人工神经网络在证券市场中的应用研究
第四章 人工神经网络与证券市场预测的结合
一．人工神经网络应用于证券市场的可行性
在金融系统的预测研究中 ,一般是用传统统计经济学方法。传统的统计经济学方法存在不适合动态系统、建模复杂等局限性,而在股市中影响证券价格的因素包罗万象,在证券价格变动的长期趋势中 ,在一段较长时期内有某些确定的基本因素起作用 ,即有一定的趋势性 ,但又受许多随机因素的影响 ,可以说证券价格变动是一种不规范的经济行为，人工神经网络作为一种大规模并行处理的非线性系统 ,依据数据本身的内在联系建模 ,具有良好的适应性与自学习能力、较强的抗干扰能力。
证券市场的特点是非线性的, 是随意的。它按照一定的规则进行推理构成的专家系统在证券市场中具有时效性, 因为证券市场是不断变化的, 它是与大众心里相关的。基于固定规则的证券交易系统由于缺乏变化及适应性, 只能短期有效, 并且使用者越多, 效应越低.
人工神经网络可应用于任何预测变量（输入）与被预测变量（输出）之间存在一定关系的系统，即使这个关系是非常复杂，不容易用通常的相关性与差异性来清晰地表达。基于神经网络构建的专家系统,具有很强的适应性及学习能力, 很适合证券市场非线性及多变的特点。在市场发生变化后, 只要重新提供历史数据对它进行训练即可使他重新适应. 不用改写代码重新编译.
证券技术分析的依据是以过去与现在推测未来。证券价格与指数的波动
是一个复杂的，多维的，但在某些情况下至少是部分可判定的。人工神经网络技术的特点正好是以已知数据来学习，通过训练来预测未来。因此, 人工神经网络在证券市场中的应用具有高度的适应性及强大的参考价值.
在国外,人工神经网络已经成为了投资公司及基金经理的强力工具与高效
助手. 对他们的投资决策起到了很好的帮助作用。 在许多的论文研究中, ANN应用于预测的效果非常好,而在经济与金融投资方面, 非常需要专家系统提供投资的决策参考.
人工神经网络系统具有以下特点：
19
人工神经网络在证券市场中的应用研究
? 强有力. 神经网络是适合对特别复杂的函数建模的非常诡异的建模工具，它是非线性的。神经网络适合对有大量变量的非线性函数建模。 ? 容易使用. 神经网络通过样例学习。神经网络用户通过收集典型数据调用学习算法使它自动学习数据的结构。用户使用神经网络所需要的水平比使用其他传统的非线性统计方法要低很多。
因此，人工神经网络与证券市场的结合应用是恰当并且合适的。
二．人工神经网络在证券市场中的应用现状
自从人工神经网络诞生以来在很多行业得到大量广泛的应用，其中应用
较多的行业之一就是预测领域，而预测领域又以经济预测领域最为吸引人。这一方面是因为人工神经网络具有强大的非线性运算能力，能够以任何精度逼近任何连续的非线性函数。另一方面也是因为经济领域难于预测，各种因素都有可能影响经济的走势，从而吸引了大量的专家学者投入其中。他们尝试用各种各样的技术，方法，工具对经济进行分析，作出预测，统计分析是通常用的最多的方法，但效果并不理想。人工神经网络是近来预测研究的热点，它也被许多学者专家用于的经济方面的预测研究，并取得了不错的效果。
金融与投资是人工神经网络应用最多的领域之一。近年来人工神经网络
应用的典型问题领域有：银行倒闭预测，抵押及信贷评估预测，股市，债市，期货市场预测及外汇市场预测，等等。
大量的研究证明了人工智能神经网络在商业上的应用要比其他非人工智
能方法优越。以下是人工智能神经网络应用的主要领域： ? 贷款评估：
- 抵押贷款(Collins et al., 1988/93), - 预测贷款风险 (Marose, 1990/93),
- 保险贷款与保险抵押贷款 (Malhotra et al.,1994), ? 股票市场与债券市场： a) 交易时间
- 决定何时交易( 基于S&P 500股票) (Trippi, De Sieno, 1992), - 决定何时买卖股票 (Kimoto, Asakawa, Yoda, and Takeoka, 1990/93),
20
人工神经网络在证券市场中的应用研究
- 买卖顺序的问题 (Bergerson and Wunsch, 1991/93),
- 在股票交换中发现股票价格中的三角模式(Kamijo and Tanigawa), - 识别期货市场中未来买卖模式 (Collard, 1993), b) 风险评估与分级
