股票價格預測方法綜述

徐程成

[摘要]精準預測股票價格在收益和風險劇烈波動的股票市場中的作用日益突出，無論是金融機構還是監管當局對此都給予了足夠的重視。文章綜述了國內外研究各種股票預測方法的文獻，對其進行分類匯總評價。

[關鍵詞]股價預測;EEMD;時間序列;神經網絡

[DOI]1013939/jcnkizgsc202009042

1前言

如今，股票投資在人們日常生活中充當著越來越重要的角色，同時作為一國宏觀經濟運行的“晴雨表”，股票市場價格變化也直接影響到金融市場的穩定和經濟的健康發展。由此，獲得精準的股價預測對于決策者來說，能更有效的規避未來的風險;對于監管機構來說，則能加強對股票市場的把控，及時調控和引導股票市場，為經濟的持續發展提供堅定的信心和有力的保障。

所謂股價預測，則是通過股市發展的規律性及其歷史和現狀，依托大量的股市信息和精準的統計調查資料，應用各類科學方法來預測股票市場的發展前景。數十年來，學者們運用探索了各種預測方法，因此，閱讀了解相關研究，匯總分類這些預測方法對進一步的研究有一定的積極意義。

2傳統的股票價格預測方法

多年來，研究學者們提出了各種預測方法，如基于統計學和概率論的VAR（向量自回歸模型）、ARM（自回歸滑動平均模型）、指數平滑模型，基于非統計原理的GM、SVM以及ANN創新型預測模型、灰色預測法、人工神經網絡方法等。

然而，以統計學為支撐的模型是基于對數據序列的主觀模型和經驗進行預測，無論是預測的精度還是穩定度方面都沒有保障;灰色預測方法由于其模型難以適應數據變化趨勢導致精確度不高;人工神經網絡的預測算法則易導致局部極小值收斂。

股票市場作為一種影響因素眾多、各種不確定性交互的復雜系統，其價格波動受到問題的動態非線性、數據的高噪聲、人為操控、政策干預等多種要素的影響，并且各要素相互之間的影響機理也相當復雜。要做出精準的預測，必須保證預測方法能夠處理龐大的信息量，并具備一定歸納推理能力，這也是傳統方法用于股市預測效果不佳的主要原因。

3股票價格預測方法的現狀分析

31EEMD方法研究綜述

EEMD方法（集合經驗模態分解方法）是為了防止EMD（經驗模式分解）中產生模式混淆，而將白噪聲引入EMD算法所形成的一種新的自適應的、高效的運算方法。近年來，隨著計算機水平的發展，這種方法在處理非平穩、非線性的金融領域時間序列方面表現出極大的優越性，能夠發掘出一些隱藏在數據中很難被發現的內在規律。劉夢怡（2018）指出由于添加進去的白噪聲均值為零，能夠自動消除模態混疊問題，得到更加接近真實值的分析結果。

姚衛東（2016）和王曉芳（2012）通過EEMD把上證綜指分解為高頻部分、低頻部分和趨勢項部分，探索發現：趨勢項T是一個單調遞增且變化緩慢的序列，可以被視為股票市場的內在運行軌跡;低頻分量體現重大事件對滬市產生的沖擊，會導致股票指數中長期的大幅波動，構成的影響常常會延續數年，等影響期結束后，股指會回到趨勢項附近圍繞其小幅波動運行;高頻分量則體現股票市場中一些微小事件的影響或者短期隨機波動的產生。當低頻分量大于零時，股市呈現出繁榮期特征，此時股市運動軌跡在趨勢項之上，股票價值被高估。

蔣國均（2014）則發現高頻序列平均周期為33天，與我國學者奉立誠指出我國股票市場表現出的“周五效應”和“周二效應”理論基本吻合。經過研究對比證明了用EEMD方法處理后的數據進行SVM預測精度高于直接運用SVM模型預測。

32機器學習方法研究綜述

機器學習算法的優點是能夠最大程度地模擬對象的具體特征，在處理數據量及復雜度方面有較大優勢。

文成（2011）主要采用支持向量機的機器學習方法，并結合小波分析以及混沌時間序列理論來預測股票市場股價走勢，成功地通過分離高低頻信號起到了去噪的效果。傅航聰（2017）綜合時間序列算法、K-近鄰算法以及支持向量機算法的長處，整合提出了一種綜合預測算法。多種機器學習方法和金融模型的結合有效彌補了單個算法的不足，可以更精準地預測股價的未來走向。

