論文基于BP神經(jīng)網(wǎng)絡(luò)的上證股票指數(shù)預(yù)測

基于BP神經(jīng)網(wǎng)絡(luò)的上證股票指數(shù)預(yù)測

ShanghaiStockIndexPrediction

withNeuralNetworks

內(nèi)容提要

證券市場作為高風(fēng)險(xiǎn)高收益的投資領(lǐng)域一直倍受投資者的關(guān)注，如何能夠準(zhǔn)確分析和預(yù)測股票價(jià)格以便獲取豐厚的收益一直受到人們的關(guān)注。于是各種股票價(jià)格分析預(yù)測和方法應(yīng)運(yùn)而生，如何建立一個(gè)成功率比較高的預(yù)測理論和模型是多年來許多學(xué)者一直研究的內(nèi)容。

隨著證券市場混沌和分形理論的逐步確立，人們開始利用神經(jīng)網(wǎng)絡(luò)對證券市場的變動(dòng)加以預(yù)測。神經(jīng)網(wǎng)絡(luò)是一種重要的人工智能技術(shù)，它的研究開始于20世紀(jì)40年代，近年來，神經(jīng)網(wǎng)絡(luò)任意連續(xù)映射的逼近能力學(xué)習(xí)理論以及動(dòng)態(tài)網(wǎng)絡(luò)的穩(wěn)定性分析都已取得了豐碩的成果；在應(yīng)用上也迅速擴(kuò)展到許多重要的領(lǐng)域涉及模式識別與圖象處理、控制與優(yōu)化、ATM網(wǎng)絡(luò)中呼叫接納的識別與控制、導(dǎo)航多媒體處理系統(tǒng)等等。神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)非線性映射強(qiáng)的特點(diǎn)非常適合應(yīng)用于經(jīng)濟(jì)領(lǐng)域的信息處理以及分析時(shí)間序列。

BP（BackPropagation）網(wǎng)絡(luò)是一種被廣泛運(yùn)用的神經(jīng)網(wǎng)絡(luò)。它的核心是BP算法，一種對于多基本子系統(tǒng)構(gòu)成的大系統(tǒng)進(jìn)行微商計(jì)算的嚴(yán)格而有效的方法，結(jié)構(gòu)簡單，算法成熟。與傳統(tǒng)統(tǒng)計(jì)回歸方法相比，神經(jīng)網(wǎng)絡(luò)不僅能夠?qū)W習(xí)訓(xùn)練集的例子，且能從訓(xùn)練集中提煉出某種一般性原理、規(guī)律，具有很強(qiáng)的非線性函數(shù)擬合特性,這對于預(yù)測短周期內(nèi)股指波動(dòng)有較強(qiáng)的適用性。

本文嘗試?yán)没贐P算法的三層向前神經(jīng)網(wǎng)絡(luò)對上海交易所上證指數(shù)進(jìn)行了預(yù)測，并針對BP網(wǎng)絡(luò)原形的一些缺點(diǎn)和不足，對原有的預(yù)測方法作出了一些改進(jìn)。在實(shí)際預(yù)測中取得了良好的效果。

關(guān)鍵詞：指數(shù)預(yù)測；神經(jīng)網(wǎng)絡(luò)；BP算法

Abstract

Tobeaninvestmentregionofhighriskandhighprofit,Stockmarketattractsmanyinvestors’attentionsallalong.Howtoobtainprofitthroughanalyzingandforecastingthesharepriceaccuratelyisattractingthepeople’sattentions.

WiththedevelopingofFractalMarketHypothesis(FMH)theory,peoplehavetriedtoforecastthechangeoftheStockmarket.TheneuralnetworkisanimportanttechnologyinthefiledofAI,whichwasdevelopedin1940’s.Inrecentyears,thetheoryabouttheapproximationofrandomcontinuousmapsbyneuralnetworkandtheanalyzingofthestabilityofadynamicnetworkhavebeenusedinmanyfieldsandgainedgreatachievement.

BP(BackPropagation)isaneuralnetworkwhichisadoptedwidely.ThecoreistheBParithmetic,astrictandeffectivemethodtoderivativeproblemforsystembasedonmulti-subsystem,whichhassimpleconfigurationandmaturearithmetic.Tocomparewiththetraditionalstatisticalregressmethod,BPnetworkcannotonlystudytheexampleoftrainingset,butalsoabstractsomegeneraltheoryandrule.Ithasstrongcharacteristicofapproximationofnon-linearfunctions,whichismuchfitforstockindexanalyzedandpredictedinashort-term.

ThisarticletriestouseaneuralnetworkonthebaseofBParithmetictoforecasttheshareindexofShanghaistockexchange.MeanwhileitmakessomeimprovementtotheoriginalforecastmethodaccordingtothelimitationanddisadvantageoftheBPnetworkoriginalshape.

Keywords:StockIndexForecasting；NeuralNetworks；BParithmetic

目錄

前言1

第一章股票市場的分形特征及其指數(shù)的預(yù)測方法2

第一節(jié)：股票市場的分形特征2

1.傳統(tǒng)的有效市場假說2

2.分形市場的假說(FMH)3

第二節(jié)分形市場的判斷5

1.分形市場的常用判斷方法5

2.使用R/S法計(jì)算Hurst指數(shù)5

3.R/S計(jì)算的結(jié)果分析10

第二章利用神經(jīng)網(wǎng)絡(luò)對具有分形特征的時(shí)間數(shù)列進(jìn)行預(yù)測.10

第一節(jié)常用的混沌時(shí)間序列分析預(yù)測方法10

第二節(jié)神經(jīng)網(wǎng)絡(luò)的基本原理10

1.人工神經(jīng)網(wǎng)絡(luò)的歷史11

2.神經(jīng)網(wǎng)絡(luò)的特點(diǎn)12

3.神經(jīng)網(wǎng)絡(luò)的基本原理13

第三節(jié)基于BP算法的三層向前的神經(jīng)網(wǎng)絡(luò)15

1.多層次的神經(jīng)網(wǎng)絡(luò)15

2.BP網(wǎng)絡(luò)的基本原理16

第三章對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)17

第一節(jié)BP網(wǎng)絡(luò)的缺陷17

第二節(jié)與BP算法相結(jié)合的遺傳算法18

1.遺傳算法簡介18

2.遺傳算法的基本原理19

3.遺傳算法與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的結(jié)合20

第三節(jié)在樣本輸入中添加隨機(jī)噪聲21

第四節(jié)多個(gè)神經(jīng)網(wǎng)絡(luò)集成預(yù)測22

第四章實(shí)證結(jié)果及其分析24

第一節(jié)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)24

第二節(jié)利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測上證指數(shù)的流程26

第三節(jié)實(shí)際預(yù)測結(jié)果28

第四節(jié)對預(yù)測結(jié)果的分析和思考34

第五節(jié)總結(jié)35

前言

從股市誕生一百多年以來，不斷有人用各種方式研究股市運(yùn)行的規(guī)律，人們希望能從復(fù)雜多變的股市中找到一個(gè)規(guī)律來預(yù)測股市未來的發(fā)展，從而通過證券交易獲得最大的投資凈效用。另一方面，隨著證券市場的飛速發(fā)展，證券市場與經(jīng)濟(jì)發(fā)展的關(guān)系越來越密切，證券市場在成為世界公認(rèn)的經(jīng)濟(jì)晴雨表的同時(shí)，也對經(jīng)濟(jì)的發(fā)展產(chǎn)生著發(fā)作用。因此預(yù)測股票市場的變化趨勢更對經(jīng)濟(jì)發(fā)展的管理和調(diào)控有著重要的參考作用。

如何能夠準(zhǔn)確分析和預(yù)測股票價(jià)格?各種股票價(jià)格分析預(yù)測和方法應(yīng)運(yùn)而生,如何建立一個(gè)成功率比較高的預(yù)測理論和模型是多年來許多學(xué)者一直研究的內(nèi)容。國外的研究者先后提出了一系列的定價(jià)理論和投資組合模型如馬柯威茨的投資組合理論夏普等人的CAPM以及羅斯的APT然而投資者們發(fā)現(xiàn)雖然這些理論極大地開闊和提高了投資者的思想理念及其對風(fēng)險(xiǎn)和收益的辨證理解但對實(shí)際操作卻缺乏明確的指導(dǎo)作用。

隨著近年來人工智能方法研究的發(fā)展以及證券市場一些特性逐漸被人所揭示，一些新的預(yù)測方式開始浮出水面。神經(jīng)網(wǎng)絡(luò)由于其在分析和預(yù)測時(shí)間序列方面的獨(dú)到優(yōu)勢，逐漸成為構(gòu)建證券預(yù)測模型的有力工具。

我國證券市場自90年代初期成立以來，雖然經(jīng)歷的時(shí)間只有短短15年。經(jīng)過15年的努力，中國證券市場取得了巨大的成就，當(dāng)前深圳、上海兩家證券交易所總市值達(dá)到4萬多億元，已經(jīng)有1300多家的上市公司，7000多萬名投資者。對我國證券市場走勢的預(yù)測同樣有著重要的意思。

上海證券交易所編制的上證綜合指數(shù)，該指數(shù)以1990年12月19日為基日，以該日所有股票的市價(jià)總值為基期，基期指數(shù)定為100點(diǎn)，自1991年7月15日起正式發(fā)布。上證指數(shù)將上海交易所流通股票的總市值的變動(dòng)以指數(shù)的形式表示出來，易于計(jì)算。上證指數(shù)的變化情況準(zhǔn)確的反映著證券市場的波動(dòng)情況。對于上證指數(shù)的預(yù)測工作不但能夠幫助資本市場的投資者對后市發(fā)展進(jìn)行分析獲取收益，對分析和微調(diào)我國經(jīng)濟(jì)發(fā)展方向也有著重要的參考價(jià)值。

本文在意在研究股票市場的一些基本的特點(diǎn)，通過嘗試?yán)蒙窠?jīng)網(wǎng)絡(luò)對上證指數(shù)的變化趨勢進(jìn)行了預(yù)測，探索為預(yù)測我國證券市場指數(shù)的變動(dòng)提供了一種具有一定準(zhǔn)確性與可操作性的實(shí)用方法。

第一章股票市場的分形特征及其指數(shù)的預(yù)測方法

第一節(jié)：股票市場的分形特征

傳統(tǒng)的有效市場假說

美國經(jīng)濟(jì)學(xué)家Fama1965年在其經(jīng)典文獻(xiàn)中提出了有效市場假說（EfficientMarketHypothesis,EMH），他認(rèn)為投資者對市場信息會作出合理的反應(yīng)，應(yīng)該將市場信息與股票價(jià)格相結(jié)合。在EMH假說里，市場是一個(gè)鞅，或“公平博弈”，即信息不能被用來在市場上獲利。即“如果在一個(gè)證券市場中，價(jià)格完全反映了所有可獲得的信息，那么就稱這樣的市場為有效市場”。

經(jīng)濟(jì)學(xué)家Roberts根據(jù)信息集的不同內(nèi)涵，區(qū)別了三個(gè)層次的市場效率，即弱型效率、半強(qiáng)型效率、強(qiáng)型效率。這種分類法被Fama確定而成為經(jīng)典。

這三種信息集分別為：（1）歷史價(jià)格信息，通常指證券過去的價(jià)格和成交量；（2）所有可公開得到的信息，包括盈利報(bào)告、年度財(cái)務(wù)報(bào)告、財(cái)務(wù)分析人員公布的盈利預(yù)測和公司發(fā)布的新聞、公告等；（3）所有可知的信息，包括不為投資大眾所了解的內(nèi)幕信息。與這三類信息相對應(yīng)，有效率的市場可分為弱型效率、半強(qiáng)型效率、強(qiáng)型效率。

弱型效率（Weak-FormEfficiency）認(rèn)為價(jià)格反映了包含在歷史價(jià)格序列中的所有信息，投資者不能通過分析歷史價(jià)格獲得超常收益，這意味著技術(shù)分析無效。弱型效率是證券市場效率的最低程度。

