股價走勢經濟預測初探

　　股票市場同其它資本買賣市場一樣，“利益”和“風險”構成了市場的核心內容，從股票市場內部來看，市場行情由投資者們的行為共同創(chuàng)造，反過來市場行情又直接影響著投資者的信心和下一步的操作行為，從外部看，股市還受到來自政治經濟形勢、金融政策、公司狀況和重大消息等多方面的因素影響。
　　試根據青島海爾歷史交易數據（2007.7.3-2009.8.18）模擬出該股票最近1個月收盤價走勢，在此基礎上模擬最近兩年該股票收盤價走勢，并分析印花稅對該股票的影響。
　　一、模型的建立與求解
　　（一）短期收盤價走勢模型
　　通過對青島海爾歷史交易收盤價數據的MATLAB時間序列分析，得出其變化趨勢呈現布朗運動狀況，各因子影響具有不確定性，故建立GM(1，1)模型進行求解。
　　由于影響收盤價格的因素錯綜復雜，其中有些因素也難以控制，使收盤價格的隨機性較大，往往有一定的擺動性。因此，采用常規(guī)方法建立簡單實用的收盤價格模型是有困難的。但是，灰色系統(tǒng)理論認為，收盤價格的數據已攜帶著充分的信息，采用一定的數據生成方法，減少數據的隨機性，增加數據的規(guī)律性，用來預測未來的趨勢。
　　為了保證建模方法的可行性，對已知數據列做必要的檢驗處理，對參考數列取適當的常數c作平行變換處理，使得變換后數列的級比。
　　GM（1，1）模型灰微分方程相應的白化微分方程為。由灰色系統(tǒng)預測模型進行時間序列縱向預測，帶入已知數據運用MATLAB軟件求解得到方程模型
　　并將預測累加值還原為預測值，由此我們運用MATLAB計算可得相對誤差數據，預測出09年第三季股價數據，呈現下降趨勢。
　　同時，建立BP前饋神經網絡模型進行預測，BP網絡由輸入層、輸出層及隱含層組成，采用誤差反饋學習算法，其學習過程由正向傳播(網絡正算)和反向傳播(誤差反饋)兩部分組成。以青島海爾歷史交易數據預測股價走勢，對其產生影響的因素是多方面的，選取開盤價、最高價、最低價、交易量和交易金額5個因素作為輸入因子。在正向傳播過程中，輸入信息經隱含單元逐層處理并傳向輸出層，如果輸出層不能得到期望的輸出，則轉入反向傳播過程，將實際值與網絡輸出之間的誤差沿原來的聯結通路返回，通過修改各層神經元的聯系權值而使誤差減小，然后再轉入正向傳播過程，反復迭代，直到誤差小于給定的值為止。
　　由于07年7月3日至09年8月18日時間段內共513天中對收盤價的影響因素是不斷變化的，網絡連接權重和閾值需不斷校正，所以采取實時學習訓練及仿真來預測未來一個月股價走勢。用前400天的統(tǒng)計資料作為一個學習樣本，進行學習訓練、仿真，預測后100天的收盤價，并不斷將新的預測資料增加到學習模式中，增加新資料的同時剔除最早的資料，預測結果趨勢與灰色模型大致相同。
　　（二）長期收盤價走勢模型
　　在GM(1，1)模型的基礎上，對原始時間序列x(0)(k)進行三點滑動平均光滑處理，增加光滑度，并對進行多次取值，測試出最佳權重，當時取極值，此為預測值上下限。在數據處理方面，我們采用股價移動平均線MA5、移動平均線MA10進行預測，并考慮季節(jié)變動影響因子，收益率的滑動平均變化，假設市場供求僅受季節(jié)變化影響，即收益率僅由季節(jié)因子決定，故代入數據可得方程模型
　　同樣，我們對BP神經網絡模型進行改進，為減小短線波動影響，先對股票數據進行線性平均，具體輸入數據為股價移動平均線MA5、移動平均線MA10，并考慮季節(jié)變動、收益率的滑動平均變化，以時間段內的最高最低值分別取值為1、-1，對所有數據進行平滑和歸一化處理。確定使用一個隱含層，輸入層的神經元個數為7，隱含層的神經元個數為9，樣本數量為513，輸出層的神經元個數為1，運用MATLAB進行編程處理，待完成若干輪訓練之后，計算總體誤差達到極小時，即可結束訓練，使用該網絡進行對未來兩年青島海爾的股價進行預測，預測結果誤差較小。
　　（三）導入印花稅影響因子模型
　　由于印花稅是股票的交易成本之一，基于交易者理性人的假設，其變化必然影響股票價格。通過對模型的預測值與實際值的檢驗對比，根據印花稅調整的實際情況，即從調整為，印花稅率變化與股價成反相關關系，采用控制變量法，分析突變因子印花稅率變化對股票的影響，而通過實證分析，交易傭金變化率隨印花稅率正向相關，故將其作為同質因子考慮。
　　直接將印花稅變化率r導入關系式中，同時，運用BP神經網絡，將變量印花稅率作為新增的輸入層神經元進行分析，解得印花稅對股價影響可忽略。
　　二、模型的評價及改進方向
　　（一）關于虛擬變量季節(jié)因素變動的討論
　　通過對每一季度收盤價擬合可以看出，股價雖受季節(jié)變動影響較大，但不具有明確規(guī)律性，僅作為虛擬變量參考。
　　（二）模型的優(yōu)缺點
　　本文建模方法思想比較容易普及，對單個股票股價和綜合股指走勢預測這一大類問題的適用性很強。運用灰色系統(tǒng)預測模型和BP神經網絡預測模型，合理性和可行度較高，然而由于輸入層節(jié)點數選取不同，預測存在一定誤差。
　　（雷辰欣，江西九江人，中南民族大學經濟學院。研究方向：金融工程）