33時間序列方法研究綜述

在這個信息爆炸的時代，越來越多的具有時間標簽的股票交易數據被積累在股市中。龍會典（2013）利用ARMA模型對股票時間序列進行建模與預測分析，但預測精度不高。石鴻雁（2014）對上證日收盤指數建立了基于小波分析的ARIMA模型，提高了預測精度。

李奮華（2016）則將數據挖掘技術引入到了股票數據時間序列分析中，實驗發現了ARMA預測方法效果要遠好于指數平滑預測方法，表明了非線性時間序列的預測優良性。

張捷（2017）選取個股日收盤價數據，運用ARIMA模型和GARCH模型分別從序列水平特征和波動特性2個角度進行股票的短期預測和波動性擬合，得到了一定的參考價值的投資性建議。

34神經網絡方法研究綜述

自20世紀初至今，神經網絡研究取得了巨大進步，許多學者將其用于股票預測研究。如李松（2012）提出粒子群算法-BP神經網絡模型，通過引入自適應變異算子對陷入局部最優的粒子進行變異，從而提升了全局最優預測值的尋找性能。

神經網絡具備自適應、自學習、自組織、分布處理以及容錯性好等優質特性，為股票價格預測提供了一種全新的模式，徹底改變了既有模式，并取得了諸多成果。

341BP神經網絡研究綜述

神經網絡在訓練的過程中大多采用的是一種BP算法，黃宏運（2016）通過建立BP神經網絡股價預測模型，發現位于測試集初期且股價波動幅度較小時，BP神經網絡的預測輸出值具有較高的擬合度，但對股價波動幅度較大的時段則嚴重偏離實際輸出。

為了解決BP算法對于初始權閾值設置的高要求問題，郝繼升（2017）利用了具備良好非線性尋優能力的遺傳算法來優化其對初始權閾值的設置，劉雯琦（2018）則建立了一種基于自適應差分進化算法的股價預測模型，加快了網絡訓練速度。

郭建峰（2017）提出了通過LM算法改進BP神經網絡里的梯度下降法，得到了更快的收斂速度和更高的精確性。劉恒（2018）采用貝葉斯正則化改進后的BP神經網絡算法（BRNN）運用于股票時間序列預測中，其預測精度比傳統BP模型提高了4281%。

342小波神經網絡研究綜述

近年來，小波分析方法被引入到經濟和金融領域，在時頻兩域都具備表征信號局部特征的能力以及多尺度分析的特性是其獨特的優勢。陳俏（2015）指出小波分析具有非常強大的多尺度分辨功能，能識別出股票指數序列中各種高低不同的頻率序列，發現其變化趨勢。

小波神經網絡則是將小波分析的優點和神經網絡的結構簡單、非線性逼近等特點結合起來，使其對于股價走勢的逼近能力更強大，并且可以避免結構設計上的盲目性、易陷入局部極小值等缺陷。薛亮（2018）指出該方法具有比小波分解更多的自由度及更靈活有效的函數逼近能力，適用于股票市場。

考慮到小波神經網絡使用的局部搜索算法易使得學習過程陷入局部最優解，宗娜娜（2014）提出用全局搜索算法遺傳算法優化小波神經網絡，結果證實基于遺傳算法（GA）的小波神經網絡預測精度要優于BP算法。

任水利（2017）提出了一種基于粗糙集（RS）與小波神經網絡集成的預測方法，降低了WNN的復雜性，減少了訓練時間。基于股票時間序列數據既有線性特征又有非線性特征，楊進（2018）提出了一種基于小波神經網絡與ARIMA的組合預測模型，有效地體現了小波神經網絡在非線性擬合上的強大功能和ARIMA在時間序列數據上的優勢。

343其他神經網絡研究綜述

張金仙（2016）指出自適應神經網絡可以根據誤差大小自主地調整學習效率，加快收斂速度，具有良好的自學習和容錯能力。

馬川（2017）提出的一種能夠直接獲得最優的權值和結構的正弦激勵的WASD神經網絡、黃宏運（2017）提出的具備動態反饋功能的Elman神經網絡，以及鄧烜堃（2018）設計的深度稀疏修正神經網絡模型DSRNN，基于歷史數據試驗發現，這三種預測方法預測精度均高于BP神經網絡，有較高的股指預測能力。

