股票收益预测的人工神经检验

我们观察到，当集团资本化增加时，平均符号预测减少。这一结果在图（2）中很明显。当查看平均总回报时，我们发现，对于一些股票，规则回报率为负值。然而，当平均每个组的结果时，所有回报都是正的，但我们无法确定当资本化增加时回报会更低。当考虑理想的比率或夏普比率时，同样的行为也是值得赞赏的。表2：30次独立运行后选定指标的平均和标准偏差。库存在0-25之间。资本化百分比。股票代码USIM5 CPLE6 BRML3 RENT3 ENBR3买入并持有（火车）0.01830 0.00499-0.01363 0.05550-0.00081退货规则（火车）0.04794 0.01800 0.02714 0.02624 0.01377Std。偏差0.01274 0.02612 0.01884 0.03378 0.01027买入和持有（测试）-0.00460-0.01504-0.00081 0.00299-0.01888符号预测73.58%57.13%59.75%54.34%65.29%Std。偏差0.00098 0.01171 0.05554 0.04627 0.11498总回报0.03354 0.01453 0.01142-0.03183 0.01088Std。偏差0.01096 0.02375 0.03158 0.03352 0.02149理想收益率0.04491 0.02990 0.02116-0.05172 0.02575Std。偏差0.01096 0.04888 0.05855 0.05445 0.05087夏普比率3.05859 0.61174 0.36150-0.94981 0.50614范围+/-0.0165+/-0.005+/-0.0083+/-0.00516+/-0.0116Std。偏差0.00709 0.00000 0.00479 0.00091 0.00531表3：30次独立运行后选定指标的平均值和标准偏差。25日内库存-第50个资本化百分位。股票代码FIBR3 PCAR4 NATU3 GGBR4 CSAN3买入和持有（火车）0.00485-0.03741 0.01911 0.00155 0.02732回程规则（火车）0.01939 0.04437 0.04626 0.04216 0.00613Std。偏差0.02666 0.00719 0.07131 0.02489 0.01250买入和持有（测试）-0.00728-0.04381 0.00095-0.01875-0.02629符号预测54.88%58.81%63.62%67.83%60.73%Std。偏差0.02602 0.02307 0.05573 0.05273 0.06667总回报0.02244 0.03985 0.02661 0.03626 0.04307Std。

偏差0.01912 0.00828 0.04353 0.02046 0.02895理想收益率0.05835 0.11278 0.08744 0.05288 0.07499Std。偏差0.04972 0.02342 0.14303 0.02985 0.05041夏普比1.17350 4.81531 0.61135 1.77197 1.48775范围+/-0.01016+/-0.0073+/-0.005+/-0.008+/-0.00516Std。偏差0.00713 0.00341 0.00000 0.00428 0.00091表4：30次独立运行后选定指标的平均值和标准偏差。库存在50-75位之间。资本化百分比。股票代码LAME4 TBLE3 WEGE3 CCRO3 BVMF3买入和持有（火车）0.01427 0.01129 0.00538-0.02447 0.00174退货规则（火车）0.03965 0.00924 0.02033 0.05391 0.03464Std。偏差0.03617 0.00990 0.02430 0.03173 0.03526购买和持有（测试）-0.00177-0.01947-0.01804-0.01482-0.01575符号预测59.28%52.67%64.69%65.65%58.72%Std。偏差0.05310 0.04114 0.09738 0.07825 0.06749总回报0.00640 0.02244 0.00766 0.01709 0.03197Std。偏差0.01785 0.03648 0.01459 0.00815 0.02498理想收益率0.01475 0.03817 0.02548 0.04915 0.06104Std。偏差0.04113 0.06206 0.04850 0.02344 0.04770Sharpe比率0.35855 0.61495 0.52532 2.09646 1.27952范围+/-0.0056+/-0.00916+/-0.00516+/-0.00916+/-0.0055Std。偏差0.00217 0.00789 0.00091 0.00475 0.00201表5：30次独立运行后选定指标的平均值和标准偏差。第75位以内的股票-第100个资本化百分位。股票代码VALE3 SANB11 PETR3 ITUB4 AMVEBBuy&Hold（列车）0.03415 0.00757 0.04042 0.00419-0.06319返回规则（列车）0.00501 0.06283 0.00242 0.00252 0.65757Std。偏差0.01122 0.04443 0.00671 0.00365 0.51873买入和持有（测试）0.04247-0.05064-0.03265 0.00383 0.06991信号预测54.59%56.42%52.89%54.77%63.63%Std。偏差0.03665 0.06154 0.08615 0.04399 0.051560总回报-0.02745 0.04937 0.01683-0.00837 0.51680Std。Dev 0.02620 0.03814 0.02491 0.01501 0.633300理想收益率-0.04481 0.07002 0.02347-0.01688 0.02664Std。

