股票收益预测的人工神经检验

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Stock returns forecast: an examination by means of Artificial Neural
  Networks》
---
作者：
Martin Iglesias Caride, Aurelio F. Bariviera, Laura Lanzarini
---
最新提交年份：
2018
---
英文摘要：
  The validity of the Efficient Market Hypothesis has been under severe scrutiny since several decades. However, the evidence against it is not conclusive. Artificial Neural Networks provide a model-free means to analize the prediction power of past returns on current returns. This chapter analizes the predictability in the intraday Brazilian stock market using a backpropagation Artificial Neural Network. We selected 20 stocks from Bovespa index, according to different market capitalization, as a proxy for stock size. We find that predictability is related to capitalization. In particular, larger stocks are less predictable than smaller ones.
---
中文摘要：
几十年来，有效市场假说的有效性一直受到严格审查。然而，反对它的证据并不确凿。人工神经网络提供了一种无模型的方法来分析过去收益对当前收益的预测能力。本章使用反向传播人工神经网络分析巴西股市日内的可预测性。根据不同的市值，我们从Bovespa指数中选择了20只股票作为股票规模的代表。我们发现可预测性与资本化有关。尤其是，规模较大的股票比规模较小的股票更难预测。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Quantitative Finance        数量金融学
二级分类：Pricing of Securities        证券定价
分类描述：Valuation and hedging of financial securities, their derivatives, and structured products
金融证券及其衍生产品和结构化产品的估值和套期保值
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
-->

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：股票收益 人工神经 Quantitative Applications Econophysics

股票收益预测：通过人工神经网络SMART（阿根廷布宜诺斯艾利斯大学数据挖掘Iglesias CarideMaster项目）进行的检验。143204 Reus（西班牙）aurelio大学。fernandez@urv.catLauraLanzariniInstituto de Investigaci‘on en Inform‘atica LIDIFacultad de Inform’atica，国立拉普拉塔大学（阿根廷）2018年1月25日摘要有效市场假说的有效性自几十年来一直受到严重质疑。然而，反对它的证据并不确凿。人工神经网络提供了一种无模型的方法来分析过去收益对当前收益的预测能力。本章利用abackpropagation人工神经网络对巴西股市的日内可预测性进行了分析。根据不同的市值，我们从Bovespa指数中选择了20只股票作为股票规模的代理。我们发现可预测性与资本化有关。特别是，规模较大的股票比规模较小的股票更难预测。1引言有效市场假说（HME）是一个理论框架，构成了金融经济学的基线。它是按照新古典经济学的指导方针发展起来的。根据Fama[2]的标准定义，如果价格传递了所有相关信息，那么市场就是信息有效的。定义立即导致相关信息集的确定。

因此，Fama[2]将信息效率分为三类：（i）当当前价格包含过去价格系列的信息时，信息效率较弱；（ii）当最终价格包含与该资产相关的所有公共信息时，为半强效率；以及（iii）当价格反映出与该资产相关的所有公共和私人信息时，效率高。直到20世纪80年代，HME一直是经济学中无可置疑的范式。随着个人电脑的出现和数据可用性的提高，HME测试变得更加容易。因此，在那些年里，开始出现质疑信息效率弱版本的文章。第一篇文章询问了季节性因素对回报的影响。后来，研究人员开始研究收益预测。在对其1970年文章的回顾中，Fama[3]将第一类弱效率重新命名为回报可预测性测试，其中解释变量除了过去的表现外，还可能是其他财务变量，如利率、市盈率等。如果EMH是对市场行为的充分描述，排除了收益预测（无论是基于过去的收益还是添加其他变量）。特别是，所有主张金融市场存在或多或少固定模式的图表理论都被抛弃了。本文的目的是通过人工神经网络（ANN）使用符号预测（向上或向下移动），对巴西股市的EMH进行弱版本测试。论文的其余部分组织如下：第2节简要回顾了人工神经网络在经济学中的应用；第3节描述了方法；第4节描述了在第5节中进行的经验应用中使用的数据。