4股票價格預測方法今后擬解決的關鍵問題

以上提到的各種預測方法雖然可以實現對未來股價變化趨勢的大致預測，但是無法達到精準預測。這是由于目前我國股票市場仍處于不成熟的發展狀態，短期內的國民經濟狀況、宏觀政策以及投資者的心理預期等眾多因素都會對股價造成某種程度的影響。所以，在今后的預測中，還應綜合考慮各個方面的因素，如經營企業的基本面、技術指標等，以實現最大收益或規避最大風險的投資目標。

5結論

股票市場對一國經濟的重要性會使得股價預測方法種類不斷地發展壯大，會由其他學科的發展而不斷衍生。在后續預測方法的發展過程中，需要不斷地去探索，深入研究股票市場的特征，使得模型更加貼近實際，擴大方法的適用性，得到更好的預測精度。

參考文獻：

[1]劉夢怡EEMD分解方法在我國股票市場分析預測中的應用[D].濟南：山東大學，2018

[2]姚衛東，王瑞君結構分解視角下股市波動與政策事件關系的實證研究——基于EEMD算法[J].上海經濟研究，2016（1）：71-80

[3]王曉芳，王瑞君上證綜指波動特征及收益率影響因素研究——基于EEMD和VAR模型分析[J].南開經濟研究，2012，6：82-99

[4]蔣國均我國滬深股票市場價格指數相關性分析及預測研究——基于EMD分解技術的應用[D].廣州：暨南大學，2014

[5]文成基于機器學習方法的股票數據研究[D].重慶：重慶理工大學，2011

[6]傅航聰，張偉機器學習算法在股票走勢預測中的應用[J].軟件導刊，2017，16（10）：31-34，46

[7]龍會典，嚴廣樂基于SARIMA、GM（1，1）和BP神經網絡集成模型的GDP時間序列預測研究[J].數理統計與管理，2013，32（5）：814-822

[8]石鴻雁，尤作軍，陳忠菊基于小波分析的ARIMA模型對上證指數的分析與預測[J].數學的實踐與認識，2014，44（23）：66-72

[9]李奮華，趙潤林一種基于時間序列分析的股票走勢預測模型[J].研究與開發，2016（7）：14-17

[10]張捷基于時間序列模型的股票價格波動特性分析[J].湖南文理學院學報，2017，29（3）：4-8，12

[11]李松，劉力軍，翟曼改進粒子群算法優化BP神經網絡的短時交通流預測[J]系統工程理論與實踐，2012，32（9）：2045-2049

[12]黃宏運，吳禮斌，李詩爭BP神經網絡在股票指數預測中的應用[J].通化師范學院學報，2016，37（5）：32-34

[13]郝繼升，任浩然，井文紅基于自適應遺傳算法優化的BP神經網絡股票價格預測[J].河南科學，2017，35（2）：190-195

[14]劉雯琦基于SDE的BP神經網絡股票價格預測[J].無線互聯科技，2018（15）：107-108，119

[15]郭建峰，李玉，安東基于LM遺傳神經網絡的短期股價預測[J].計算機技術與發展，2017，27（1）：152-155，159

[16]劉恒，侯越貝葉斯神經網絡在股票時間序列預測中的應用[J].計算機工程與應用，2018（8）：1-7

[17]陳俏，梁利利小波分析在股票指數分析中的作用[J].金融市場，2015（6）：45-47

[18]薛亮，劉麗穎，虞文杰股票市場預測的小波神經網絡模型[J].經濟研究導刊，2018（3）：95，126

[19]宗娜娜小波神經網絡在股票預測中的研究與應用[D].昆明：昆明理工大學，2014

[20]任水利，雷蕾，甘旭升，等基于粗糙集與小波網絡集成的股價走勢預測研究[J].系統科學與數學，2017，37（11）：2209-2221

[21]楊進，陳亮基于小波神經網絡與ARIMA組合模型在股票預測中的應用[J].經濟數學，2018，35（2）：62-67

[22]張金仙，閆二樂，楊拴強基于自適應BP神經網絡的上證指數預測模型的研究[J].長春大學學報，2016，26（6）：26-30

[23]馬川，廖柏林，周俊，等基于正弦激勵的WASD神經網絡的上證指數預測[J].懷化學院學報，2017，36（11）：82-86

[24]黃宏運，吳禮斌，李詩爭基于Elman神經網絡的股票開盤指數預測[J].蘭州文理學院學報，2017，31（2）：30-35，89

[25]鄧烜堃，萬良，馬彥勤深度稀疏修正神經網絡在股票預測中的應用[J].計算機技術與發展，2018（5）：1-10