半強(qiáng)型效率（Semistrong-FormEfficiency）認(rèn)為如果市場達(dá)到半強(qiáng)型有效，則分析資產(chǎn)負(fù)債表、損益表、宣布股利的變化或股票拆細(xì)和其它任何有關(guān)公司的公開信息不能獲得超常收益，這意味著基礎(chǔ)分析無效。半強(qiáng)型效率是證券市場效率的中間狀態(tài)，證券價(jià)格已充分、及時(shí)地反映了公開信息。

強(qiáng)型效率（Strong-FormEfficiency）認(rèn)為市場參與者知道的有關(guān)公司所有的信息都已充分反映在股價(jià)當(dāng)中，即使那些擁有優(yōu)越信息的人也無法獲得超常收益。強(qiáng)型效率是市場效率的最高程度，它包含了弱型效率和半強(qiáng)型效率。

如果市場是有效的，意味著即使是專業(yè)投資人也無法敗市場，那么實(shí)際上就否定了積極管理的投資理念。相反，如果市場無效，那么投資者和投資機(jī)構(gòu)就可以通過構(gòu)造組合，創(chuàng)造超過市場的收益。

市場有效性假說是理性預(yù)期學(xué)派理論的重要基礎(chǔ)，它是數(shù)量話資本市場理論的基礎(chǔ)，現(xiàn)代經(jīng)典的資本市場理論以及證券技術(shù)分析方法很多都是從EMH假說上發(fā)展起來的。

進(jìn)入上世紀(jì)80年代，在探尋一般均衡定價(jià)模型進(jìn)展不大的情況下，人們開始將定價(jià)理論的研究方向轉(zhuǎn)向注重市場信息的考察。經(jīng)過實(shí)證檢驗(yàn)，邦德特和塞勒(BondtandTheler，1985)發(fā)現(xiàn)股市存在投資者有時(shí)對某些消息反應(yīng)過度(overreact)，而杰格蒂什(Jegadeesh，1990)、萊曼(Lehmann，1990)等則發(fā)現(xiàn)了股價(jià)短期滯后反應(yīng)現(xiàn)象，由此，杰格蒂什和迪特曼(Titman，1993)認(rèn)為投資者對有關(guān)公司長遠(yuǎn)發(fā)展的消息往往有過度的反應(yīng)，而對只影響短期收益的消息則反應(yīng)不足，關(guān)于這一點(diǎn)仍然存在著爭論，盡管如此，信息與股價(jià)之間應(yīng)存在著某種關(guān)系得到了經(jīng)濟(jì)學(xué)家們的認(rèn)同，并且，弗倫奇和羅爾(Roll)的實(shí)證研究證明了股價(jià)波動(dòng)幅度與可獲得信息量之間存在著良好的正相關(guān)關(guān)系。

然而，EMH假說同樣存在著明顯的缺陷：一是對信息的反應(yīng)，并非以因果關(guān)系的形式呈現(xiàn)，由于信息的分布是狹峰態(tài)的，因而價(jià)格變化的分布也應(yīng)該是狹峰態(tài)的，從而人們對信息的作出的反應(yīng)是非線形的，一旦信息水平達(dá)到了某個(gè)臨界值，人們才會對所忽略的信息作出反應(yīng)，并直接達(dá)到臨界值。二是EMH假說沒有涉及到市場的流動(dòng)性問題。一個(gè)穩(wěn)定的市場有EMH描述的有效市場并不相同，一個(gè)穩(wěn)定的市場是一個(gè)富有流動(dòng)性的市場。如果市場富有流動(dòng)性，那么可以認(rèn)為價(jià)格是接近公平的，然而市場不是一直富有流動(dòng)性的。三是市場的有效性并不一定意味著隨即游走，但隨即游走的確意味著是市場是有效的。四是市場的有效性檢驗(yàn)，對市場的有效性檢驗(yàn)仍然停留在最初的隨即游走模型上，然而滿足隨機(jī)游走模型只能看作是市場有效性的充分條件而不是必要條件。不滿足隨機(jī)游走模型的市場不一定就是無效的。五是有關(guān)效應(yīng)的問題，股票收益的季節(jié)性，大小效應(yīng)等都不利于EMH假說。①

上世紀(jì)80年代以來的許多相關(guān)的統(tǒng)計(jì)檢驗(yàn)也出現(xiàn)了與有效市場理論假設(shè)相沖突的股價(jià)異常現(xiàn)象，即證券市場異象。出現(xiàn)了任何一種股票或其組合的平均超常收益率不為零的證券市場異象，并且諸如價(jià)值異象、時(shí)間效應(yīng)、規(guī)模效應(yīng)、公告效應(yīng)、處置效應(yīng)等異常現(xiàn)象在金融市場上頻繁出現(xiàn)，運(yùn)用EMH理論卻很難解釋。

以Manddlborot為代表的一些學(xué)者對EMH理論提出了質(zhì)疑，他們認(rèn)為資本市場的收益率并不服從正態(tài)分布，其分布具有尖峰、厚尾等特征，實(shí)際上服從穩(wěn)定帕累托分布。在這類分布中，方差是無定義或者無限的，在一定的條件下它對應(yīng)與分?jǐn)?shù)布郎運(yùn)動(dòng)，具有自相似、長期相關(guān)、統(tǒng)計(jì)相關(guān)等特性。因此傳統(tǒng)的的資本市場方法無法準(zhǔn)確的反映市場的。①

1.1.2分形市場的假說（FMH）

面對EMH理論的種種不足，金融學(xué)家們開始嘗試?yán)梅蔷€性方法與混沌思想來理解股票市場行為，并開始探索的描述市場特性的假說。20世紀(jì)80年代初，美國經(jīng)濟(jì)學(xué)家Stutzer最先將新興的混沌理論和方法用于分析宏觀經(jīng)濟(jì)中非規(guī)則增長和經(jīng)濟(jì)增長中顯現(xiàn)的混沌等問題。之后不久，國外經(jīng)濟(jì)學(xué)家們便開始運(yùn)用混沌理論，研究和探討包報(bào)財(cái)政、金融在內(nèi)的經(jīng)濟(jì)和管理方面的問題，特別是有關(guān)證券市場股價(jià)指數(shù)、匯率變化方面的研究格外引入注目，金融證券市場越來越多的混沌特征被逐步揭示了出來。

分形原理作為混沌研究的重要組成，近年來取得了很大進(jìn)展。1996年EdgarE.Peters在《ChaosandOrderintheCapitalMarkets》一書里提出了分形市場的假說（FractalMarketHypothesis,FMH），將分形理論用于資本市場，并且成功的建立了標(biāo)準(zhǔn)普而500家公司股票日周月年之間的收益曲線的自相似性。

分形是20世紀(jì)70年代后發(fā)展起來的一門新興的復(fù)雜科學(xué)，它研究的是一種特

__________________________________

①伍恒煜，林詳“金融市場非線形：混沌與分形”,?商業(yè)研究?，2003年第7期

殊的復(fù)雜系統(tǒng)——“自相似”系統(tǒng)，即在不同標(biāo)度下存在相同或相似特征的系統(tǒng)。分形的一個(gè)奇怪性質(zhì)是，它們不具有通常情況下用于測量的特征標(biāo)度，并且具有特殊的特征量：介于整數(shù)維之間的分?jǐn)?shù)維。著名的海岸線測量就是分形的一個(gè)例子。人們發(fā)現(xiàn)在測量海岸線長度時(shí)，所測長度取決于用來測量的尺子長度，尺子越短，所測的實(shí)際長度就越長。其原因是所用的尺子越短，系統(tǒng)內(nèi)部相似的細(xì)微結(jié)構(gòu)就越多地被揭示出來。

在金融市場上，我們也觀察到類似的分形結(jié)構(gòu)。價(jià)格序列在日、周、月的軌跡具有相似性，我們無法確切地將它們分辨開來?；谶@一觀察，以及金融市場分形性質(zhì)的不斷發(fā)現(xiàn)，Peters提出的分形市場假說，即金融市場本質(zhì)上是一個(gè)復(fù)雜系統(tǒng)，而分形是刻劃這一系統(tǒng)的有力工具。依據(jù)最近的研究進(jìn)展，我們對這一假說提出部分修正：即金融市場事實(shí)上是有界的分形系統(tǒng)。有界分形指的是市場的分形性質(zhì)是有界的，金融市場上并不存在無限尺度上的自相似特征。

分形市場是指市場是內(nèi)在波動(dòng)的，不存在一個(gè)靜態(tài)的均衡。同時(shí)向投資者提供了一個(gè)穩(wěn)定性和流動(dòng)性的環(huán)境。這里的穩(wěn)定不是均衡，而是相對市場的崩潰而言的。不同于有效市場假說，分形市場理論認(rèn)為，信息依照投資者的投資偏好而被評讀。因?yàn)榫哂胁煌耐顿Y偏好的投資人對信息的評估是不同的，所以信息的傳播也是不均衡的。市場價(jià)格不可能每一次都反映出所有相關(guān)的信息，而只是反映出投資人偏好的那部分信息。這樣的結(jié)果就是市場的強(qiáng)烈波動(dòng)被吸收而呈現(xiàn)出穩(wěn)定發(fā)展的形態(tài)。FHM理論認(rèn)為市場價(jià)格是保持流動(dòng)和穩(wěn)定性的結(jié)果，而不是EMH認(rèn)為的博奕結(jié)果，價(jià)格不能線形的反映出所有的信息，價(jià)格的變化不是相互獨(dú)立的。在分形市場上是不存在理性人的假設(shè)，投資人的決策依賴于歷史的經(jīng)驗(yàn)，證券價(jià)格具有一定周期的長期記憶性。只有在市場面臨突發(fā)的重大事件，大部分投資者對信息的觀點(diǎn)相同的時(shí)候，才會破壞這樣的穩(wěn)定性，造成突然的暴漲和暴跌行情。

分形市場假說主要考察金融市場上存在的長程相關(guān)（Long-rangedependence或Longmemory）和標(biāo)度行為（Scalingbehavior）。通過全新的觀念和工具，它為揭示金融市場可能存在的內(nèi)在結(jié)構(gòu)提供了新的洞察力。

分形市場假說強(qiáng)調(diào)了流動(dòng)性的影響已經(jīng)基于投資者行為之上的投資偏好。分形市場假說的目的是給研究者一個(gè)符合實(shí)際觀測到的投資人行為和市場價(jià)格運(yùn)動(dòng)的模型。

FMH的主要內(nèi)容包含了以下5個(gè)方面：

(1).市場由眾多投資者組成，他們具有不同的投資時(shí)間尺度，如長線的或者短線的，這使他們有著不同的投資行為。

(2).信息對于投資時(shí)間尺度不同的投資人的影響是不同的，短線的投資者主要是投資行為主要是頻繁的加交易，因此他們比較關(guān)注技術(shù)分析信息，而基本面的信息經(jīng)常被忽略。長線的投資者則認(rèn)為技術(shù)面的分析的信息不能用于長期的的投資決策，只有對證券的內(nèi)在價(jià)值進(jìn)行評估才能獲得長期的投資收益。

(3).市場的穩(wěn)定在于市場的流動(dòng)性的保持，而要作到這點(diǎn)需要大量的具有不同的時(shí)間投資尺度的投資人的存在。在證券市場上，正是因?yàn)榫哂写罅坎煌顿Y時(shí)間尺度的投資者的存在，才使得市場穩(wěn)定而具有活力。當(dāng)所有投資人的尺度如果趨向一致的時(shí)候，市場的穩(wěn)定必然被破壞。

(4).基于以上特點(diǎn)，證券市場的價(jià)格是長線基本面分析和短線技術(shù)分析共同作用的結(jié)果。一般來說短期的價(jià)格比長期的價(jià)格變化更具有易變性。市場發(fā)展的內(nèi)在趨勢反映了投資者期望收益的變化，并受到整個(gè)經(jīng)濟(jì)大環(huán)境的影響。短期交易行為更多的是從眾行為的結(jié)果，因此，市場的短期傾向與市場的長期趨勢并無內(nèi)在的一致性。

