.This article may innovations:First, to prove through empirical research that adequate training to the BP neural network that only using Bayesian regularization algorithm may cause network over-fitting and decline of network generalization; Second using the method that combine Bayesian regularization algorithm with the early stopping algorithm to improve the BP neural network’s performance; Third, When using the early stopping method, we can stop network training when error of the validation sample continuous increase6time, the network can achieve the desired results. Fourth, well-designed BP neural network prediction error accuracy is close to the accuracy of support vector machine model error.

        基于宏观经济指标和人工智能方法的上证综合指数预测

摘要4-8Abstract8-101. 前言13-162. 宏观经济与股市预测16-22    2.1 宏观经济16-17    2.2 股市预测17-20        2.2.1 传统预测方法17-19        2.2.2 计量方法19-20        2.2.3 人工智能方法20    2.3 宏观经济与股市20-223. 神经网络理论22-40    3.1 研究概述22-24        3.1.1 国外研究概述22-23        3.1.2 国内研究概述23-24    3.2 神经网络理论介绍24-29        3.2.1 神经网络简介24-27        3.2.2 神经网络的学习27        3.2.3 神经网络特点27-29    3.3 BP神经网络29-34        3.3.1 BP网络学习算法的数学推导30-33        3.3.2 BP网络性能分析33-34    3.4 BP神经网络的改进方法34-39        3.4.1 传统方法34-37        3.4.2 提高网络泛化能力的BP神经网络的改进方法37-39    3.5 本文提出的改进BP神经网络的方法39-404. 支持向量机理论40-49    4.1 研究概述40-41        4.1.1 国外研究概述40-41        4.1.2 国内研究概述41    4.2 支持向量机核心知识41-49        4.2.1 传统机器学习理论41-43        4.2.2 统计学习理论43-45        4.2.3 支持向量机45-495. 机器学习方法在上证指数预测中的实证研究49-75    5.1 实证环境简介49-50    5.2 基于BP神经网络的上证指数预测50-69        5.2.1 选取变量50-58        5.2.2 样本预处理58-59        5.2.3 网络结构设计59-64        5.2.4 网络的训练与预测64-69    5.3 基于支持向量机的上证指数预测69-73    5.4 BP神经网络结果与支持向量机误差结果比较73    5.5 实证结论73-756. 总结与展望75-77    6.1 总结75    6.2 展望75-77参考文献77-79附录79-82后记82-83致谢83

  本文关键词：基于宏观经济指标和人工智能方法的上证综合指数预测，由笔耕文化传播整理发布。