基于GARCH与BP-ANN的股价预测能力比较研究

发布时间：2020-08-08 20:53

【摘要】：预测金融资产的价格变化规律一直是金融学领域一个非常重要,并且具有挑战性的问题。金融资产价格的时间序列数据具有时变性、非线性、非平稳等特性。这使得对于其价格的预测非常的复杂和困难。计量经济学家发明了一系列的计量方法来处理这类问题；常用的模型包括：线性回归模型,时间序列模型等等。另外,人工智能的模型,如人工神经网络、遗传算法等模型也越来越多的被应用到价格预测中。本文运用金融时间序列分析法与人工智能算法对我国股票价格进行预测,并对这两种模型的预测结果进行比较。这在理论和实际方面都有着较为重要的意义。本文首先综述以上两类方法在股价预测领域的历史与发展；如金融时间序列分析的自回归滑动平均ARMA模型、向量自回归VAR模型和广义自回归条件异方差GARCH模型等,以及人工智能算法的人工神经网络ANN、遗传算法GA等；然后在中国股票市场这个背景下进行数据分析研究,即使用EViews和MATLAB软件分别运行具有两类代表性的GARCH模型和BP-ANN模型,分别对上证A股指数的走势和大智慧(601519)单支股票价格趋势进行预测分析。最后再根据预测结果进行对比,从而加深对金融数据分析方法的理解。通过本文的研究可以看出,无论是在对股票指数预测方面,还是单支股票预测方面,BP-ANN的效果都优于GARCH。
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F832.51;F224
【图文】：

指数样本,训练效果,神经网络模型,走势图

置我们所采用的非线性自相关模型中的滞后阶数，即人工神经网络中的逡逑输入变量个数，本文中Ｎｕｍｂｅｒ邋ｏｆ邋ｄｅｌａｙｓ邋ｄ邋＝邋７。得出神经网络逻辑结构示逡逑意图如图３－４所不：逡逑Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ逡逑Ｈｉｄｄｅｎ邋Ｌａｙｅｒ邋ｗｉｔｈ邋Ｄｅｌａｙｓ逦Ｏｕｔｐｕｔ邋Ｌａｙｅｒ逡逑；酬逡逑２０邋１逡逑图３－４上证Ａ股指数神经网络模型结构示意图逡逑步骤６．点击“Ｔｒａｉｎ”进行神经网络的训练，以求解相关的权重系数。逡逑综上，得出对上证Ａ股指数样本内数据的训练效果图如图３－５所示：逡逑

自相关系数,误差项,零阶,拟合误差

逦２６．邋１３８１逦７．４２７３１３逡逑注：表格数据来源于ＭＡＴＬＡＩｉ的运行结果逡逑接下来对误差项的自相关系数进行检验，检验结果如图３－６所示：逡逑Ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ邋ｏｆ邋Ｅｒｒｏｒ邋误差项的自泪关系数逡逑p哄宥澹哄危慑濉慑五五危卞危卞危卞危卞危卞危慑巍颉赍义希巍觥鲎怨窆叵凳义希埃埃玻担保㈠五五澹熬芄叵担剩樱翦澹义希掊五蔚切沤珏义希慑五五义暇坼澹埃埃插澹危义习噱义希礤义希彦澹埃埃保靛澹危义希卞义希ⅲ渝义希镥危螅觯3?■？－．５逡逑，j_逡逑０．００５邋－逦■逦？逦－逡逑Ｌｊ逦Ｉ逦１逦１逦１逦１逦Ｉ逦Ｉ逦ｉ—ｌ邋Ｓｉ逡逑－２０逦－１５逦－１０逦－５逦．０逦５逦１０逦１５逦２０邋／■逡逑ｇｒ？、，逦Ｌａｇ滞ｇ阶数逡逑图３－６对Ａ股指数的ＢＰ－ＡＮＮ预n,法的误差项的自相关系数逡逑如图３－６所示，拟合误差的自相关系数除了滞后零阶项以外，其他项的Ｓ相关系数逡逑都比较小。因此我们说拟合的模型是比较合理的。逡逑再利用该训练完毕的ＢＰ－ＡＮＮ结构对样本外数据进行预测，得到对应３９个交易逡逑日的预测值｝７（／邋＝邋１

趋势图,指数,样本,数据

注：表格数据＿保Ｓ邋２位小数逡逑平均值－是取其绝对值的平均值逡逑同样，再将厂与｝＾邋？值描点绘制趋势图如图３－７所示进行比较。逡逑？‘邋■邋ＡＫＪｉeW逡逑２２４０邋ｊ逦１￣一￣Ｉ逦１逦１逦逦１逦逦逦１逦１逦１邋：逡逑逦邋１￥木外数据逡逑２２２０邋－逦／／邋＼＼逦一＂＂R[－逡逑２２。。－逡逑．ｏｏｆ逦Ｖ邋＾逡逑ｏｎｏｎ邋逦Ｉ逦Ｉ逦■逦１．逦１逦Ｉ逦‘逦逡逑挪邋Ｕｑ逦５逦１０逦１５逦２０逦２５逦３０逦３５逦４０逡逑天数逡逑图３－７通过ＢＰ－ＡＮＮ模型得出上证Ａ股指数预n,值走势与样本外数据走势的比较逡逑

【参考文献】