偏差0.04278 0.05410 0.03472 0.03028 0.03265夏普比-1.04739 1.29426 0.67585-0.55764 0.81605范围+/-0.005+/-0.0065+/-0.005+/-0.00516+/-0.00616Std。Dev 0.00000 0.00418 0.00000 0.00091 0.002156结论股票市场不仅作为资产配置，而且作为系统性危机在整个经济中传播的手段，发挥着重要作用。因此，分析市场是否具有信息效率是相关的。如果基于人工神经网络的规则（如本文所述）能够跑赢市场，则意味着信息不会像有效市场假说所假设的那样立即传递到价格中。这种情况引起了市场监管和政策建议方面的一些担忧。我们研究的目的是对巴西股市的股票回报进行日内预测。我们对时间序列数据的研究发现，人工神经网络具有预测符号变化的重要能力。事实上，在一些情况下，ANN的表现优于简单的买入并持有策略。不过，这一表现远不是一个完美的预测。如果投资者有完美的预测，ANN只能获得-5%到11.2%的回报。资本化程度较低的股票的预测能力更强。然而，这一特点可能对投资者和决策者尤为重要。根据我们的结果，我们可以得出两个结论：（i）尽管EMHis不完善，但它是一个分析市场效率的有用框架；（ii）有一些套利机会可以通过使用一些先进的工具（如ANN）加以利用。大型金融机构管理的投资组合规模巨大。因此，小规模的异常回报最终将达到数百万美元。作为警告，我们应该说，如果我们考虑交易成本，ANN建议的技术规则的真实可行性可以大大降低。

在未来的研究中，除了过去的价格和趋势之外，测试其他变量将是有趣的。例如，为了提高预测的性能，还可以考虑交易量和波动性。此外，分析其他市场是否也存在我们对股票的同样规模影响，这将是很有价值的。参考文献【1】S.A.Ross，《新古典主义金融》（普林斯顿大学出版社，普林斯顿，新泽西州，2005）【2】E.F.Fama，《金融杂志》25（2），383（1970）【3】E.F.Fama，《金融杂志》46（5），1575（1991）【4】M.G¨o¨cken，M.¨Oz¨cal？cA、 Boru，A.T.Dosdo？ru，《应用专家系统》44320（2016）。DOI 10.1016/j.eswa。2015.09.029【5】M.Qiu，Y.Song，F.Akagi，《混沌、孤子与分形》85，1（2016）。DOI10.1016/j.chaos。2016.01.004【6】L.Lanzarini，A.Villa Monte，A.Fern'andez Bariviera，P.Jimbo Santana，《使用LVQ+PSO获取分类规则：信用风险的应用》，第377卷（Springer，2015）。DOI 10.1007/978-3-319-19704-3{31[7]L.Lanzarini，A.Villa Monte，A.Bariviera，P.Jimbo Santana，Kybernetes46（1），出版（2017）[8]M.Tk\'Aˇc，R.Verner，应用软件计算38，788（2016）。DOI 10.1016/j.asoc。2015.09.040【9】L.Lanzarini，J.M.Iglesias Caride，A.F.Bariviera，参加2011年国际模糊系统协会世界大会和2011年亚洲模糊系统学会国际会议（2011），6月，第21–25页【10】P.Isasi Vinuela，I.M.Galv'an Le'on，Redes de neuronas arti ficiales。Unenfoque pr'actico（Pearson-Pentice Hall，2004）【11】J.A.Freeman，D.M.Skapura，《神经网络、算法、应用和编程技术》。（Addison Wesley Publishing Company，1991）【12】R.Gencay，《国际经济学杂志》47（1），91（1999）【13】F.Fern'andez Rodr'guez，C.Gonz'alez Martel，S.Sosvilla Rivero，《经济学快报》69（1），89（2000）【14】M.Riedmiller，H。

Braun，在IEEE国际神经网络会议（1993）上，第586–591页图2：对数市值和符号预测之间的关系。颜色代表相同四分位的股票。较大的色点反映了每个四分位的样本平均值。