- 债券评估 (Dutta and Shekhar, 1988/93), - 债券评级 (Surkan and Singleton, 1990/1993), - 股票盈利能力评级 (Yoon and Swales, 1992, 1996), c) 市场预测
- 股票价格预测 (Schoeneburg, 1990),
- 预测未来市场价格 (Grudnitski and Osborn, 1993), - 预测月度股票价格移动 (E.Y.Li, 1994), - 股票市场预测 (Kimoto and Asakawa, 1990), d) 预测盈利
-测试市场效能 – 预测市场盈利(White), - 预测股票盈利的问题 (Wong and Long,1995)。
通过对人工神经网络在股票市场中应用的分析，人工神经网络的应用按照面向的预测对象可分为这三类。第一类为通过将股票分类为强势股与弱势股来预测股票表现 (Kryzanowski et al., 1993; Swales and Yoon, 1992, 1996; Trippi and DeSieno, 1992) 或优秀股，一般股，较差股。这类人工神经网络应用作出的决策只提供能否盈利，并不提供期望的价格及期望的盈利。 第二类可提供更多的信息：对股票价格进行预测(Schoeneburg, 1990; Grudnitzky and Osburn, 1993). 这些系统基于之前的股价及相关的金融系数尝试预测未来一天或几天的价格。第三类重要的人工神经网络在股票市场中的应用是对股票表现建立模型及预测。 (Refenes et al., 1994; Yoon et al., 1994). 这类应用不仅预测股票的未来价格，也估算重要影响因素，可能影响结果的变量的敏感度分析，以及其他相关性分析（包括投资组合模型与套利模型）.尽管人工神经网络在金融与投资领域有广泛的应用，但还是存在一些问题，这些问题对我们未来的研究提供了指引。
21
人工神经网络在证券市场中的应用研究
第五章. BP神经网络算法的改进与网络设计
一、单层感知机神经网络
1957年Rosenblatt提出了一个单层感知机神经网络模型，其基本结构
如图所示。其输入信息通过输入部分的分配直接送到输出结点，通过一个阶梯型函数后产生输出信号，其输出可用单层感知机实现与，或，非逻辑运算。
yi?f(?wijxi??i)
i?0
单层感知机算法如下：
1. 初始化权及阀值：给Wi(0)(0?i?n?1)及?赋一个较小的随机数。此处Wi(t)是时刻t第i个输入上 的权值，?是输出结点的阀值。 2. 提交新的输入x0,x1,… … xn-1及期望输出d(t)。(如x属于A类，则d=1,若x属于B类，则d＝－1)。 3. 计算实际输出
y(t)?f(?wij(t)xi(t)??i)
i?0n?14. 修正权值
wi(t?1)?wi(t)??[d(t)?Y(t)]xi(t)
0?i?n?1
5. 转到2重复操作，直到W对一切样本都稳定不变。
22
人工神经网络在证券市场中的应用研究
二、多层感知机神经网络概述
在单层感知机的基础上增加一层或多层神经元，就构成了多层感知机神
经网络（MPNN）。某一层的神经元通过连接权的加强或抑制连接到相邻层的神经元。除输入层外，每一层的输入是前一层神经元输出的加权和。一个典型的三层感知机神经网络的结构简化图如下。图中的输入部分仅起输入信号的分布作用，不执行计算操作，不算作一层；hi表示隐层神经元的输出。
yi?f(?wijhi??i)hi?f(?wijhi??i)hi?f(?wijhi??i)
图 5
MPNN的激励函数一般选为Sigmod函数s(x)?ex?e?x或选为双曲正切函数y?tan(x)?x?x.
e?e1 ?x1?eS型函数的优点是它使同一网络既能处理大信号，也能处理小信号；其导数容易计算，s(x)’=s(x)[1-s(x)], 这给学习算法的推导带来了方便。
数学上已经证明，若隐层神经元的个数可根据需要任意设定，且激励函
数取为S型函数，则一个三层的MPNN可以形成任意复杂的决策区域，以任意精度逼进任何连续函数。由于BP网络算法理论基础牢固，推导导过程严谨，物理概念清晰及通用性好等优点。本文采用ＢＰ算法作为核心算法。
23