(5).如果證券與經(jīng)濟(jì)循環(huán)沒有關(guān)系，那么就不存在長期的趨勢。交易、流動(dòng)性和短期信息將在市場里起到?jīng)Q定性的作用。①

FMH和EMH理論的不同在于，分形市場假說認(rèn)為資產(chǎn)的價(jià)格并非純粹的隨機(jī)運(yùn)動(dòng)，而是服從一定的規(guī)律分布，是由價(jià)格決定系統(tǒng)的混沌性質(zhì)所引起的。FMH理論強(qiáng)調(diào)信息對不同投資時(shí)間尺度的投資者所產(chǎn)生的影響是不同的，信息傳播是不均衡的，價(jià)格變化不是獨(dú)立的。

第二節(jié)分形市場的判斷

1.2.1分形市場的常用判斷方法

那么怎么判斷一個(gè)市場是不是存在分型特征呢，要描述一個(gè)系統(tǒng)的分形特征，經(jīng)常被采用的方法包括：

(1).相關(guān)維。相關(guān)維指標(biāo)的作用在于用來判斷對象系統(tǒng)的行為是否混沌的，說明了為描述該系統(tǒng)所需要的最多獨(dú)立變量數(shù)，獨(dú)立變量的個(gè)數(shù)某種程度上反映了系統(tǒng)方程的復(fù)雜程度，但不能完全反映系統(tǒng)結(jié)果的復(fù)雜程度。

(2)、李雅普諾夫指數(shù)。利用李雅普諾夫指數(shù)可以判斷對象系統(tǒng)的行為是否混沌的;該指數(shù)還說明了該系統(tǒng)的動(dòng)力行為在某個(gè)方向上是指數(shù)發(fā)散或收斂的。李雅普諾夫定量地給出了系統(tǒng)在某個(gè)方向上發(fā)散的速度，因此從最大李雅普諾夫指數(shù)我們可以知道系統(tǒng)包含的信息損失的最大速度，最大李雅普諾夫指數(shù)的倒數(shù)就給出了對象系統(tǒng)的最大可預(yù)報(bào)時(shí)間。

(3).Kolmogrov嫡。到目前為止，Kolmogrov墑僅用于判斷數(shù)據(jù)結(jié)構(gòu)中的混沌性質(zhì)。

(4).Hurst指數(shù)。Hurst指數(shù)說明了時(shí)間序列的持續(xù)性行為。大于0.5的Hurst指數(shù)表明序列是持續(xù)性的;小于0.5則序列是反持續(xù)性的。Hurst指數(shù)還反映出時(shí)間序列的分形特征，從時(shí)間尺度上看，Hurst指數(shù)越是靠近0.5，序列的結(jié)構(gòu)越復(fù)雜，其時(shí)間曲線越是曲折。②

1.2.2使用R/S法計(jì)算Hurst指數(shù)

用R/S分析法計(jì)算Hurst指數(shù)的方法是一種常用的，用來檢驗(yàn)系統(tǒng)是否具有分形特征的辦法，具有簡單易行的特點(diǎn)。

__________________________________

陳永忠“分形市場假說下的風(fēng)險(xiǎn)度量“，《經(jīng)濟(jì)師》2004年第8期

PetersE.E"FractalMarketAnalysis:ApplyingChaosTheorytoInvestmentandEconomics"

[M].JohnWiley&Sons.IncNewyork1994

這種方法是Hurst長期研究尼羅河的流量變化后提出的。在多年的水文數(shù)據(jù)中,他發(fā)現(xiàn)數(shù)據(jù)不服從布朗運(yùn)動(dòng)及正態(tài)分布的特性。為了合理控制水庫的泄水量使其保持不枯不溢的理想狀態(tài),Hurst測算了水庫蓄水量隨時(shí)間在平均水平附近波動(dòng)的范圍。Hurst用這個(gè)變動(dòng)范圍除以觀察值的標(biāo)準(zhǔn)差得到一個(gè)無量綱的量,使不同的序列具有可比性。這種分析稱為重標(biāo)極差法(rescaledrange),也稱R/S法。是一個(gè)時(shí)間序列中n個(gè)數(shù)據(jù)偏離其均值的累加值的極差,稱為n個(gè)數(shù)據(jù)的極差,表示時(shí)間序列最大的變化范圍;是時(shí)間序列的標(biāo)準(zhǔn)差,表示偏離均值的程度,是分散程度的測度。表示極差的大小重新用來衡量,這就是重標(biāo)極差法的名字的由來。

R/S法可以用于統(tǒng)計(jì)分析可用來研究一大類問題,對于方差發(fā)散或有長期記作用的隨機(jī)過程都適用。下面是R/S分析的具體過程。

考慮一個(gè)收益率序列,,…,。偏離均值的累積和為:

(1)

其中,是n期的累積偏差,是n期的平均值。

n個(gè)數(shù)據(jù)的極差就是式(1)最大和最小值之差:

={}-{}(2)

其中,是X的極差。

為了比較不同類型的時(shí)間序列,用極差除以標(biāo)準(zhǔn)差(即重標(biāo)極差)得到:

=(3)

其中,

重標(biāo)極差應(yīng)該隨時(shí)間而增加。

Hurst建立了以下關(guān)系:

R/S=a*(4)

其中,a為常數(shù)。

如果序列是一個(gè)隨機(jī)序列,H應(yīng)該等于0.5,即累積離差的極差應(yīng)該隨時(shí)間的平方根增加。一般地,H不等于0.5,可這樣求出:

對式(4)兩邊先取對數(shù)得:

ln(R/S)=Hlnn+lna(5)

因此可畫出ln(R/S)和lnn的雙對數(shù)圖,做二元回歸擬合。

直線的斜率就給出了Hurst指數(shù)的一個(gè)估計(jì),截距就是ln（a）的一個(gè)估計(jì)

其中H即是Hurst指數(shù),a為相關(guān)系數(shù)。

當(dāng)H=0.5時(shí),過去和未來增量間的相關(guān)系數(shù)為0,表明現(xiàn)在不影響未來,這說明增量過程是一個(gè)獨(dú)立的隨機(jī)過程,布朗運(yùn)動(dòng)是其特殊情況。

當(dāng)H≠0.5時(shí),為分?jǐn)?shù)布朗運(yùn)動(dòng)。此時(shí),增量之間不再相互獨(dú)立。但是這個(gè)過程與馬爾科夫過程所具有的短期記憶行為不同,分?jǐn)?shù)布朗運(yùn)動(dòng)的記憶作用是長期的。(而且長期記憶只與Hurst指數(shù)的大小有關(guān),沒有標(biāo)度性,因此它具有分形的特征)H值指示了這種長期記憶作用的特性。

①0.5<H<1,有持久性效應(yīng)。表明過去一直增長意味著未來這種趨勢將繼續(xù)下去,而且對任意大的時(shí)間t都是如此。反之,過去的減少趨勢就平均而言,意味著未來的連續(xù)減少。H越接近1,趨勢越明顯;H越接近0.5,逐漸趨于隨機(jī)性。這種長期記憶作用使得隨機(jī)過程呈現(xiàn)一定的趨勢,增量間有一定的正相關(guān)性，。絕大多數(shù)資本市場都符合持久性時(shí)間序列特征。

②0<H<0.5,增量間是負(fù)相關(guān)的,稱為反持久性效應(yīng)(antipersistent)。如果過去是增長的,則下一時(shí)刻下降的可能性更大;反之,過去是下降的,則下一時(shí)刻上升的可能性更大。反持久性效應(yīng)的強(qiáng)度取決于H接近0的程度。H越接近0,則C越接近-0.5,負(fù)相關(guān)性越強(qiáng)。

我們知道，證券的指數(shù)、價(jià)格等都是一個(gè)時(shí)間序列，可以用以上辦法計(jì)算出Hurst值，如果Hurst值大于0.5,說明系統(tǒng)存在分形的特征。

1.2.3上證指數(shù)序列的Hurst值的計(jì)算

我們使用R/S法對我國上海交易所1997年5月以來的上證指數(shù)的分形特征。選取的時(shí)間區(qū)間1997.5.14到2005.8.23日作為研究的時(shí)間段，在這段時(shí)間內(nèi)共有正好2000個(gè)交易日數(shù)據(jù)。

R/S分析步驟

首先對2000個(gè)收盤數(shù)據(jù)序列進(jìn)行處理，設(shè)t日的收盤數(shù)據(jù)為,計(jì)算的對數(shù)收益率

=ln()-ln()（5）

為了去掉對數(shù)收益率的線性相關(guān)性，我們對進(jìn)行AR(1)的自回歸得到其殘差序列：

=-(a+b)（6）

其中，a和b是回歸模型AR(1)的系數(shù)，{}為殘差序列，經(jīng)過回歸計(jì)算，有：

a=-0.0147，b=0.0001

選取時(shí)間增量n。對于確定的n和1999個(gè)值的{}序列，我們可以得到[1999/n]個(gè)時(shí)間段，在每個(gè)時(shí)間段我們都可以計(jì)算出對應(yīng)的R與R/S，為此可以得到[1999/n]個(gè)的R/S，求這些R/S值求平均值作為在時(shí)間增量為n時(shí)的R/S估計(jì)值。我們這里將n的起始取值定為5，即1個(gè)交易周；

對所得到的結(jié)果，既n=5，6…1000的取值區(qū)域分別做ln對ln（n）的回歸，取ln（n）的參數(shù)估計(jì)作為H的估計(jì)；

結(jié)果如下圖1：

圖1

計(jì)Vn=/,VN統(tǒng)計(jì)量同樣也可以用來很好地估計(jì)非線性系統(tǒng)長期記憶過程的長度。觀察序列如圖2所示，在n=308時(shí)出現(xiàn)明顯從上升轉(zhuǎn)為下降，的現(xiàn)象，可以知道n=308是一序列長期記憶的消失點(diǎn)。對5<n<308的這個(gè)區(qū)域做一次回歸，計(jì)算Hurst指數(shù)，得到H=0.608

圖2

1.2.3R/S計(jì)算的結(jié)果分析

通過上面的計(jì)算，我們得到H=0.608,由于計(jì)算所跨越的時(shí)間長度比較長，所以這個(gè)H值稍微小于國外的一些證券市場利用R/S法計(jì)算出的Hurst指數(shù)值，并不說明我國的市場成熟度比國外市場來的更佳。一般的，系統(tǒng)的分形維數(shù)為2H,可見上海指數(shù)從1997年5月14日以來的指數(shù)序列是具有分形特征和持續(xù)性的，上證指數(shù)的時(shí)間序列的確存在著混沌現(xiàn)象。因此，我們知道上證指數(shù)不是隨機(jī)變化的，而是一個(gè)有偏的隨機(jī)游走，不完全屬于EMH理論分析的有效市場，而是在一定時(shí)期內(nèi)相關(guān)的。

既然上證指數(shù)具有分形市場的特點(diǎn)，那么我們是否能夠在此基礎(chǔ)上對其走勢進(jìn)行分析和預(yù)測呢。

第二章利用神經(jīng)網(wǎng)絡(luò)對具有分形特征的時(shí)間數(shù)列進(jìn)行預(yù)測

第一節(jié)常用的混沌時(shí)間序列分析預(yù)測方法

由于混沌時(shí)間序列不是完全的隨機(jī)游走，而是有偏的，所以我們可以利用

這個(gè)特點(diǎn)對混沌時(shí)間序列進(jìn)行預(yù)測。

通常的做法是根據(jù)實(shí)際問題正確地建立描述系統(tǒng)的動(dòng)態(tài)數(shù)學(xué)模型，然后求解

這個(gè)數(shù)學(xué)模型，最后反過來根據(jù)計(jì)算結(jié)果進(jìn)行預(yù)測，傳統(tǒng)的預(yù)測方法主要有動(dòng)力學(xué)方法和數(shù)理統(tǒng)計(jì)方法，這些方法的共同特點(diǎn)是先建立數(shù)據(jù)序列的主觀模型，然后根據(jù)主觀模型進(jìn)行計(jì)算和預(yù)測。常用的建立模型的方法主要有兩種：一是時(shí)間序列關(guān)系模型，在這類的模型中被預(yù)測的對象的演變過程為一時(shí)間的函數(shù)；另一種是結(jié)構(gòu)關(guān)系模型這類模型的特點(diǎn)是被預(yù)測的事物與其影響因素之間在一定的時(shí)間內(nèi)保持著某種固定的函數(shù)結(jié)構(gòu)關(guān)系。

