基于神经网络的国际期货市场价格随机变异优化规律研究
发布时间：2014-09-04 20:30
第一章引言
1.1期货市场简述
机构投资者握有庞大的资金，需要在股市中长期生存，因此风险管理是其日常运营的首要任务。通过分散的投资组合，可以消除股票价格波动的非系统性风险，但是无法消除系统性风险。伴随着股票市场风险管理需求的不断增长和技术手段的成熟，美国堪萨斯期货交易所(Kansas City Board of Trade,KCBT)于1982年2月推出全球最早旳股指期货合约——价值线指数合约。股指期货出现的初期，由于其独特的做空机制，曾一度被认为是股市暴跌的原因之一，市场对其的态度较为谨慎。进入九十年代后，投资者行为更加理智，股指期货的争议也逐渐消除，全球各主要金融市场相继推出各自的股指期货合约，股指期货进入了高速发展的时期，其中较为著名的有美国标准普尔500指数合约、英国金融时报100指数合约、日本日经225指数合约和香港恒生指数期货合约等。如今股指期货已发展成为最活跃的期货品种，股指期货交易也被誉为“最激动人心的金融创新” 。
1.2期货价格分析方法
基本面分析法是通过分析期货合约标的商品的供求情况和影响其价格的其他因素来预测期货价格变化趋势的方法，其中供求分析是基本面分析的核心。一般来说期货的价格是在其所标的商品现货价格（即商品某个阶段的供求关系）的基础上，综合考虑各种影响未来供求的因素而形成对市场未来价格的平均预期。现货商品可以通过储存和流通调节机制对未来供求产生影响，例如现货市场中如果出现供过于求的情况，那么商品的库存会影响到未来的供求关系，进而影响期货的价格，因而期货价格形成的过程中也受到了来自现货商品价格的约束。
……………
第二章人工神经网络
2.1人工神经网络简述
人工神经网络由于其独特的结构，也表现出与传统计算方法不同的性质。首先它是一种大规模并行分布的结构，天然具有容错性。当一个神经元或者连接出错时，由于信息是分散存储于突触权值间的，网络只是在质量上被削弱而不会出现灾难性的失败。网络的这种性质还决定其具有适应环境变化的能力，因为通常情况下，在不稳定的环境中网络运行的鲁棒性越好，系统的自适应性也就越好。其次人工神经网络是非线性的。神经元间的连接是线性的，但是神经元可以是非线性的，非线性是分布于整个网络中的。网络的非线性使其能够在输入输出信号间建立起非线性关系，因此网络可以在一些复杂问题的处理中找到很好的近似解。最后人工神经网络具有泛化的能力，泛化能力是指神经网络通过历史数据的学习后，在学习样本外依然能够对输入信号给出合理的输出。实际上网络的泛化能力也是其性能的表现，在实际问题中也是以不断提高网络的泛化能力为目标。要实现这个目标需要从两个方面入手：一是提高网络自身的性能；另一方面是将复杂问题分解为若干简单的任务，让网络完成与其处理能力相符的子任务。
2. 2人工神经网络的基本结构
神经元是神经网络的基本单元，单个神经元并不复杂。但是大量的神经元经过一定的方式连接却可以表现出复杂的特性，并且能够通过学习来实现特定的功能。本节介绍网络的具体结构，包括神经元的基本模型和网络的连接方式以及网络的学习规则。
神经元细胞是构成人脑神经系统的基本单元，其主要结构由细胞核、胞体、树突、轴突构成，如图（2.1)所示：
神经原细胞由细胞体和细胞突起构成，细胞突起分为树突和轴突，树突的末端可以接受其他神经元的信号，是传入神经的末梢。每个神经元只有一个轴突，与一个或多个目标神经元连接，轴突可以将信号传递给其他神经元或者效应器。两个神经元联系的地方叫做突触，最普通的一类突触是化学突触。这类突触中的信号是靠递质传输的，因此神经元之间神经冲动的传导是单方向的，神经冲动由一个神经元的轴突传导给另一个神经元的细胞体或者树突。
…………
第二章 AX神经网络.......... 13
2.1人工神经网络简述.......... 13
第三章基于MCA神经网络的股指期货价格预浦........... 27
3.1人工神经网络在金醢市场中应用的相关研究........... 27
第四章结论与展望............37
第三章基于MCA神经网络的股指期货价格预測
3.1人工神经网络在金融市场中应用的相关研究
Matsvba也将神经网络应用在价格的长期预测中[28]，论证了用神经网络模拟股价变动的可行性。另外Kimoto等人针对东京证券交易所价格指数（TSEPI)幵发出一套模块化的神经网络系统[29]，用于对指数的回报水平的估计。相关的研究在国内也十分活跃，对于金融市场趋势的预测显然是最为关注的问题。吴微等人将历史价格和成交量的一些关键值作为BP网络的输入，预测国内综合股指的涨跌。李宗龙则将广义回归网络用于沪深300高频数据的预测中。
3. 2价格预測的时间序列模型
本文选取了沪深300股指期货2012年7月2日至2013年2月6日当月连续的收盘价共150个交易数据作为预测对象。平均分为三组进行预测，分别对应下跌、振荡和上升的三种情形。每组数据的前150个收盘价作为训练样本，测试网络的预测效果，图（3.1)展示了参与训练和预测的数据。由于时间序列模型和技术分析方法有相同的假设，根据技术分析方法的经验，基于历史价格的预测短期效果最好，因此选择输入端的数量iVo= 20,并且对输入数据归一化，在保证预测精度的条件下降低网络的复杂度。
...............