最后，第6节得出了我们研究的主要结论。2股市预测：人工神经网络将人工神经网络用于经济和金融问题非常复杂。根据其结构和类型，人工神经网络可用于分类、优化和预测。这种多功能性，包括其鲁棒性和处理非线性动力学的能力，无疑是其成功的一部分。通常，许多商业问题涉及多个变量，具有未知的函数（非线性）关系。这种情况增强了可以使用ANN建模的数据驱动模型的使用。G¨o,cken等人[4]提出了一种混合模型，该模型由和声搜索或遗传算法与人工神经网络组成，以增强土耳其股市回报预测的能力。邱等人也选择了一种混合方法。他们将神经网络与遗传算法或模拟退火相结合，以过滤输入层中要设置的变量。除了用于股市预测之外，人工神经网络还用于信用评分。例如，使用混合方法，将无线网络和优化技术相结合，以便对两个公共数据库的客户进行分类。虽然结果在准确性方面非常相似，但这种新方法允许简化规则的数量，以获得给定的准确性水平。同样的技术在[7]中扩展到了厄瓜多尔一家金融机构真实而庞大的客户数据库。结果是更直观的客户分类，这有助于经理更详细地了解哪些变量在客户信贷应用程序中真正重要。[8]最近的一项调查在主要学术期刊上发现了412篇将人工神经网络应用于商业和经济学的文章。

这项调查涵盖了过去二十年。应用范围从信用评分、股票预测到营销。这反映了一个活跃的研究领域，该领域将数据科学应用于增加业务价值。3 MethodologyLanzarini等人[9]利用股票指数的日值研究反向传播神经网络的预测能力。在本文中，我们将使用高频盘中股价，而不是使用每日指数值。我们想测试人工神经网络在几分钟内预测运动的能力。本研究的基本原理如下：许多投资公司执行算法交易，即公司在市场上非常频繁地运营，其买卖决策是通过机器学习算法做出的。因此，这是金融业的一个重要话题。通过人工神经网络（ANN）[10]解决了预测问题。这种结构倾向于模拟人脑通过经验学习的方式。基本上，我们把神经网络看作一个有向图，其节点称为神经元，连接它们的线具有相关的权重。这个值在某种意义上代表了所获得的“知识”。神经元根据其功能被组织成层：输入层向网络提供信息，输出层提供答案，隐藏层负责在输入和输出之间进行映射【11】。在本文中，我们使用多层神经网络。它是一个完全连接的前馈网络，分为三层：10个输入神经元，6个神经元在一个隐藏层和一个输出神经元。这种架构与[12]、[9]和[13]中使用的架构相同。不同的是，学习算法是一种弹性传播，而不是更常见的反向传播。对培训进行监督。

反向传播执行的梯度下降的弹性传播会独立更新每个权重，不受导数影响的大小的影响，而只取决于其符号的时间行为（[14]）。该网络旨在预测市场回报。假设P=（P，P，…，pL）是图1中的股票报价序列，那么t+1时刻的实际回报率计算如（1）所示：rt+1=lnpt+1pt（1） 其中，pt+1和pt在t+1和t期间进行股票报价，rt+1是在t期间买入和在t+1期间卖出所获得的连续复合回报。为了帮助改善网络性能，使用OrdinylEast平方计算用作网络输入的最后九个收益的趋势，并将其用作模型的第十个输入。培训是有监督的，这意味着知道将在培训中使用的每个示例的预期值。因此，需要一组有序对{（X，Y），（X，Y），…，（Xj，Yj），…，（XM，YM）}，其中Xj=（Xj，1，Xj，2，…，Xj，10）是输入向量，其中Xj，10是最后九个返回的趋势，Yj是网络为该向量学习的预期答案值。在这种情况下：xj，k=rj+k=lnpj+kpj+k-1.k=1，2。9（2）Yj=rj+1+N=lnpj+1+Npj+N（3） 可以用L股票报价M=L形成的最大对数（Xj，Yj）- 其中前一半用于培训网络，后一半用于验证其性能。

一旦对网络进行了训练，其向量Xjis的答案将按公式（4）所示进行计算。Yj=Ga+Xi=1aiFb0，i+Xk=1xj，kbk，i！！（4） 其中xj，kis是与k相对应的值- （2）中定义的th输入，bk，ii连接k的拱的重量- 具有i的输入的第th个神经元- TH隐藏的神经元和AI是连接i- th hiddenneuron具有网络的单输出神经元。我们应该注意到，每个隐藏神经元都有一个额外的arch，其值在b0，i中表示。该值称为偏差或趋势项。权重为A的outputneuron也会发生类似的情况。最后，将使用获得的预期回报yjj进行相应的预测。没有预测任何正（负）值作为回报将为正（负）且股票应买入（卖出）的指标，而是使用了范围。如果预测利率大于X，则应购买股票。如果预测速率低于-十、 股票应该卖掉。如果预测速率在该范围内，则应保持优先位置。如果最后的决定是购买，规则规定要保留股票。相反，如果最后的预测是利率将下降，则应保持较短的位置。与使用fix范围来确定在何处购买或出售不同，该范围在培训期间得到了优化。3.1可行性衡量为了衡量ANN和我们的基准模型（naivebuy and hold）的可行性，我们选择了一些常用指标。

