神經網絡金融市場預測文獻綜述

羅仁駿（重慶工商大學財政金融學院，重慶 400000）

金融市場預測作為金融領域中較為獨特的一塊，經受了飽受爭議到如今的百家爭鳴。然而作為人民的心有所想，風險控制的需求等，金融市場預測愈發處于一個新興且不斷發展的態勢，某種程度上而言，隨著科技和模型方法的發展，金融市場預測也可謂金融領域尋求更多突破的領域之一。

1.金融市場的可預測性

市場有效性假設(EMH)是現代金融經濟理論的基石之一。法瑪(Fama,1970)指出，市場有效性一般區分為三個層次：弱有效、半強有效、強有效。而由于金融市場的多噪聲，不穩定，影響因子多的特性，看上去仿佛遵循布朗運動，因此而認為對金融市場建立預測模型是沒有意義的。于是最初的經典文獻都著眼于金融市場的可預測性上面。Andrew W.Lo and A.Craig MacKinlay 在1988年對股價進行了隨機游走檢驗，發現股票市場價格并不嚴格服從隨機游走假設，其價格的變化具備一定的可預測性。至此以后，越來越多的學者對金融市場價格的可預測性進行深入的研究。如Cochrane(2005) 指出金融市場近年來所發現的最重要現象是股票和債券以及外匯市場的投資回報是可預測的; 國內學者如馬樹才，趙豐義 (2007)運用股市預期收益率模型從理論上探究闡述了股票市場具有某種程度的可預測性；與此同時，通過GARCH-M 模型驗證中國滬深股票市場具有可預測性。

2.金融市場的預測方法

傳統的金融市場預測方法主要有移動平均法、指數平滑法、分解法、季節系數法、Box-Jenkins 法、門限自回歸模型及閾值自回歸模型等方法。這些傳統方法大都側重于理論研究，而為了解決實際存在的問題，學者們逐漸把目光轉向了非線性預測領域，使得非線性預測方法得到了迅速發展。

2.1 神經網絡金融市場預測

在非線性方法中，神經網絡是數據挖掘技術較早實現的方法之一。神經網絡較傳統的預測方法有其優勢：(1)神經網絡是一種自適應方法，通過對訓練集的反復學習來調節自身的網絡結構和連接權值，然后對未知的數據進行分類和預測；(2)神經網絡可以以任意精度逼近任意函數；(3)網絡研究的一個重要問題是泛化能力，即預測和訓練數據差距比較大的數據的能力，泛化能力可以在訓練網絡的過程中不斷提高；(4 神經網絡是一個非線性模型，這使得它能夠靈活地模擬現實世界中數據之間的復雜關系，具有對非線性數據快速建模的能力。1987年Lapedes 和Farber 首先應用了神經網絡進行預測，神經網絡在金融領域中的預測方法得到了廣泛重視和研究。其真正應用于經濟領域是在90年代。

目前在時間序列趨勢預測中廣泛使用的神經網絡包括BP 神經網絡、徑向基函數(RBF)神經網絡、Chebyshev 神經網絡、Elman 網絡、遞歸延遲網絡等。自從BP 神經網絡在1986年被提出后就被廣泛的應用，因為它可以在復雜的，有噪聲的環境下尋找到相對精確的結果，現今更多學者將神經網絡同數據分析方法相結合以尋求更好的預測精度。薛永剛等(2014)采用多分辨分析技術分解深圳成分指數得到多個子序列，然后采用神經網絡技術對每個子序列分別建立預測模型，將各個預測結果疊加后得到最終預測結果。蔣輝(2013)提出了基于灰色殘差模型和反向傳播神經網絡的股指動態預測方法，并運用多元線性回歸模型對兩種動態預測結果進行擬合，經過實證分析表明動態預測模型通過及時調整新數據對后續預測的影響，能夠取得較高的預測精度。劉娜等(2011)運用小波分解與重構技術構建小波神經網絡短期預測模型的方法來解決股價預測的問題，結果小波神經網絡比反向傳播神經網絡模型預測效果更好，具有更高的精度，具有實際的推廣應用價值肖斌卿等人（2016）通過模糊理論改進形成的模糊神經網絡相比于BP 神經網絡得到更好的小微企業的不良貸款檢測正確率，能夠有效運用于小微企業的信用評級模型構建。

2.2 深度學習神經網絡

“深度學習”一詞最初是由Dechter 于1986年引入機器學習。目前，深度學習模型主要是指可學習或可訓練的深度神經網絡DNN(Deep Neural Networks)，盡管廣義的深度學習不應局限于此。深度神經網絡首先是突破了前饋神經網絡的局限性，使得隱含層的層數可以達到10 層以上，甚至沒有理論上限，關鍵是找到了這種深度神經網絡的學習或訓練算法，克服了原來多層神經網絡訓練算法中所存在的梯度消失、梯度爆炸、過度擬合等問題。安寧寧(2015)報告了將自編碼器用于秒級的股指期貨價格預測，并基于這種預測設計交易策略，取得了顯著的實證結果。Koutnik 等(2014)提出的時鐘驅動遞歸神經網絡(CW-RNN)是一個遞歸神經網絡的改良，是一種使用時鐘頻率來驅動的遞歸神經網絡。它將隱含層分為幾個組，每一組按照自己規定的時鐘頻率對輸入進行處理。通過不同的隱含層模塊在不同的時鐘頻率下工作，時鐘驅動遞歸神經網絡解決了長時間依賴問題。將時鐘時間進行離散化，然后在不同的時間點，不同的隱含層組工作。孫瑞齊（2015）使用LSTM 神經網絡對美股股指價格趨勢進行預測研究，使用擬牛頓法加快了學習速率，并取得更精準的預測結果。

3.總結

通過對金融市場的可預測性和預測方法的文獻梳理得到了金融市場預測的現狀，同時確認了深度學習神經網絡在金融市場預測上仍大有可為且具備研究的必要，現階段國內外相關文獻仍然較少。同時深度學習神經網絡由于其可調參數，模型結構都會對結果產生影響，研究前景廣闊。金融市場預測模型作為智能金融投顧的基礎模塊之一，能有效幫助并實現智能選股，構建并優化投資組合，具備足夠的可行性。