第四章结论与展望
将其预测的结果同传统的BP算法进行比较可以看出这种规则具有更好的泛化能力。即使在训练误差大于BP网络情况下，也能够得到更好的预测结果，说明其较好地避免了网络在有监督学习过程中出现的过拟合现象。此外这套方法还为网络参数的选择提供了一种科学的确定方法，可以对隐含层每个神经元激活函数的广值进行具体的调整。而且从网络的训练过程中也可以看出其学习方式更加灵活，在将来复杂问题的应用中可以加入多种学习目标作为网络权值变异后优化选择的标准。不过本文中直接对股指期货的时间序列进行预测还是一种比较简单的应用，对于风云变幻的金融市场来说还远远不够。笔者曾从技术分析和神经网络结合的方式，希望开发出一套具体交易策略，但是没有获得有价值的结果。问题的原因可能在于学习目标的选择上，直接预测价格成功的可能性并不高，而价格趋势的定义又非常模糊，无法从历史的数据中分辨出那些变动是因为外界对市场的影响（这部分显然是无法预测的）哪些是市场自身的反应。目前网络的学习是完全基于历史数据的，其误差的定义是全样本的平均并且样本间没有时间先后之分，因此无法很好地解析出哪些是网络应该注意哪些是应该忽略的特征。在未来的工作中可以针对两个方面进行改进：一个方面是在学习的对象上进行改造，寻找更适合网络的训练目标；另一个方面是将设计更加适应问题的网络，例如引入增强学习的方式，将网络的学习过程视作是一个随时间进化的过程。
本文编号：8665
1.1期货市场简述
机构投资者握有庞大的资金，需要在股市中长期生存，因此风险管理是其日常运营的首要任务。通过分散的投资组合，可以消除股票价格波动的非系统性风险，但是无法消除系统性风险。伴随着股票市场风险管理需求的不断增长和技术手段的成熟，美国堪萨斯期货交易所(Kansas City Board of Trade,KCBT)于1982年2月推出全球最早旳股指期货合约——价值线指数合约。股指期货出现的初期，由于其独特的做空机制，曾一度被认为是股市暴跌的原因之一，市场对其的态度较为谨慎。进入九十年代后，投资者行为更加理智，股指期货的争议也逐渐消除，全球各主要金融市场相继推出各自的股指期货合约，股指期货进入了高速发展的时期，其中较为著名的有美国标准普尔500指数合约、英国金融时报100指数合约、日本日经225指数合约和香港恒生指数期货合约等。如今股指期货已发展成为最活跃的期货品种，股指期货交易也被誉为“最激动人心的金融创新” 。
1.2期货价格分析方法
基本面分析法是通过分析期货合约标的商品的供求情况和影响其价格的其他因素来预测期货价格变化趋势的方法，其中供求分析是基本面分析的核心。一般来说期货的价格是在其所标的商品现货价格（即商品某个阶段的供求关系）的基础上，综合考虑各种影响未来供求的因素而形成对市场未来价格的平均预期。现货商品可以通过储存和流通调节机制对未来供求产生影响，例如现货市场中如果出现供过于求的情况，那么商品的库存会影响到未来的供求关系，进而影响期货的价格，因而期货价格形成的过程中也受到了来自现货商品价格的约束。
……………
第二章人工神经网络
2.1人工神经网络简述
人工神经网络由于其独特的结构，也表现出与传统计算方法不同的性质。首先它是一种大规模并行分布的结构，天然具有容错性。当一个神经元或者连接出错时，由于信息是分散存储于突触权值间的，网络只是在质量上被削弱而不会出现灾难性的失败。网络的这种性质还决定其具有适应环境变化的能力，因为通常情况下，在不稳定的环境中网络运行的鲁棒性越好，系统的自适应性也就越好。其次人工神经网络是非线性的。神经元间的连接是线性的，但是神经元可以是非线性的，非线性是分布于整个网络中的。网络的非线性使其能够在输入输出信号间建立起非线性关系，因此网络可以在一些复杂问题的处理中找到很好的近似解。最后人工神经网络具有泛化的能力，泛化能力是指神经网络通过历史数据的学习后，在学习样本外依然能够对输入信号给出合理的输出。实际上网络的泛化能力也是其性能的表现，在实际问题中也是以不断提高网络的泛化能力为目标。要实现这个目标需要从两个方面入手：一是提高网络自身的性能；另一方面是将复杂问题分解为若干简单的任务，让网络完成与其处理能力相符的子任务。