混沌時(shí)間序列預(yù)測的常用方法：全域法、局域法、加權(quán)零階局域法、加權(quán)一階局域法、基本李雅普諾夫指數(shù)的時(shí)間序列預(yù)測方法等。

時(shí)間序列關(guān)系模型與結(jié)構(gòu)關(guān)系模型一般對被預(yù)測對象都有具體而且嚴(yán)格的要求這就要求我們在做預(yù)測之前必須對被預(yù)測對象做深入系統(tǒng)的分析只有在確認(rèn)某類預(yù)測模型的前提條件得到滿足的情況下才可以使用該模型進(jìn)行預(yù)測否則預(yù)測結(jié)果是不可靠的股票市場作為現(xiàn)實(shí)經(jīng)濟(jì)運(yùn)行狀況的直接體現(xiàn)其影響因素如GDP增長率匯率及國內(nèi)外政治形勢等時(shí)常發(fā)生較大的變動(dòng)所以要確定和修改模型的結(jié)構(gòu)確非易事。另一方面一般計(jì)量統(tǒng)計(jì)的時(shí)間序列模型很難處理高度非線性的問題而實(shí)際上股票市場與其影響因素之間存在著復(fù)雜的非線性關(guān)系已有大量的實(shí)際數(shù)據(jù)表明股票市場是一個(gè)具有混沌現(xiàn)象的非線性動(dòng)力系統(tǒng)

隨著混沌科學(xué)的發(fā)展，使得可以不必事先建立主觀模型，而直接根據(jù)數(shù)據(jù)序列本身所計(jì)算出來的客觀規(guī)律(如李雅普諾夫指數(shù)等)進(jìn)行預(yù)測，這樣可以避免預(yù)測的人為主觀性，提高頂測的精度和可信度。

近年來,由于計(jì)算機(jī)與人工智能技術(shù)的飛速發(fā)展,為股票市場建模預(yù)測中新技術(shù)新方法的應(yīng)用提供了有利的條件。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,簡稱ANN)是由大量簡單的處理單元——神經(jīng)元按照某種方式聯(lián)結(jié)而成的自適應(yīng)的非線性系統(tǒng)。它的每一個(gè)神經(jīng)元的結(jié)構(gòu)和功能都很簡單，其工作是“集體”進(jìn)行的，它沒有運(yùn)算器、存儲器、控制器，其信息是存儲在神經(jīng)元之間的聯(lián)結(jié)上的，它是一種模仿人腦的神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的物理可實(shí)現(xiàn)系統(tǒng)。

因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)廣泛的適應(yīng)能力、學(xué)習(xí)能力和映射能力,在多變量非線性系統(tǒng)的建模方面取得了驚人的成就，成為新興的預(yù)測時(shí)間序列的方法。人工神經(jīng)網(wǎng)絡(luò)模型具有巨量并行性，存儲分布性，結(jié)構(gòu)可變性，高度非線性，自學(xué)習(xí)性和自組織等特點(diǎn)，而且可以逼近任何連續(xù)函數(shù)，目前廣泛應(yīng)用神經(jīng)網(wǎng)絡(luò)作為非線性函數(shù)逼近模型。ANN的最大優(yōu)點(diǎn)是不需依賴于模型，所以非常適合用于股票市場的預(yù)測，因?yàn)楣善惫墒械慕Ｅc預(yù)測所處理的信息量往往十分龐大,對算法有很高的要求.它的非線性動(dòng)力學(xué)特性非常復(fù)雜,所以一般傳統(tǒng)的方法對于股市的預(yù)測往往難如人意。

因此，我們選取了人工神經(jīng)網(wǎng)絡(luò)作為預(yù)測上證指數(shù)的工具。

第二節(jié)神經(jīng)網(wǎng)絡(luò)的基本原理

2.2.1人工神經(jīng)網(wǎng)絡(luò)的歷史

20世紀(jì)50年代末F.Rosenblatt提出了著名的感知機(jī)Perceptron模型這是第一個(gè)完整的神經(jīng)網(wǎng)絡(luò)這個(gè)模型由閾值單元構(gòu)成初步具備了諸如并行處理分布存儲和學(xué)習(xí)等神經(jīng)網(wǎng)絡(luò)的一些基本特征從而確立了從系統(tǒng)的角度研究神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。1960年B.Windrow和M.E.Hoff提出了自適應(yīng)線性單元Adaline網(wǎng)絡(luò)它可用于自適應(yīng)濾波預(yù)測和模式識別從20世紀(jì)50年代末到60年代初神經(jīng)網(wǎng)絡(luò)的研究受到人們的重視研究工作進(jìn)入了一個(gè)高潮。芬蘭學(xué)者T.Kohonen提出的自組織影射理論、美國S.A.Grossberg提出的自適應(yīng)共振理論、日本學(xué)者福島邦彥K.Fukushima提出了認(rèn)知機(jī)Neocognitron模型等研究成果對以后神經(jīng)網(wǎng)絡(luò)的研究和發(fā)展都產(chǎn)生了重要影響。

進(jìn)入20世紀(jì)90年代神經(jīng)網(wǎng)絡(luò)的研究又引起了眾多學(xué)科領(lǐng)域?qū)W者的關(guān)注并很快形成了熱潮其主要原因是以邏輯推理為基礎(chǔ)的人工智能理論和Von.Neumann計(jì)算機(jī)在處理諸如視覺聽覺形象思維聯(lián)想記憶和運(yùn)動(dòng)控制等智能信息處理問題上受到了挫折具有并行和分布機(jī)制的神經(jīng)網(wǎng)絡(luò)本身的研究成果以及腦科學(xué)和神經(jīng)科學(xué)研究成果的推動(dòng)作用以及VLSI技術(shù)和光電技術(shù)的發(fā)展為神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)提供了物質(zhì)基礎(chǔ)由于以上原因使人們產(chǎn)生了一個(gè)共識即神經(jīng)網(wǎng)絡(luò)可能成為未來智能機(jī)良好的模式。

1982年美國加州理工學(xué)院生物物理學(xué)家J.J.Hopfield提出了一個(gè)新的神經(jīng)網(wǎng)絡(luò)模型Hopfield網(wǎng)絡(luò)模型首次引入了網(wǎng)絡(luò)能量函數(shù)的概念并給出了網(wǎng)絡(luò)穩(wěn)定的判據(jù)1984年他又提出了實(shí)現(xiàn)網(wǎng)絡(luò)模型的電子電路為神經(jīng)網(wǎng)絡(luò)的工程實(shí)現(xiàn)指明了方向Hopfield的研究成果開拓了神經(jīng)網(wǎng)絡(luò)用于聯(lián)想記憶和優(yōu)化計(jì)算的新途徑引發(fā)了神經(jīng)網(wǎng)絡(luò)研究的又一次熱潮并為神經(jīng)計(jì)算機(jī)的研究奠定了基礎(chǔ)1984年Hinton等人將模擬退火算法引入到神經(jīng)網(wǎng)絡(luò)中提出了Boltzmann機(jī)（BM）模型網(wǎng)絡(luò)BM網(wǎng)絡(luò)算法為神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算跳出局部極小提供了一個(gè)有效的方法。①

迄今為止的神經(jīng)網(wǎng)絡(luò)研究大體上可分為三個(gè)大的方向

（1）探求人腦神經(jīng)系統(tǒng)的生物結(jié)構(gòu)和機(jī)制這實(shí)際上是神經(jīng)網(wǎng)絡(luò)理論的初衷

（2）用微電子學(xué)或光學(xué)器件形成特殊功能網(wǎng)絡(luò)這主要是新一代計(jì)算機(jī)制造領(lǐng)域所關(guān)注的問題

（3）將神經(jīng)網(wǎng)絡(luò)理論作為一種解決傳統(tǒng)方法無法或難以解決的某些問題的手段和方法

人工神經(jīng)網(wǎng)絡(luò)是由大量簡單的處理單元——神經(jīng)元按照某種方式聯(lián)結(jié)而成的自適應(yīng)的非線性系統(tǒng)。它的每一個(gè)神經(jīng)元的結(jié)構(gòu)和功能都很簡單，其工作是“集體”進(jìn)行的，它沒有運(yùn)算器、存儲器、控制器，其信息是存儲在神經(jīng)元之間的聯(lián)結(jié)上的，它是一種模仿人腦的神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的物理可實(shí)現(xiàn)系統(tǒng)。

鑒于神經(jīng)網(wǎng)絡(luò)的并行處理及強(qiáng)大的非線性映射能力，即它可以把許多非線性信號的處理方法及工具集成起來，對于未知的動(dòng)力系統(tǒng)，可以通過它來學(xué)習(xí)很池時(shí)間序列，然后進(jìn)行預(yù)測和控制。由于混純時(shí)間序列在內(nèi)部有著確定的規(guī)律性，這種規(guī)律性產(chǎn)生于非線性，它表現(xiàn)出時(shí)間序列在時(shí)間延遲狀態(tài)空間中的相關(guān)性，這種特性使得系統(tǒng)似乎有著某種記憶能力，同時(shí)又難于用通常的解析方法把這種規(guī)律表達(dá)出__________________________________

①1焦李成，《神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論》西安電子科技大學(xué)出版社1990年

來。而這種信息處理方式正好是神經(jīng)網(wǎng)絡(luò)所具備的。

2.2.2神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

神經(jīng)網(wǎng)絡(luò)在信息處理的很多方面具有比傳統(tǒng)的方法更明確的優(yōu)勢主要表現(xiàn)在以下幾個(gè)方面

(1).可避免數(shù)據(jù)的分析工作和建模工作

通過觀測樣本神經(jīng)網(wǎng)絡(luò)完全能夠發(fā)現(xiàn)其隱含的信息,經(jīng)過學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立一個(gè)規(guī)則。該規(guī)則最小程度地受到人為的支配這樣就避免了或大大減少了常用的數(shù)據(jù)分析工作和建模工作，而且在沒有關(guān)于信號結(jié)構(gòu)先驗(yàn)知識的前提下取得優(yōu)良的性能，例如神經(jīng)網(wǎng)絡(luò)在語音圖象處理編碼壓縮聲納手寫識別等領(lǐng)域的應(yīng)用已取得了甚至超過了傳統(tǒng)方法經(jīng)過幾十年研究所取得的成果。

(2)信息的并行結(jié)構(gòu)和并行處理

神經(jīng)網(wǎng)絡(luò)與人的大腦類似不但結(jié)構(gòu)上是并行的，它的處理順序也是并行的。在同一層內(nèi)的處理單元都是同時(shí)操作的，即神經(jīng)網(wǎng)絡(luò)的計(jì)算功能分布在多個(gè)處理單元上。而一般計(jì)算機(jī)通常只有一個(gè)處理單元其處理順序是串行的。目前的神經(jīng)網(wǎng)絡(luò)功能常常用一般的串行工作方式來模擬它的并行處理方式。所以顯得很慢而真正的神經(jīng)網(wǎng)絡(luò)將會大大提高處理速度并能實(shí)現(xiàn)實(shí)時(shí)處理方。.

