基于人工神經網絡的新股上市連續漲停板數量預測

單督明

浙江財經大學

基于人工神經網絡的新股上市連續漲停板數量預測

單督明

浙江財經大學

本文通過對2017年2月28至2017年6月1日新上市的124只新股數據進行分析，來探究影響新股上市后連續一字板個數的影響因素。本文采取了6種財務指標，以及3種表征市場狀態的指標。通過人工神經網絡模型來擬合新股上市后連續一字板個數，并探究不同誤差下模型的準確率。結果表明，在誤差20%的范圍內，模型有較強的解釋能力。此模型對實際投資具有較強的參考價值，并可以依此做出投資決策。

新股上市；連續漲停板；基本面指標；市場狀態指標；人工神經網絡

1 引言

新股能連續漲停是與新股發行數有很大關系，由于新股一直被市場認為是稀缺產品，新股預估發行市盈率受限，大部分新股估值相對同行業折價明顯，上市后必然遭到哄搶，所以新股上市后，很容易開盤就漲停。這導致的現象就是新股是眾多股民夢寐以求的東西，然而由于中簽率的限制，大多數人不能再首日買入新股。所以判斷新股是否還具有投資價值是一個很值得考慮的問題。

由于股價的非線性特征，股票市場投資者商業行為的復雜性和對未來時間的影響能力，以及我國股市具有明顯的政策性等因素，都極大了增加了我們預測股價的難度。神經網絡是一種大規模并行的復雜非線性動力系統，由于其具有很強的自學習能力自適應能力以及容錯能力等優點，使它成為一種比較合適股票預測方法。

本文想通過人工神經網絡算法，利用近三個月新股2016年12月31日到2017年5月26日的數據預測新股漲停板個數與公司基本面、上市日期以及首發價格的關系，以便確定某只新股是否應該賣出或者是否還有套利空間。

2 文獻綜述

由于股票市場具有高度的不確定性，并且神經網絡理論非線性預測能力 較強的性質，為了能把握股市的規律，有很多人在試圖利用神經網絡理論對股票價格進行預測，并在不同的方向取得了較為滿意的效果，下面介紹一些利用神經網絡進行預測的方法。中國科學技術大學電子科學與技術系的周佩玲、邢根柳[1]針對ANFIS直接對價格序列進行預測偏差較大的問題，提出了在處理有趨勢特征的價格數據中，用數字濾波器獲取價格趨勢和圍繞趨勢波動的變化細節特征，對兩者分別采用AR和ANFIS模型進行預測。北京工業大學電子信息與控制工程學院的丁圣、高風[2]人試圖通過將小波分析中的趨勢提取技術應用于證券預測中來提高神經網絡預測精度。上海大學計算機工程與科學學院的李楨，徐凌宇[3]研究BP中國收斂速度蠻、局部極小值的問題，針對現有研究中的改進方法對BP的性能提升有限，從疲勞的角度出發，提出了一種新的改進方法---階段化評價法，進行一階段學習后對性能指標進行評價，并且于調整下一階段的學習方式。

3 指標選擇

個別指標含義詳解

其中第1至第8個指標為財務指標，可以通過報表查得。

x9：市場動量指標。從歷史統計數據來看，A股向來有“追漲殺跌”的喜好。當股票處于上漲態勢時，買方力量會較強。

x10：市場狀態指標。當市場處于較高位置時，會被認為價值被高估，買方力量減弱。當市場處于較低位置時，會被認為價格被低估，是較好的買入時機。因此將該指標用“新股與次新股”所處價值區間進行表示。

y：上市后連續漲停板個數。由于A股市場存在這樣一種現象，即新上市股票會從發行日后幾天會出現連續漲停的個數計算依據是從上市首日到出現成交量突然放大的成交日，這兩個計數日之間的天數之差即為上市后連續漲停板個數。

4 實證分析

4.1 情緒指標的計算

首先新股與次新股從2017.2.28日到6.1日的收盤價序列進行處理。對統計當天設定前后5天為統計窗口期，計算這11天內的走勢情況，首先計算這11天的每天的上漲(下跌)趨勢，計算第i天的趨勢是考慮前后5天期間的斜率，即：

4.2 實證過程

1.我們從115條數據中隨機抽取90條數據作為訓練集，剩余25條數據作為測試集。

2.抽樣后，將測試集用AMORE包進行人工神經網絡進行模型擬合。在構造神經網絡時，參數選擇會對結果產生不同影響。首先是節點的選擇，我們固定誤差范圍≤20%，變化隱藏層節點數(1到10)，計算準確率。

3.隨后將測試集代入已知模型得到預測值。選擇激勵函數：

對該樣本進行學習訓練，允許最大誤差ε=1×10-6，初始學習步長η=0.001，最大訓練步數=10000。

4.我們設定不同的誤差閾值，若預測值落入誤差閾值范圍內，則認為預測準確，若落入誤差閾值范圍之外認為預測失誤。最后計算此次抽樣的模型準確率。通過調節誤差閾值的范圍，計算不同情況下模型的準確度。

4.3 模型評價

定義D為誤差比率，表示預測值與實際值之間的偏差

其中yp為漲停板預測值，ya為漲停板實際值

5 結論和建議

通過大量數據分析新股上市后打開漲停板的交易日之后是存在套利空間。且獲利區間較大。同時，運用人工神經網絡模型對新股上市后漲停板個股和指標的分析，我們認為通過公司的財務指標以及市場情緒指標能在一度程度上預測股票上市后的連續漲停的天數。模型準確性較高，在20%的誤差范圍內，模型的準確率達到了90.18%。

[1]周佩玲、邢根柳.股票價格趨勢預測研究[J].計算機工程，2002(1)：136-140

[2]丁圣、高風.小波神經網絡在股票平均線交易規則中的應用[J].計算機仿真，2006(11)

[3]李楨、徐凌宇.基于階段評價的BP及在股價預測中的應用[J].計算機仿真，2006(12)

單督明(1997.02-)男，籍貫：浙江省東陽市，學歷：本科在讀，院校：浙江財經大學，研究方向：金融工程專業