基于神經(jīng)網(wǎng)絡(luò)及遺傳算法證券投資分析.pdf

1、證券市場是一個高風(fēng)險高收益的投資市場，獲取比較高的收益同時降低風(fēng)險是投資者追求的目標(biāo)，這就涉及到兩個最基本的問題，一是選擇何種證券；二是如何進(jìn)行投資組合配置降低風(fēng)險。本文的研究思路就此圍繞上述兩個問題展開，在傳統(tǒng)和創(chuàng)新性理論的基礎(chǔ)上充分運(yùn)用先進(jìn)的技術(shù)方法實現(xiàn)，主要經(jīng)過分析、建模、求解及進(jìn)行實證分析等幾個過程并作出結(jié)論。 世界上很多研究人員都在努力研究股市預(yù)測。在證券市場有效的前提下，證券價格隨機(jī)游走，任何對證券的預(yù)測都是無效的。

2、本文從理論和實踐兩個方面對我國證券市場有效性分析，得出我國證券市場至少在短期是可以預(yù)測的結(jié)論。然而存在許多高度相關(guān)的經(jīng)濟(jì)、政治、甚至心理因素影響著股市，而且這些因素以非常復(fù)雜的方式互相影響，因此預(yù)測股市動向通常是非常困難的。傳統(tǒng)統(tǒng)計技術(shù)在處理非線性數(shù)據(jù)時具有較大的局限性，而股市數(shù)據(jù)又恰恰是非線性的。人工神經(jīng)網(wǎng)絡(luò)，一種包含許多簡單的相互連接的計算單元(節(jié)點)的系統(tǒng)，已經(jīng)展現(xiàn)出其分析非線性時間序列數(shù)據(jù)的能力。由于其自動化性能好，所以在沒有廣

3、泛的市場數(shù)據(jù)或者知識情況下，同樣可以得到有用的預(yù)測，因此人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為非專業(yè)人員預(yù)測股市動向提供了有利的工具。本文探索運(yùn)用非線性預(yù)測方法——BP神經(jīng)網(wǎng)絡(luò)模型建立一個基于量價的證券選擇模型，并通過遺傳算法(GA)與BP網(wǎng)絡(luò)結(jié)合解決BP神經(jīng)網(wǎng)絡(luò)模型存在的一些致命的缺點(如容易陷入局部極小點)。證券選擇模型仿真模擬實驗結(jié)果表明，其優(yōu)化方案比簡單的BP網(wǎng)絡(luò)更優(yōu)，驗證了該方法的正確性、高效性和實用性。該模型不僅為投資者提供了一種證券選擇方式

4、，豐富了投資者的證券選擇手段，同時也為投資者提供了一種新的思路。由于模型是基于量價關(guān)系建立起來的，該模型實質(zhì)上屬于技術(shù)分析中的一種，因而投資者可以根據(jù)自身的知識、經(jīng)驗選擇不同的技術(shù)指標(biāo)參數(shù)建立更好的模型。 此外，本文在經(jīng)典的Markowitz證券投資模型的基礎(chǔ)上，加入目前在金融領(lǐng)域中廣泛應(yīng)用的風(fēng)險價值VaR，提出幾種典型的投資組合模型。在正態(tài)分布的假設(shè)下，將目標(biāo)函數(shù)中非線性約束進(jìn)行簡化，并作出詳細(xì)分析；在非正態(tài)分布假設(shè)條件下創(chuàng)新

5、性地提出一種概率準(zhǔn)則意義下基于VaR的證券組合模型，采用蒙特卡羅(MonteCarlo)模擬技術(shù)實現(xiàn)。投資者可以根據(jù)不同的偏好對這些模型的約束條件及目標(biāo)函數(shù)進(jìn)行修改，建立起適合投資者自身的證券配置模型，因而從某種意義上講這些模型具有一定的通用性。投資組合模型屬于非線性規(guī)劃問題，一般情況下，求解非線性規(guī)劃問題的常用算法是基于梯度的迭代算法，但這些算法具有很強(qiáng)的局限性。因此在解決投資組合時，引入了一種新的優(yōu)化算法—遺傳算法(Genetica

6、lgorithm，簡稱GA)。在本文的數(shù)值計算中，遺傳算法憑借其良好的全局搜索性、超強(qiáng)并行化等特點，取得了良好的效果。 本文將證券選擇與證券配置結(jié)合起來，改變了通常只選擇證券或只進(jìn)行證券配置的不完整性，為投資者提供了一個比較完整的投資系統(tǒng)，使普通投資者即使在不懂證券選擇技術(shù)(如技術(shù)分析和基本分析)，風(fēng)險控制技術(shù)的情況下，也可以以比較高的概率獲取一定收益，簡化了投資選擇配置過程。實證檢驗表明該投資系統(tǒng)具有一定的可行性和可操作性，有