(3)自適應(yīng)的信息處理方式

人類具有很強(qiáng)的適應(yīng)外部環(huán)境的能力，神經(jīng)網(wǎng)絡(luò)也可以通過學(xué)習(xí)具備這種能力。這種自適應(yīng)一般包括四個(gè)方面學(xué)習(xí)性、自組織性、推理能力和可訓(xùn)練性。

(4)完成復(fù)雜的輸入/輸出的非線性映射

信息處理的大部分問題可歸結(jié)為數(shù)學(xué)影射，給定一個(gè)輸入矢量X經(jīng)過信息處理系統(tǒng)可得到一個(gè)所要求的輸出矢量Y，Y=f(X)。函數(shù)可以解析表達(dá)也可以是非解析的。Kolmogrov定理保證了任一連續(xù)函數(shù)或映射可由一個(gè)三層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)此神經(jīng)網(wǎng)絡(luò)的輸入層包含N個(gè)神經(jīng)元隱含層具有2N+1個(gè)神經(jīng)元，輸出層M個(gè)神經(jīng)元即可實(shí)現(xiàn)該函數(shù)。根據(jù)Kolmogrov神經(jīng)網(wǎng)絡(luò)映射存在定理，通過選擇一定的非線性和連接強(qiáng)度調(diào)節(jié)規(guī)律，我們就可解決任何一個(gè)信息處理問題。

5.信息存儲與處理合而為一

與傳統(tǒng)的信息處理方式不同，神經(jīng)信息處理系統(tǒng)運(yùn)行時(shí)，存儲與處理是兼而有之的，而不是絕對分離的。經(jīng)過處理信息的隱含特征和規(guī)則分布與神經(jīng)元之間的連接強(qiáng)度上通常有冗余性，這樣當(dāng)不完全信息或含噪聲信息輸入時(shí)神經(jīng)網(wǎng)絡(luò)就可以根據(jù)這些分布式的記憶對輸入信息進(jìn)行處理，恢復(fù)全部信息。同時(shí)這種合二為一的方式從本質(zhì)上消除了軟件和算法的瓶頸效應(yīng)提供了實(shí)現(xiàn)高速信號處理的手段。

由于神經(jīng)網(wǎng)絡(luò)具有以上描述的幾個(gè)特點(diǎn)，并且已經(jīng)被開始運(yùn)用于各個(gè)行業(yè)的時(shí)間序列預(yù)測之中，所以本文試圖利用遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測方法，以混沌動(dòng)力學(xué)的相空間重構(gòu)技術(shù)為思想基礎(chǔ)，以上證指數(shù)收盤價(jià)序列為主體，通過使用此時(shí)間序列重構(gòu)股票指數(shù)的相空間保存股票指數(shù)混沌吸引子的性質(zhì)，并且利用遺傳神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)逼近特性來求出股票指數(shù)的非線性方程，利用神經(jīng)網(wǎng)絡(luò)模型對股票未來指數(shù)趨勢進(jìn)行預(yù)測?；煦鐣r(shí)間序列分析的基礎(chǔ)是重構(gòu)相空間，混沌時(shí)間序列的預(yù)測問題可以理解成動(dòng)力系統(tǒng)研究的“逆問題”。通過股票價(jià)格時(shí)間序列重構(gòu)股票市場非線性動(dòng)力系統(tǒng)，給定相空間中的一串迭代序列，構(gòu)造一個(gè)非線性映射來表示這一動(dòng)力系統(tǒng)，此非線性映射就可作為預(yù)測模型。

逼近此非線性映射可采用局部線性模型，全局多項(xiàng)式模型，前饋神經(jīng)網(wǎng)絡(luò)模型(BP)，徑向基函數(shù)模型(RBF)，小波神經(jīng)網(wǎng)絡(luò)等。

2.2.3神經(jīng)網(wǎng)絡(luò)的基本原理

1．人工神經(jīng)元模型

圖3

圖3所表示的是一個(gè)基本的人工神經(jīng)元的結(jié)構(gòu)模型，它有下列幾個(gè)基本要素

（1）組連接對應(yīng)于生物神經(jīng)元的突觸連接強(qiáng)度由連接線上的權(quán)值給出權(quán)值為正的表示激活為負(fù)的表示抑制

（2）一個(gè)求和單元用于求取n個(gè)輸入信號的加權(quán)和線性組合

（3）一個(gè)非線性變換函數(shù)起非線形映射作用并將神經(jīng)元輸出幅度限制在一定范圍之內(nèi)一般限制在[0,1]或[-1,1]之間

（4）一個(gè)閾值

以上可分別用數(shù)學(xué)公式表示出來

式中為輸入信號;為神經(jīng)元i的權(quán)值;為線性組合結(jié)果;為閾值;為變換函數(shù);為神經(jīng)元i的輸出

變換函數(shù)可以有幾種形式,如閾值函數(shù)、分段線性函數(shù)、sigmoid函數(shù)等。最常見的sigmoid函數(shù)形式是：

其中參數(shù)a控制其斜率.

2.神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

從連接方式來看NN主要分為下列兩種：

（1）前饋型網(wǎng)絡(luò)

各神經(jīng)元接受前一層的輸入并輸出給下一層沒有反饋，連接點(diǎn)分為兩類即輸入單元和計(jì)算單元。每一計(jì)算單元可有任意個(gè)輸入但只有一個(gè)輸出，它可耦合到任意多個(gè)其它結(jié)點(diǎn)作為輸入。通常前饋網(wǎng)絡(luò)分為不同的層，第i層的輸入只與第i-1層的輸出相連，輸入和輸出結(jié)點(diǎn)與外界相連，而其它中間層則稱為隱層。

（2）反饋網(wǎng)絡(luò)

所有結(jié)點(diǎn)都是計(jì)算單元同時(shí)也可接受輸入，并向外界輸出。這種網(wǎng)絡(luò)可以畫成一個(gè)無向圖，其中每條連接線都是雙向的。

其中前饋網(wǎng)絡(luò)最典型，前饋網(wǎng)絡(luò)方法NN的工作過程主要分為兩個(gè)階段：第一個(gè)階段是學(xué)習(xí)期，此時(shí)每個(gè)計(jì)算單元的狀態(tài)不變而各條連接線上的權(quán)值可通過學(xué)習(xí)來修改。第二階段是工作期，此時(shí)n個(gè)連接權(quán)固定而計(jì)算單元的狀態(tài)發(fā)生變化以達(dá)到某種穩(wěn)定狀態(tài)。

從作用效果來看，前饋網(wǎng)絡(luò)主要是函數(shù)映射，可用于模式識別和函數(shù)逼近；反饋網(wǎng)絡(luò)則主要用于求解最優(yōu)化問題。

3.神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

通過向環(huán)境學(xué)習(xí)以獲取知識并改進(jìn)自身性能是NN的一個(gè)重要特點(diǎn)。

在一般情況下性能的改善是在某種預(yù)定的度量標(biāo)準(zhǔn)下，通過逐步調(diào)節(jié)自身參數(shù)如權(quán)值而達(dá)到的。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要含括兩部分內(nèi)容，即學(xué)習(xí)方式與學(xué)習(xí)算法。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式有下列三種

監(jiān)督學(xué)習(xí)有教師學(xué)習(xí)

非監(jiān)督學(xué)習(xí)無教師學(xué)習(xí)

在勵(lì)學(xué)習(xí)或強(qiáng)化學(xué)習(xí)

其中監(jiān)督學(xué)習(xí)的方式需要外界存在一位教師，他對一組給定的輸入提供應(yīng)有的輸出結(jié)果正確答案。這組已知的輸入輸出數(shù)據(jù)就是訓(xùn)練樣本集。學(xué)習(xí)系統(tǒng)NN可以根據(jù)已知輸出與實(shí)際輸出之間的差值誤差信號來調(diào)節(jié)系統(tǒng)參數(shù)。

神經(jīng)網(wǎng)絡(luò)最常用的學(xué)習(xí)算法是誤差糾正算法，下面是其算法過程。

令表示輸入x(n)時(shí)神經(jīng)元在i時(shí)刻n的實(shí)際輸出;表示相應(yīng)的應(yīng)有輸出(由訓(xùn)練樣本給出)則誤差信號可寫成:

=-

誤差糾正學(xué)習(xí)的目的是使某一基于的目標(biāo)函數(shù)達(dá)到最小,使得網(wǎng)絡(luò)中每一輸出單元的實(shí)際輸出在某種統(tǒng)計(jì)意義上最佳逼近于應(yīng)有輸出。一旦選定了目標(biāo)函數(shù)的形式誤差糾正學(xué)習(xí)就成為一個(gè)典型的最優(yōu)化問題最常用的目標(biāo)函數(shù)是均方誤差判據(jù)可定義為：

其中E是求期望算子。將上式直接作為目標(biāo)函數(shù)時(shí)，需要知道整個(gè)過程的統(tǒng)計(jì)特性。為克服這一困難，通常用J在時(shí)刻n的瞬時(shí)值代替J,即:

=1/2

這樣問題就變?yōu)楹瘮?shù)對權(quán)值向量（為自變量） 求最小值。具體計(jì)算可用梯度下降法。若在第n步迭代中當(dāng)前的權(quán)值向量為w(n),函數(shù)的梯度?是在w(n)處的一階導(dǎo)數(shù)矩陣,則沿負(fù)梯度方向即??方向,是減少最快的方向因此第n+1步的權(quán)值迭代公式為:

其中為學(xué)習(xí)步長。

第三節(jié)基于BP算法的三層向前的神經(jīng)網(wǎng)絡(luò)

由于在我們選取了基于BP算法的神經(jīng)網(wǎng)絡(luò)作為預(yù)測指數(shù)的模型，在這里必須對該模型做一個(gè)了解。

2.3.1多層次的神經(jīng)網(wǎng)絡(luò)

多層前饋網(wǎng)絡(luò)結(jié)構(gòu)含一個(gè)輸入層一個(gè)輸出層以及若干個(gè)隱含層隱含層的變換函數(shù)一般為非線性函數(shù)輸出層的變換函數(shù)可以是非線性的也可以是線性的在這里隱含層和輸出層的變換函數(shù)都采用函數(shù)形式sigmoid將影響股指的各因素輸入至輸入層并傳至后面的隱含層最后通過連接權(quán)輸出到輸出層。

多層前饋網(wǎng)絡(luò)的典型結(jié)構(gòu)如下圖所示

圖4多層神經(jīng)網(wǎng)絡(luò)模型圖

2.3.2BP網(wǎng)絡(luò)的基本原理

圖5BP網(wǎng)絡(luò)模型結(jié)構(gòu)圖

基于BP算法的三層向前神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，一般是一3層或者3層以上的的神經(jīng)網(wǎng)絡(luò)，包括輸入層，中間層（隱層）和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層單元之間無連接，。當(dāng)一學(xué)習(xí)樣本提供給網(wǎng)絡(luò)之后，神經(jīng)元的激活值從輸入層經(jīng)中間層想輸出層傳播，在輸出層的各個(gè)神經(jīng)原獲得網(wǎng)絡(luò)的餓輸入響應(yīng)。節(jié)下來，按照減小目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)過中間層逐層修正各連接權(quán)值，最后回到輸入層。這個(gè)算法就是所謂“逆無償傳播算法”，也就是BP算法。隨著這種逆誤差的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)輸入模式響應(yīng)的正確率也不斷上升。

BP網(wǎng)絡(luò)的傳遞函數(shù)要求是可微的，所以不能使用二值函數(shù)，常用的有sigmoid型對數(shù)，正切函數(shù)或者線形函數(shù)。由于傳遞函數(shù)是處處可微的，所以對于一個(gè)BP網(wǎng)絡(luò)來說，一方面，所劃分的區(qū)域不再是一個(gè)線形劃分，而是一個(gè)非線形的超平面組成的區(qū)域。它是比較平滑的曲面，所以它的分類比線形劃分更加精確，容錯(cuò)性也比線形劃分更好，另一方面，網(wǎng)絡(luò)可以嚴(yán)格采取剃度下降的學(xué)習(xí)方法，權(quán)值修正的解析式十分明確。