2. 2人工神经网络的基本结构
神经元是神经网络的基本单元，单个神经元并不复杂。但是大量的神经元经过一定的方式连接却可以表现出复杂的特性，并且能够通过学习来实现特定的功能。本节介绍网络的具体结构，包括神经元的基本模型和网络的连接方式以及网络的学习规则。
神经元细胞是构成人脑神经系统的基本单元，其主要结构由细胞核、胞体、树突、轴突构成，如图（2.1)所示：
神经原细胞由细胞体和细胞突起构成，细胞突起分为树突和轴突，树突的末端可以接受其他神经元的信号，是传入神经的末梢。每个神经元只有一个轴突，与一个或多个目标神经元连接，轴突可以将信号传递给其他神经元或者效应器。两个神经元联系的地方叫做突触，最普通的一类突触是化学突触。这类突触中的信号是靠递质传输的，因此神经元之间神经冲动的传导是单方向的，神经冲动由一个神经元的轴突传导给另一个神经元的细胞体或者树突。
…………
第二章 AX神经网络.......... 13
2.1人工神经网络简述.......... 13
第三章基于MCA神经网络的股指期货价格预浦........... 27
3.1人工神经网络在金醢市场中应用的相关研究........... 27
第四章结论与展望............37
第三章基于MCA神经网络的股指期货价格预測
3.1人工神经网络在金融市场中应用的相关研究
Matsvba也将神经网络应用在价格的长期预测中[28]，论证了用神经网络模拟股价变动的可行性。另外Kimoto等人针对东京证券交易所价格指数（TSEPI)幵发出一套模块化的神经网络系统[29]，用于对指数的回报水平的估计。相关的研究在国内也十分活跃，对于金融市场趋势的预测显然是最为关注的问题。吴微等人将历史价格和成交量的一些关键值作为BP网络的输入，预测国内综合股指的涨跌。李宗龙则将广义回归网络用于沪深300高频数据的预测中。
3. 2价格预測的时间序列模型
本文选取了沪深300股指期货2012年7月2日至2013年2月6日当月连续的收盘价共150个交易数据作为预测对象。平均分为三组进行预测，分别对应下跌、振荡和上升的三种情形。每组数据的前150个收盘价作为训练样本，测试网络的预测效果，图（3.1)展示了参与训练和预测的数据。由于时间序列模型和技术分析方法有相同的假设，根据技术分析方法的经验，基于历史价格的预测短期效果最好，因此选择输入端的数量iVo= 20,并且对输入数据归一化，在保证预测精度的条件下降低网络的复杂度。
...............
第四章结论与展望
将其预测的结果同传统的BP算法进行比较可以看出这种规则具有更好的泛化能力。即使在训练误差大于BP网络情况下，也能够得到更好的预测结果，说明其较好地避免了网络在有监督学习过程中出现的过拟合现象。此外这套方法还为网络参数的选择提供了一种科学的确定方法，可以对隐含层每个神经元激活函数的广值进行具体的调整。而且从网络的训练过程中也可以看出其学习方式更加灵活，在将来复杂问题的应用中可以加入多种学习目标作为网络权值变异后优化选择的标准。不过本文中直接对股指期货的时间序列进行预测还是一种比较简单的应用，对于风云变幻的金融市场来说还远远不够。笔者曾从技术分析和神经网络结合的方式，希望开发出一套具体交易策略，但是没有获得有价值的结果。问题的原因可能在于学习目标的选择上，直接预测价格成功的可能性并不高，而价格趋势的定义又非常模糊，无法从历史的数据中分辨出那些变动是因为外界对市场的影响（这部分显然是无法预测的）哪些是市场自身的反应。目前网络的学习是完全基于历史数据的，其误差的定义是全样本的平均并且样本间没有时间先后之分，因此无法很好地解析出哪些是网络应该注意哪些是应该忽略的特征。在未来的工作中可以针对两个方面进行改进：一个方面是在学习的对象上进行改造，寻找更适合网络的训练目标；另一个方面是将设计更加适应问题的网络，例如引入增强学习的方式，将网络的学习过程视作是一个随时间进化的过程。
.............
参考文献（略）
本文编号：8665
本文链接：https://www.wllwen.com/jingjilunwen/shijiejingjilunwen/8665.html