7、助于投資者提高投資成功率。 基于以上思路，本文共分為前言及七個章節(jié)。 前言主要介紹了本文的研究背景、意義和方法，指出本文主要以技術(shù)創(chuàng)新為出發(fā)點的研究角度。 第一章介紹神經(jīng)網(wǎng)絡(luò)基本原理及學(xué)習(xí)算法。在簡單描述了神經(jīng)網(wǎng)絡(luò)的基本原理的基礎(chǔ)上，介紹了幾種比較典型的神經(jīng)網(wǎng)絡(luò)模型，并針對其基本算法所存在的問題提出了幾種改進(jìn)方法。 第二章介紹遺傳算法的基本原理及其在神經(jīng)網(wǎng)絡(luò)優(yōu)化中的應(yīng)用。對遺傳算法的生物學(xué)原理進(jìn)行了簡單的

8、描述，提出了詳細(xì)的算法流程，并對其有效性進(jìn)行了數(shù)值驗證，最后利用其優(yōu)點，提出了對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)的算法。 第三章對我國證券市場的有效性進(jìn)行了檢驗。首先描述了有效市場的概念及研究現(xiàn)狀，然后從理論上對我國證券市場有效性進(jìn)行了分析，接著利用神經(jīng)網(wǎng)絡(luò)模型從實證的角度進(jìn)行分析，最后得出我國資本市場在短期是可以預(yù)測的結(jié)論，為本文的繼續(xù)進(jìn)行奠定了最基本的理論與實踐基礎(chǔ)。 第四章利用BP神經(jīng)網(wǎng)絡(luò)建立證券選擇模型。主要介紹模型建立過程

9、中所涉及到的一系列建模程序和數(shù)據(jù)處理方法，主要包括模型樣本數(shù)據(jù)的選擇與處理、BP神經(jīng)網(wǎng)絡(luò)輸入輸出數(shù)據(jù)選取與處理、BP網(wǎng)絡(luò)模型參數(shù)設(shè)計、BP網(wǎng)絡(luò)訓(xùn)練與測試，并在最后建立了基于遺傳算法的BP網(wǎng)絡(luò)，即改進(jìn)后的證券選擇模型。 第五章介紹了風(fēng)險控制技術(shù)VaR。介紹了VaR技術(shù)的基本概念及其在不同情況下的計算方法，為后文的使用打下了基礎(chǔ)。第六章介紹典型的證券組合模型并利用VaR技術(shù)對其進(jìn)行改進(jìn)。在傳統(tǒng)的Markowitz證券組合模型的基礎(chǔ)上

10、，對其進(jìn)行了改進(jìn)，融進(jìn)了新的風(fēng)險控制技術(shù)VaR，建立了幾個比較典型的證券組合模型，并在不同分布假設(shè)下對其進(jìn)行了數(shù)值仿真。 第七章實證分析。將前文已經(jīng)建立起來的證券選擇模型及典型證券組合模型結(jié)合起來，作為一個完整的證券投資系統(tǒng)，進(jìn)行實證檢驗，并對其有效性進(jìn)行分析，得出系統(tǒng)具有一定可行性的結(jié)論。 本文重點研究了與投資者息息相關(guān)的證券選擇、投資組合這兩個問題，在占有豐富理論知識的基礎(chǔ)上，采用新技術(shù)和新方法從技術(shù)的角度進(jìn)行了比較

11、詳細(xì)的分析。在此過程中，筆者認(rèn)為本文創(chuàng)新之處主要有以下幾個方面。 1、采用新技術(shù)新方法解決具體金融問題。本文沒有使用傳統(tǒng)的統(tǒng)計學(xué)知識、工具和方法來解決文章中所涉及到的問題，而主要利用神經(jīng)網(wǎng)絡(luò)、遺傳算法這些智能工具與算法來完成相應(yīng)的任務(wù)。從市場有效性分析到證券選擇模型的建立再到證券配置的求解，神經(jīng)網(wǎng)絡(luò)與遺傳算法貫穿于整個過程。 2、模型參數(shù)與樣本有自己獨特之處。由于技術(shù)指標(biāo)的多樣性及復(fù)雜性，模型以技術(shù)分析中最基本的量、價為

12、輸入?yún)?shù)，在實驗的基礎(chǔ)上，選擇了12個包含上證指數(shù)及個股在內(nèi)的輸入向量；在樣本選擇中，為了使模型具有普遍適用性，根據(jù)股票價格劃分為大、中、小三類，并保證各類樣本的數(shù)量配比。 3、證券選擇模型較新穎。根據(jù)投資者不同需求，模型具有一定的靈活性。本文建立模型簡單描述即為：利用本周及滯后兩周歷史數(shù)據(jù)選擇在下一周中收益率高于上證指數(shù)5％的個股。通過對訓(xùn)練樣本和檢驗樣本驗證，表明模型具有一定可行性。 4、證券配置模型方面的創(chuàng)新。結(jié)合