Funahashi證明，當(dāng)隱層節(jié)點(diǎn)函數(shù)為單調(diào)遞增連續(xù)函數(shù)時(shí)，三層前向網(wǎng)絡(luò)具有以任意精度逼近定義在緊致子集上的任意非線性函數(shù)的能力，Hornik進(jìn)一步證明隱層節(jié)點(diǎn)函數(shù)有界是必要的，單調(diào)遞增的條件是非必要。這說明采用三層BP網(wǎng)絡(luò)，隱節(jié)點(diǎn)函數(shù)為Sigmoid函數(shù)，輸出節(jié)點(diǎn)函數(shù)采用線性函數(shù)，完全可以達(dá)到網(wǎng)絡(luò)逼近的要求。也就是說，單隱層的的BP網(wǎng)絡(luò)可以逼近任意的非線形映射，只要隱層神經(jīng)單元的個(gè)數(shù)是可以隨意調(diào)節(jié)的。①

因此，我們試驗(yàn)用單隱層的BP網(wǎng)絡(luò)來逼近上證指數(shù)走勢曲線的方式來預(yù)測上證指數(shù)未來的變化，同時(shí)對原始的神經(jīng)網(wǎng)絡(luò)模型做一些改進(jìn)。

第三章對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

第一節(jié)BP網(wǎng)絡(luò)的缺陷

在神經(jīng)網(wǎng)絡(luò)的應(yīng)用過程中，由于被逼近樣本的性質(zhì)不能精確知道，因此即使在網(wǎng)絡(luò)誤差為零的條件下，也未必能保證達(dá)到要求。往往會出現(xiàn)非常小，而卻無法滿足要求。這就是所謂的“過擬合”現(xiàn)象，“過擬合”現(xiàn)象直接影響網(wǎng)絡(luò)的泛化能力，使得網(wǎng)絡(luò)最終失去實(shí)用價(jià)值。

網(wǎng)絡(luò)的泛化能力由以下幾個(gè)因素影響：

1．取決樣本的特性，只有當(dāng)訓(xùn)練樣本足以表征所研究問題的一些主要的或基本性時(shí)，網(wǎng)絡(luò)通過合理的學(xué)習(xí)機(jī)制可以使其具有泛化能力，合理的采樣結(jié)構(gòu)是網(wǎng)具有泛化能力的必要條件。

2．網(wǎng)絡(luò)自身的因素影響，如網(wǎng)絡(luò)結(jié)構(gòu)、網(wǎng)絡(luò)初始權(quán)值的設(shè)定和網(wǎng)絡(luò)的學(xué)習(xí)算法等。網(wǎng)絡(luò)的結(jié)構(gòu)主要包括：網(wǎng)絡(luò)的隱層數(shù)、各隱層節(jié)點(diǎn)的個(gè)數(shù)和隱節(jié)點(diǎn)激活函數(shù)的特性，以下從這幾個(gè)方面說明原因：

①．采用三層BP網(wǎng)絡(luò)，隱節(jié)點(diǎn)函數(shù)為Sigmoid函數(shù)，輸出節(jié)點(diǎn)函數(shù)采用線性函數(shù)，完全可以達(dá)到網(wǎng)絡(luò)逼近的要求?！斑^擬合”現(xiàn)象是網(wǎng)絡(luò)隱節(jié)點(diǎn)過多的必然結(jié)果，它的出現(xiàn)影響了網(wǎng)絡(luò)的泛化能力，在滿足精度的要求下，逼近函數(shù)的階數(shù)__________________________________

①魏海坤，《神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)設(shè)計(jì)的理論和方法》國防工業(yè)出版社2005年

越少越好，低階逼近可以有效防止“過擬合”現(xiàn)象，從而提高網(wǎng)絡(luò)的預(yù)測能力，反映到多層前向神經(jīng)網(wǎng)絡(luò)中，就是在精度滿足的要求下，網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)越少越好。但是在實(shí)際應(yīng)用中，還沒有一套成熟的理論方法來確定網(wǎng)絡(luò)的隱節(jié)點(diǎn)，隱節(jié)點(diǎn)的確定基本上依賴經(jīng)驗(yàn)，主要式采用遞增或遞減的試探方法來確定的網(wǎng)絡(luò)隱節(jié)點(diǎn)。

②．網(wǎng)絡(luò)的初始權(quán)值的選擇缺乏依據(jù)，具有很大的隨機(jī)性，這也在很大程度上影響網(wǎng)絡(luò)的泛化能力。神經(jīng)網(wǎng)絡(luò)連接權(quán)值的整體分布包含著神經(jīng)網(wǎng)絡(luò)系統(tǒng)的全部知識，傳統(tǒng)的權(quán)值獲取方法都是隨機(jī)給定一組初始的權(quán)值，然后是采用某個(gè)確定的變化規(guī)則，在訓(xùn)練中逐步調(diào)整，最終得到一個(gè)較好權(quán)值分布。由于BP算法是基于梯度下降方法，不同的初始權(quán)值可能會導(dǎo)致完全不同的結(jié)果。一旦取值不當(dāng)，就會引起網(wǎng)絡(luò)振蕩或不收斂，即使收斂也會導(dǎo)致訓(xùn)練時(shí)間增長，再加之實(shí)際問題往往是極其復(fù)雜的多維曲面，存在多個(gè)局部極值點(diǎn)，使得BP算法極易陷入局部極值點(diǎn)。這些導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間過長而最終得不到適當(dāng)?shù)臋?quán)值分布，從而影響網(wǎng)絡(luò)的泛化能力，極大的限制了神經(jīng)網(wǎng)絡(luò)在實(shí)際預(yù)報(bào)中的應(yīng)用。

③．BP神經(jīng)網(wǎng)絡(luò)算法收斂慢，即使一個(gè)相當(dāng)簡單的問題求解，其訓(xùn)練次數(shù)也要幾百或幾千次迭代。而且網(wǎng)絡(luò)對各種參數(shù)（包括初始權(quán)值、學(xué)習(xí)速率、動(dòng)量參數(shù)）極為敏感，稍小的變動(dòng)就會引起擬合和泛化能力的振蕩，在反復(fù)實(shí)驗(yàn)中確定各種參數(shù)，這樣的過度訓(xùn)練會提高網(wǎng)絡(luò)的擬合能力，同時(shí)也擬合了訓(xùn)練數(shù)據(jù)中的噪聲和訓(xùn)練樣本中沒有代表行的特征，最終導(dǎo)致過擬合現(xiàn)象，從而影響網(wǎng)絡(luò)的擬合能力。

進(jìn)一步的研究很快發(fā)現(xiàn)誤差反傳算法BP算法存在著缺陷由于該算法采用誤差導(dǎo)數(shù)指導(dǎo)學(xué)習(xí)過程從本質(zhì)上來說是屬于局部尋優(yōu)法在存在較多局部極小點(diǎn)的情況下容易陷入局部極小點(diǎn)且不可避免地存在著學(xué)習(xí)速度與精度之間的矛盾當(dāng)學(xué)習(xí)速度較快時(shí)學(xué)習(xí)過程容易產(chǎn)生振蕩難以得到精確的結(jié)果而當(dāng)學(xué)習(xí)速度較慢時(shí)雖然結(jié)果可以得到較高的精度但學(xué)習(xí)周期太長也不實(shí)用。

為了改進(jìn)BP算法的這些缺陷，本人試用了一些輔助方法，希望通過這些辦法提高單純BP神經(jīng)網(wǎng)絡(luò)的泛化能力，提高預(yù)測的長度和精度。具體方法如下文。

第二節(jié)與BP算法相結(jié)合的遺傳算法

3.2.1遺傳算法簡介

1975，Michigan大學(xué)Holland教授根據(jù)自然界“適者生存，優(yōu)勝劣汰”的規(guī)律年首次提出了遺傳算法（GA），其基本思想是力求充分模仿這一自然尋優(yōu)過程的隨機(jī)性、魯棒性和全局性，以然選擇和遺傳理論為基礎(chǔ)，將生物進(jìn)化過程中適者生存規(guī)則與群體內(nèi)部染色體的隨機(jī)信息交換機(jī)制相結(jié)合的搜索算法。這是一種新型的全局優(yōu)化搜索算法，因?yàn)槠渲苯訉Y(jié)構(gòu)對象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定，魯棒性強(qiáng)、隨機(jī)性、全局性以及適于并行處理，已廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)、計(jì)算機(jī)科學(xué)、優(yōu)化調(diào)度、運(yùn)輸問題、組合優(yōu)化、機(jī)器學(xué)習(xí)、信號處理、自適應(yīng)控制和人工生命等領(lǐng)域，并且遺傳算法在實(shí)際應(yīng)用中也取得了巨大成功。

從搜索角度來看，遺傳算法具有許多獨(dú)特的優(yōu)點(diǎn)：

1．遺傳算法從問題解的中集開始嫂索，而不是從單個(gè)解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個(gè)初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索，復(fù)蓋面大，利于全局擇優(yōu)。

2．遺傳算法求解時(shí)使用特定問題的信息極少，容易形成通用算法程序。由于遺傳算法使用適應(yīng)值這一信息進(jìn)行搜索，并不需要問題導(dǎo)數(shù)等與問題直接相關(guān)的信息。遺傳算法只需適應(yīng)值和串編碼等通用信息，故幾乎可處理任何問題。

3．遺傳算法有極強(qiáng)的容錯(cuò)能力遺傳算法的初始串集本身就帶有大量與最優(yōu)解甚遠(yuǎn)的信息；通過選擇、交叉、變異操作能迅速排除與最優(yōu)解相差極大的串；這是一個(gè)強(qiáng)烈的濾波過程；并且是一個(gè)并行濾波機(jī)制。故而，遺傳算法有很高的容錯(cuò)能力。

4．遺傳算法中的選擇、交叉和變異都是隨機(jī)操作，而不是確定的精確規(guī)則。這說明遺傳算法是采用隨機(jī)方法進(jìn)行最優(yōu)解搜索，選擇體現(xiàn)了向最優(yōu)解迫近，交叉體現(xiàn)了最優(yōu)解的產(chǎn)生，變異體現(xiàn)了全局最優(yōu)解的復(fù)蓋。

5．遺傳算法具有隱含的并行性

3.2.2遺傳算法的基本原理

GA以生物進(jìn)化過程為背景，模擬生物進(jìn)化的步驟，將繁殖、雜交、變異、競爭和選擇等概念引入到算法中，通過維持一組可行解，并通過對可行解的重新組合，改進(jìn)可行解在多維空間內(nèi)的移動(dòng)軌跡或趨向，最終走向最優(yōu)解。它克服了傳統(tǒng)優(yōu)化方法容易陷入局部極值的缺點(diǎn)，是一種全局優(yōu)化算法。遺傳算法的步驟如下：

(1)定義一個(gè)目標(biāo)函數(shù)

(2)將可行解群體在一定的約束條件下初始化，每一個(gè)可行解用一個(gè)向量x來編碼，稱為一條染色體，向量的分量代表基因，它對應(yīng)可行解的某一決策變量；

(3)計(jì)算群體中每條染色體（i＝1，2，…，n）所對應(yīng)的目標(biāo)函數(shù)值，并以此計(jì)算適應(yīng)值，按的大小來評價(jià)該可行解的好壞；

(4)以優(yōu)勝劣汰的機(jī)制，將適應(yīng)值差的染色體淘汰掉，對幸存的染色體根據(jù)其適應(yīng)值的好壞，按概率隨機(jī)選擇，進(jìn)行繁殖，形成新的群體；

(5)通過雜交和變異的操作，產(chǎn)生子代。雜交是隨機(jī)選擇兩條染色體（雙親），將某一點(diǎn)或多點(diǎn)的基因互換而產(chǎn)生兩個(gè)新個(gè)體，變異是基因中的某一點(diǎn)或多點(diǎn)發(fā)生突變；