训练集成对（Xj，Yj）使用的可支持性度量如下：oANN购买与持有训练：是通过简单的购买与持有策略获得的回报，并通过将训练集的所有预期回报相加来计算，如（5）所示。bhT rain=M/2Xj=1Yj（5）oANN购买与持有测试：等同于之前的度量，但适用于测试集。bhT est=MXj=1+M/2Yj（6）o符号预测比率：对于正确预测的利率符号，我们将其赋值为1，而如果符号未正确预测，则-1值对应。SP R=PMj=1+M/2匹配（Yj，Yj）M/2（7）匹配（Yj，Yj）=1 if sign（Yj）=sign（Yj）0 if not（8），其中sign是参数为正时映射+1的符号函数-1当参数为负时。o最大回报是通过将绝对值MaxReturn=MXj=1+M/2abs（Yj）（9）中的所有预期值相加得到的，并表示在假设完美预测的情况下可实现的最大回报总回报按以下方式计算：总回报=MXj=1+M/2sign（Yj）* Yj（10），其中sign是符号函数。

请注意，网络预测越好，总回报越大。o理想收益率是总回报率（10）和最大回报率（9）之间的比率。IPR=TotalReturnMaxReturn（11）表1：样本中的股票详细信息公司名称部门市值百分位股票代码（千美元）Ambev SA Consumer Staples 93084295第75–100位ABEV3 BS EquityItau Unibanco Holding SA Financials 61371355第75–100位ITUB4 BS EquityPetroleo Brasileiro SA Energy 56071359第75–100位PETR3 BS EquityBanco Santander Brasil SA Financials25954473第75-100名SANB11 BS EquityVale SA Materials 25871589第75-100名VALE3 BS EquityBMFBovespa SA Financials 10031988第50-75名BVMF3 BS Equitycr SA Industrials 9295719第50-75名CCRO3 BS EquityWEG SA Industrials 8235428第50-75名WEGE3 BS EquityEngie Brasil Energia SA Utilities 7856355第50-75名TBLE3 BS EquityLojas Americanas SA Consumer Decreative7524872第50–75届LAME4 BS EquityCosan SA Industria e Comercio Energy 4727773第25–50届CSAN3 BS EquityGerdau SA Materials 4353258第25–50届GGBR4 BS EquityNatura Cosmeticos SA Consumer Staples 4146966第25–50届NATU3 BS EquityCia Brasileira de Distributibuico Consumer Staples 4027431第25–50届PCAR4 BS Equityia Celulose SA Materials 3762646第25–50届BSEquityEDP-巴西能源公司SA公用事业2678135 0–25 ENBR3 BS EquityLocaliza Rent a Car SA Industrial 2634754 0–25 Rent 3 BS EquityBR Malls Participacoes SA Real State 2312292 0–25 BRML3 BS EquityCia Paranaense de Energia公用事业公司2264843 0–25 CPLE6 BS EquityUsinas Sider。de Minas Gerais SA Materials 2164639 0–25 USIM5 BS EquityoSharpe Ratio是总回报与其标准差之间的比率。总回报的不同值来自网络培训中的几次独立跑步。

这将产生不同的网络，从而产生不同的总回报。SR=uT otalReturnσT otalReturn（12）4数据我们对Bovespa指数中包含的20只股票的子集使用实时报价。这些股票是根据其市值选择的，详见表1。构成Bovespa的股票被划分为四分位，对于每个四分位，将重新选择资本化程度最高的五只股票，以便为每组提供一个代表性样本。从2015年9月16日下午2:00到2015年9月18日晚上8:16，每个股票使用了1000个数据点，以限制用于构建所用模型的算法的运行时间。图1显示了报价在样本期间的演变。5实证结果我们对第4节所述样本中的每只股票进行了30次独立运行。最大迭代次数限制为3000次。初始值8随机分布在-1和1。初始更新值如图1所示：二十只选定Bovespa股票的实时报价。设置为0.01，而更新值限制在e-6和50。权重更新的递增因子和递减因子分别设置为1.2和0.5。神经网络使用的函数F和G是（13）和（14）中定义的函数。两者都是S形函数。第一个介于0和1之间，第二个介于-1和1。这样，F允许hiddenneurons产生较小的值（0到1之间），而G允许在负（预期负回报）和正（预期正回报）之间进行净分割。G（n）=1+e-n（13）F（n）=1+e-2n个- 1（14）我们在表5、表4、表3和表2中显示了每种股票获得的结果，每种股票四分位一个结果——平均30次，并在适用时显示低于标准偏差。符号预测总是大于50%。