(6)對子代群體重復(fù)步驟(3)～(5)的操作，進(jìn)行新一輪遺傳進(jìn)化過程，直到迭代收斂（適應(yīng)值趨穩(wěn)定）即找到了最優(yōu)解或準(zhǔn)最優(yōu)解。

GA中最常用的算子有如下幾種：

(1)選擇算子(selection/reproduction):選擇算子從群體中按某一概率成對選擇個(gè)體，某個(gè)體xi被選擇的概率Pi與其適應(yīng)度值成正比。最通常的實(shí)現(xiàn)方法是輪盤賭(roulettewheel)模型。

(2)交叉算子(Crossover):交叉算子將被選中的兩個(gè)個(gè)體的基因鏈按概率pc進(jìn)行交叉，生成兩個(gè)新的個(gè)體，交叉位置是隨機(jī)的。其中Pc是一個(gè)系統(tǒng)參數(shù)。

(3)變異算子(Mutation):變異算子將新個(gè)體的基因鏈的各位按概率pm進(jìn)行變異，對二值基因鏈(0,1編碼)來說即是取反。

上述各種算子的實(shí)現(xiàn)是多種多樣的，而且許多新的算子正在不斷地提出，以改進(jìn)GA的某些性能。系統(tǒng)參數(shù)(個(gè)體數(shù)n,基因鏈長度l,交叉概率Pc,變異概率Pm等)對算法的收斂速度及結(jié)果有很大的影響，應(yīng)視具體問題選取不同的值。①

3.2.3遺傳算法與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的結(jié)合

遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用主要反映在3個(gè)方面：網(wǎng)絡(luò)的學(xué)習(xí)，網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)，網(wǎng)絡(luò)的分析。

其中，遺傳算法可以用于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)的學(xué)習(xí)里。這時(shí)，它在兩個(gè)方面起作用：

(1)學(xué)習(xí)規(guī)則的優(yōu)化

用遺傳算法對神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則實(shí)現(xiàn)自動(dòng)優(yōu)化，從而提高學(xué)習(xí)速率。

(2)網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化

用遺傳算法的全局優(yōu)化及隱含并行性的特點(diǎn)提高權(quán)系數(shù)優(yōu)化速度。

我們知道GA算法優(yōu)異于BP算法的地方在于，它不容易陷于局部極小值，尤其在誤差函數(shù)不可微或完全沒有梯度信息的條件下。但是遺傳算法也存在著不足，當(dāng)遺傳搜索迅速找到最優(yōu)解附近時(shí)，無法精確地確定最優(yōu)解的位置.也就是說.它在局部搜索空間不具備微調(diào)能力。而且，如何選取遺傳算法的參數(shù)，才能帶到最優(yōu)的效果并不容易確定。而BP算法具有簡單和可塑的優(yōu)點(diǎn)，但是BP算法是基于梯度的方法，這種方法的收斂速度慢，且常受局部極小點(diǎn)的困擾。

因此，我們可以充分發(fā)揮遺傳算法和BP算法的處.將兩者相結(jié)合，用于來訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的的權(quán)值的權(quán)重和學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的拓樸結(jié)構(gòu)，而最主要的是學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的權(quán)重。在計(jì)算機(jī)技術(shù)高速發(fā)展的今天，這個(gè)方法已經(jīng)成為可行。

本文設(shè)計(jì)的利用GA算法優(yōu)化BP算法權(quán)值的GA-BP算法如下：

設(shè)有三層BP網(wǎng)絡(luò)。

隨機(jī)產(chǎn)生N組在不同實(shí)數(shù)區(qū)間內(nèi)取值的初試網(wǎng)絡(luò)權(quán)值。

（2）用BP算法對這N組初試權(quán)值分別進(jìn)行預(yù)訓(xùn)練，若經(jīng)過訓(xùn)練后這N組權(quán)值中至少已有一組滿足精度要求，則算法結(jié)束；否則轉(zhuǎn)入步驟（3）。

（3）分別依據(jù)經(jīng)過上述N組權(quán)值所對應(yīng)的上下限確定取值區(qū)間，在區(qū)間內(nèi)__________________________________

①魏海坤，《神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)設(shè)計(jì)的理論和方法》國防工業(yè)出版社2005年

隨機(jī)生成r×N組新的權(quán)值，連同經(jīng)過訓(xùn)練的N組權(quán)值一起，構(gòu)成完整的基因群體，共（r+1）×N組權(quán)值。

（4）對于這（r+1）×N組權(quán)值進(jìn)行選擇、交叉、變異等遺傳操作。

（5）如果經(jīng)過步驟（4）的操作已至少得到一組滿足精度要求的權(quán)值，則算法結(jié)束；否則從經(jīng)過遺傳操作的這（r+1）×N組權(quán)值中選出N組較好的，回復(fù)到步驟（2）。

第三節(jié)在樣本輸入中添加隨機(jī)噪聲

在樣本輸入里添加隨機(jī)噪聲的目的是為了防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練造成的過擬合現(xiàn)象，改善神經(jīng)網(wǎng)絡(luò)的泛化能力。當(dāng)噪聲的標(biāo)準(zhǔn)差比較小的時(shí)候，樣本輸入噪聲的方法類似神經(jīng)網(wǎng)絡(luò)的正則化設(shè)計(jì)，正則化系數(shù)與噪聲的標(biāo)準(zhǔn)差相關(guān)。樣本輸入里添加隨機(jī)噪聲的方法可以用于BP,RBF等神經(jīng)網(wǎng)絡(luò)里。

在BP學(xué)習(xí)算法里中樣本輸入插入噪聲的方法如下：

從N個(gè)訓(xùn)練樣本里隨機(jī)選擇一個(gè)樣本=(,)

根據(jù)密度函數(shù)ρ（ξμ）得到樣本輸入的噪聲矢量

令Z=(Xμ+ξμ,Yμ)

對于批處理的學(xué)習(xí)方式，每一輪次的訓(xùn)練時(shí)，所有樣本輸入均應(yīng)按上述方式加入隨機(jī)噪聲。輸入噪聲的密度函數(shù)ρ（ξμ）通?？梢赃x擇均值為零的高斯分布或者均勻分布。

在輸入樣本中添加噪聲后，在輸入噪聲的作用下，訓(xùn)練誤差不會象不輸入噪聲那樣單調(diào)下降，事實(shí)上，當(dāng)馴良的數(shù)據(jù)被循環(huán)作為網(wǎng)絡(luò)的輸入時(shí)，由于每次添加的噪聲值不同，迫使神經(jīng)網(wǎng)絡(luò)無法精確的擬合訓(xùn)練數(shù)據(jù)，防止了過擬合，從而使噪聲起到平滑作用。

由于每次加入的噪聲不同，訓(xùn)練的結(jié)果可能與目標(biāo)函數(shù)存在比較大的誤差，可以采用多次訓(xùn)練，對其結(jié)果取平均值的方法來得到最小的測試標(biāo)準(zhǔn)差，多次訓(xùn)練的方法在一定程度也減小了神經(jīng)網(wǎng)絡(luò)預(yù)測的不確定性。

我們以用神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)函數(shù)為y(x)=sin(3(x+0.8))為例說明添加噪聲的效果，訓(xùn)練樣本和測試樣本的產(chǎn)生方式如下：訓(xùn)練樣本數(shù)15個(gè)，輸入?yún)^(qū)間為{-1,1}內(nèi)的等間隔點(diǎn)。添加噪聲,噪聲服從均值為0，標(biāo)準(zhǔn)差為0.1的正態(tài)分布，測試樣本數(shù)為201個(gè)，其輸入的也為[-1,1]內(nèi)的等間隔點(diǎn)，泛化誤差定義為訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對所有測試樣本的誤差平方和。

為了全面比較和說明添加噪聲和不添加噪聲馴良的性能差別，我們將良種方法均進(jìn)行100次測試，測試中除了添加噪聲與否外，其他所有條件完全相同（包括網(wǎng)絡(luò)結(jié)構(gòu)，數(shù)據(jù)中心，權(quán)參數(shù)初始值等。記錄兩種方法得到的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差和測試誤差的均值和標(biāo)準(zhǔn)差，如下表所列：

無輸入噪聲

添加輸入噪聲

平均訓(xùn)練誤差

0.2412

3.1552

訓(xùn)練誤差標(biāo)準(zhǔn)差

0.3857

1.3569

平均測試誤差

25.4992

17.9888

測試誤差標(biāo)準(zhǔn)差

9.6339

8.4818

表1

從訓(xùn)練結(jié)果上觀察，添加噪聲后得到的神經(jīng)網(wǎng)絡(luò)的泛化誤差比不添加噪聲

所訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)泛化誤差小的多，可見添加噪聲的訓(xùn)練方法對改善神經(jīng)網(wǎng)絡(luò)的泛化能力的效果還是很明顯的。而且經(jīng)過實(shí)驗(yàn)證明，一定次數(shù)的訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)輸出的平均值將收斂。

第四節(jié)多個(gè)神經(jīng)網(wǎng)絡(luò)集成預(yù)測

一般常見的神經(jīng)網(wǎng)絡(luò)預(yù)測中，都是只采用一個(gè)單個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和學(xué)習(xí)，訓(xùn)練樣本一般也選取在距離測試樣本比較接近的區(qū)間。本文作者在初步研究了利用神經(jīng)網(wǎng)絡(luò)對證券指數(shù)進(jìn)行分析的基本原理后有了不同的想法。從分形市場的的基本理論里我們看到，分形市場理論認(rèn)為投資人的決策是有以來歷史經(jīng)驗(yàn)的，價(jià)格具有一定記憶性；信息的傳播是非均衡的，市場價(jià)格反映出的是投資人偏好的信息。市場由眾多投資者組成，他們具有不同的投資時(shí)間尺度，如長線的或者短線的，這使他們有著不同的投資行為。

因此，對于某一時(shí)期證券指數(shù)的變化以及其他市場信息的評估，不同的投資人將有各不相同的的結(jié)果，對于各個(gè)投資人多依賴的歷史經(jīng)驗(yàn)也是不同。比如說一個(gè)在90年代初入市的投資人，可能會因?yàn)閷ι献C指數(shù)94年下探到325點(diǎn)的行情具有深刻的印象而容易對市場的未來走勢做出相對謹(jǐn)慎的判斷；而一個(gè)剛剛?cè)胧芯徒?jīng)歷了“5.19”行情的投資人卻可能對未來的市場保持樂觀的看法。而只使用一個(gè)神經(jīng)網(wǎng)絡(luò)來擬合指數(shù)變動(dòng)的曲線，就隱含的認(rèn)為所有投資人都是按照訓(xùn)練樣本所在時(shí)間段的經(jīng)驗(yàn)進(jìn)行判斷的，所有的投資人用同一個(gè)投資時(shí)間尺度來進(jìn)行各自的投資行為，這是并不是一個(gè)符合分形市場的行為。

因此，如果我們使用多個(gè)神經(jīng)網(wǎng)絡(luò)同時(shí)進(jìn)行預(yù)測，每一個(gè)預(yù)測模型都可能提供某些別的模型不能提供的信息，幾種模型結(jié)合起來所得的預(yù)測結(jié)果所包含的信息將比某一個(gè)模型預(yù)測結(jié)果包含的信息更多，所以預(yù)測結(jié)果也會相對更準(zhǔn)確。

為了改進(jìn)這個(gè)缺陷，本文作者嘗試采用了訓(xùn)練多個(gè)不同訓(xùn)練樣本的神經(jīng)網(wǎng)絡(luò)進(jìn)行同一測試樣本的預(yù)測。我們可以在長期的時(shí)間序列里，選取n個(gè)等長的時(shí)間序列,將每個(gè)序列(i=1..n)作為訓(xùn)練樣本進(jìn)行訓(xùn)練，得到n個(gè)不同的神經(jīng)網(wǎng)絡(luò)。將測試的樣本同時(shí)輸入這n個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬，我們可以得到n個(gè)結(jié)果(i=1..n).

1993年，Perrone和Cooper證明，在將神經(jīng)網(wǎng)絡(luò)集成用于回歸估計(jì)時(shí)，如果采用簡單平均，且各網(wǎng)絡(luò)的誤差是期望為0且互相獨(dú)立的隨機(jī)變量，則集成的泛化誤差為各網(wǎng)絡(luò)泛化誤差平均值的1/N，其中N為集成中網(wǎng)絡(luò)的數(shù)目；如果采用加權(quán)平均，通過適當(dāng)選取各網(wǎng)絡(luò)的權(quán)值，能夠得到比采用簡單平均法更好的泛化能力①

所以，本文也采用了對按一定的權(quán)值進(jìn)行加權(quán)平均的辦法，得到最后的預(yù)測結(jié)果。這樣我們就能將測試樣本擬合到不同時(shí)期的時(shí)間序列曲線上，模擬不同人群對不同歷史時(shí)期經(jīng)驗(yàn)的倚重。

1995年，Krogh和Vedelsby給出了神經(jīng)網(wǎng)絡(luò)集成泛化誤差計(jì)算公式。②假設(shè)學(xué)習(xí)任務(wù)是利用N個(gè)神經(jīng)網(wǎng)絡(luò)組成的集成對f:RnR進(jìn)行近似，集成采用加權(quán)平均，各網(wǎng)絡(luò)分別被賦以權(quán)值w，并滿足式11和式12：

(11) (12)

再假設(shè)訓(xùn)練集按分布p(x)隨機(jī)抽取，網(wǎng)絡(luò)對輸入X的輸出為V(X)，則神經(jīng)網(wǎng)絡(luò)集成的輸出為：

(13)

神經(jīng)網(wǎng)絡(luò)的泛化誤差E和神經(jīng)網(wǎng)絡(luò)集成的泛化誤差E分別為：

(14)

(15)

各網(wǎng)絡(luò)泛化誤差的加權(quán)平均為：

(16)

神經(jīng)網(wǎng)絡(luò)的差異度A和神經(jīng)網(wǎng)絡(luò)集成的差異度分別為：

_________________________________

PerroneMP,CooplerLN.“WhenNetworksDisagree:EnsembleMethodforNeuralNetworks.”MammoneRJed.ArtificialNeuralNetworksforSpeechandVision,London:Chapman-Hall,1993,126~142.

②KroghA,VedelsbyJ.NeuralNetworkEnsembles,CrossValidation,AndActiveLearning.In:TesauroG,TouretzkyD,LeenTeds.AdvancesinNeuralInformationProcessingSystems(Volume7),1995,231~238.

(17)

(18)

則神經(jīng)網(wǎng)絡(luò)集成的泛化誤差為：

E= - (19)

式19中的度量了神經(jīng)網(wǎng)絡(luò)集成中各網(wǎng)絡(luò)的相關(guān)程度。若集成是高度偏向（biased）的，即對于相同的輸入，集成中所有網(wǎng)絡(luò)都給出相同或相近的輸出，此時(shí)集成的差異度接近于0，其泛化誤差接近于各網(wǎng)絡(luò)泛化誤差的加權(quán)平均。反之，若集成中各網(wǎng)絡(luò)是相互獨(dú)立的，則集成的差異度較大，其泛化誤差將遠(yuǎn)小于各網(wǎng)絡(luò)泛化誤差的加權(quán)平均。因此，要增強(qiáng)神經(jīng)網(wǎng)絡(luò)集成的泛化能力，就應(yīng)該盡可能地使集成中各網(wǎng)絡(luò)的誤差互不相關(guān)。

但是從我們計(jì)算上證指數(shù)的分形特征所得到的序列上看到，在n=308的時(shí)候發(fā)生顯著的下降，說明上證指數(shù)的一個(gè)長期記憶過程大約是308個(gè)交易日，所以想得到多個(gè)互相誤差互不相關(guān)的神經(jīng)網(wǎng)絡(luò)需要大量的交易數(shù)據(jù)。

多個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行加權(quán)預(yù)測的具體效果將在下文中得到體現(xiàn)。

第四章實(shí)證結(jié)果及其分析

第一節(jié)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

(1)信息的表達(dá)方式

實(shí)際應(yīng)用中需要將領(lǐng)域問題及其相應(yīng)的領(lǐng)域知識轉(zhuǎn)化為網(wǎng)絡(luò)所能表達(dá)并能處理的形式即將領(lǐng)域問題提煉成適合網(wǎng)絡(luò)求解所能接受的某種數(shù)據(jù)形式。我們將連續(xù)N日的上證收盤指數(shù)直接作為訓(xùn)練數(shù)據(jù)。某些研究認(rèn)為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)需要進(jìn)行歸一化處理，但是通過本人的實(shí)際比較，歸一化處理的數(shù)據(jù)不能提供更好的泛化能力，反而增加了計(jì)算量，因此，輸入樣本直接為上證收盤指數(shù)。

(2)網(wǎng)絡(luò)模型選擇

主要包括確定激活函數(shù)聯(lián)接方式各神經(jīng)元的相互作用等。這里我們采用了BP多層前饋網(wǎng)絡(luò)。在BP網(wǎng)絡(luò)上，各個(gè)神經(jīng)元之間的傳遞函數(shù)有S型對數(shù)函數(shù)、雙曲正切S型傳遞函數(shù)，線性傳遞函數(shù)等。本人選取了線性傳遞函數(shù)作為神經(jīng)元之間的傳遞函數(shù)，雖然線形函數(shù)的泛化能力比非線形函數(shù)相比較弱，但是卻具有相對比較快的訓(xùn)練速度。

(3)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練算法

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法有梯度下降學(xué)習(xí)算法、梯度下降動(dòng)量學(xué)習(xí)算法等。本文采用了Levenberg-Marguardt的BP訓(xùn)練函數(shù)。該方法與傳統(tǒng)方法比較，需要占用較大的內(nèi)存空間，但是訓(xùn)練次數(shù)一般只為梯度下降算法的1%，訓(xùn)練速度較快。

(4)網(wǎng)絡(luò)參數(shù)選擇

確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包括多層網(wǎng)的層數(shù)、隱層神經(jīng)元數(shù)目和輸入輸出單元的數(shù)目等。

①多層網(wǎng)絡(luò)的層數(shù)

由Kosmogorov定理可知一個(gè)具有三層的前向網(wǎng)絡(luò)能實(shí)現(xiàn)任意給定的映射，因此在大多數(shù)的涉及函數(shù)逼近的研究與應(yīng)用中一般都選用結(jié)構(gòu)比較簡單的三層前向網(wǎng)絡(luò)，本文也同樣選擇了3層的向前網(wǎng)絡(luò)。

②輸出層單元數(shù)目

輸出單元的數(shù)目一般依需要預(yù)測的結(jié)果而定。比如需要預(yù)測連續(xù)N天的上證指數(shù)，我們就可以取輸出單元數(shù)為N.這里，由于我們要預(yù)測的是某段n個(gè)連續(xù)上證指數(shù)序列后一天的上證指數(shù)，所以輸出單元數(shù)為1，即第n+1個(gè)上證指數(shù)。

③輸入層單元數(shù)目

輸入層單元的數(shù)目就是每次輸入的訓(xùn)練矢量的秩。在神經(jīng)網(wǎng)絡(luò)應(yīng)用中，模型的選取尤其是輸入變量個(gè)數(shù)的選取，對預(yù)測結(jié)果的影響具有關(guān)鍵意義。大量的研究表明，經(jīng)濟(jì)時(shí)問序列是混沌的。我們可以用混沌時(shí)間序列的知識來確定模型的變量個(gè)數(shù)。

通常的做法是，對給定的經(jīng)濟(jì)時(shí)間序列，求出該序列的飽和嵌入維數(shù)，即重構(gòu)相交間的最佳嵌入維數(shù)，那么這個(gè)維數(shù)就可作為構(gòu)經(jīng)網(wǎng)絡(luò)輸入變量個(gè)數(shù)的數(shù)目。這里有一定的道理，神經(jīng)網(wǎng)絡(luò)的每個(gè)輸入就是經(jīng)濟(jì)時(shí)間序列的重構(gòu)相空間向量的一個(gè)分量。大量的數(shù)值實(shí)驗(yàn)證實(shí)了這種方法的有效性和可靠性。

系統(tǒng)的飽和嵌入維數(shù)可以由C-C法進(jìn)行估測。上海交通大學(xué)的葉中行，楊利平曾經(jīng)’采用相空間重構(gòu)法計(jì)測算過上證指數(shù)的飽和嵌入維數(shù)為10。①但是實(shí)際測試訓(xùn)練中輸入單元數(shù)為10的效果并不是很好。經(jīng)過多次測試比較，發(fā)現(xiàn)輸入單元數(shù)字在15~20之間效果較好?？梢怨烙?jì)目前上證指數(shù)的飽和嵌入維數(shù)可以在10到20之間。最后，本人選擇了輸入單元數(shù)目為20。①

④隱層單元數(shù)目

網(wǎng)絡(luò)的隱層單元個(gè)數(shù)的多寡關(guān)系到網(wǎng)絡(luò)的泛化性，目前圍繞隱層單元個(gè)數(shù)的選取方法有很多種。比較常見的有:

_________________________________

①呂金虎陸君安,《混沌時(shí)間序列分析及其應(yīng)用》2002年第一版

1）

2）=（）/2

其中表示隱層單元個(gè)數(shù)，表示輸入單元個(gè)數(shù)，表示輸出單元個(gè)數(shù)，表示一常數(shù)，一般取值范圍為[1，10]。

在實(shí)際應(yīng)用中，由于逼近的股票指數(shù)函數(shù)變化劇烈波動(dòng)很大，所以要求調(diào)整的聯(lián)接權(quán)數(shù)很多因此隱層單元應(yīng)該多一些，而且更多的隱層單元能夠提供更高的逼近精度。當(dāng)然隱層單位數(shù)目并不是越多越好的。經(jīng)過對測試數(shù)據(jù)的多次測試，我們選擇了第2種隱層單元數(shù)的確定方式，最終的隱層單元數(shù)為12。當(dāng)隱層單元數(shù)大于12后，神經(jīng)網(wǎng)絡(luò)的逼近精度并沒有進(jìn)一步的提高，所以不需要繼續(xù)增加隱蔽層單元數(shù)目。

⑤算法工具以及樣本來源

在本文的預(yù)測和計(jì)算過程中，本人采用了Matlab6.0數(shù)學(xué)計(jì)算工具軟件。

Matlab是美國MathWorks公司自20世紀(jì)80年代中期推出的數(shù)學(xué)軟件，優(yōu)秀的數(shù)值計(jì)算能力和卓越的數(shù)據(jù)可視化能力使其很快在數(shù)學(xué)軟件中脫穎而出。Matlab已經(jīng)成為線性代數(shù)、自動(dòng)控制理論、概率論及數(shù)理統(tǒng)計(jì)、數(shù)字信號處理、時(shí)間序列分析、動(dòng)態(tài)系統(tǒng)仿真等方面重要的數(shù)學(xué)計(jì)算工具。該軟件在6.0及以上版本里提供了眾多實(shí)用的數(shù)學(xué)計(jì)算工具，尤其是包含有功能豐富的神經(jīng)網(wǎng)絡(luò)函數(shù)集合以及GAOT工具箱，提供了靈活、開放、高效的計(jì)算環(huán)境，設(shè)計(jì)者可以根據(jù)自己的需要去調(diào)用工具箱中相關(guān)函數(shù)，使自己能夠從繁瑣的編程中解脫出來從而提高效率和工作質(zhì)量。

本文所有樣本以及測試數(shù)據(jù)均來自錢龍軟件網(wǎng)絡(luò)版V.4.53的日K線資料，未對指數(shù)做任何處理。

第二節(jié)利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測上證指數(shù)的流程

數(shù)據(jù)的預(yù)訓(xùn)練和測試

該步驟是為了確定下合適的訓(xùn)練樣本個(gè)數(shù)，輸入單