神經(jīng)網(wǎng)絡(luò)金融市場(chǎng)預(yù)測(cè)文獻(xiàn)綜述

羅仁駿（重慶工商大學(xué)財(cái)政金融學(xué)院，重慶 400000）

金融市場(chǎng)預(yù)測(cè)作為金融領(lǐng)域中較為獨(dú)特的一塊，經(jīng)受了飽受爭(zhēng)議到如今的百家爭(zhēng)鳴。然而作為人民的心有所想，風(fēng)險(xiǎn)控制的需求等，金融市場(chǎng)預(yù)測(cè)愈發(fā)處于一個(gè)新興且不斷發(fā)展的態(tài)勢(shì)，某種程度上而言，隨著科技和模型方法的發(fā)展，金融市場(chǎng)預(yù)測(cè)也可謂金融領(lǐng)域?qū)で蟾嗤黄频念I(lǐng)域之一。

1.金融市場(chǎng)的可預(yù)測(cè)性

市場(chǎng)有效性假設(shè)(EMH)是現(xiàn)代金融經(jīng)濟(jì)理論的基石之一。法瑪(Fama,1970)指出，市場(chǎng)有效性一般區(qū)分為三個(gè)層次：弱有效、半強(qiáng)有效、強(qiáng)有效。而由于金融市場(chǎng)的多噪聲，不穩(wěn)定，影響因子多的特性，看上去仿佛遵循布朗運(yùn)動(dòng)，因此而認(rèn)為對(duì)金融市場(chǎng)建立預(yù)測(cè)模型是沒(méi)有意義的。于是最初的經(jīng)典文獻(xiàn)都著眼于金融市場(chǎng)的可預(yù)測(cè)性上面。Andrew W.Lo and A.Craig MacKinlay 在1988年對(duì)股價(jià)進(jìn)行了隨機(jī)游走檢驗(yàn)，發(fā)現(xiàn)股票市場(chǎng)價(jià)格并不嚴(yán)格服從隨機(jī)游走假設(shè)，其價(jià)格的變化具備一定的可預(yù)測(cè)性。至此以后，越來(lái)越多的學(xué)者對(duì)金融市場(chǎng)價(jià)格的可預(yù)測(cè)性進(jìn)行深入的研究。如Cochrane(2005) 指出金融市場(chǎng)近年來(lái)所發(fā)現(xiàn)的最重要現(xiàn)象是股票和債券以及外匯市場(chǎng)的投資回報(bào)是可預(yù)測(cè)的; 國(guó)內(nèi)學(xué)者如馬樹(shù)才，趙豐義 (2007)運(yùn)用股市預(yù)期收益率模型從理論上探究闡述了股票市場(chǎng)具有某種程度的可預(yù)測(cè)性；與此同時(shí)，通過(guò)GARCH-M 模型驗(yàn)證中國(guó)滬深股票市場(chǎng)具有可預(yù)測(cè)性。

2.金融市場(chǎng)的預(yù)測(cè)方法

傳統(tǒng)的金融市場(chǎng)預(yù)測(cè)方法主要有移動(dòng)平均法、指數(shù)平滑法、分解法、季節(jié)系數(shù)法、Box-Jenkins 法、門(mén)限自回歸模型及閾值自回歸模型等方法。這些傳統(tǒng)方法大都側(cè)重于理論研究，而為了解決實(shí)際存在的問(wèn)題，學(xué)者們逐漸把目光轉(zhuǎn)向了非線性預(yù)測(cè)領(lǐng)域，使得非線性預(yù)測(cè)方法得到了迅速發(fā)展。

2.1 神經(jīng)網(wǎng)絡(luò)金融市場(chǎng)預(yù)測(cè)

在非線性方法中，神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)挖掘技術(shù)較早實(shí)現(xiàn)的方法之一。神經(jīng)網(wǎng)絡(luò)較傳統(tǒng)的預(yù)測(cè)方法有其優(yōu)勢(shì)：(1)神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)方法，通過(guò)對(duì)訓(xùn)練集的反復(fù)學(xué)習(xí)來(lái)調(diào)節(jié)自身的網(wǎng)絡(luò)結(jié)構(gòu)和連接權(quán)值，然后對(duì)未知的數(shù)據(jù)進(jìn)行分類(lèi)和預(yù)測(cè)；(2)神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任意函數(shù)；(3)網(wǎng)絡(luò)研究的一個(gè)重要問(wèn)題是泛化能力，即預(yù)測(cè)和訓(xùn)練數(shù)據(jù)差距比較大的數(shù)據(jù)的能力，泛化能力可以在訓(xùn)練網(wǎng)絡(luò)的過(guò)程中不斷提高；(4 神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性模型，這使得它能夠靈活地模擬現(xiàn)實(shí)世界中數(shù)據(jù)之間的復(fù)雜關(guān)系，具有對(duì)非線性數(shù)據(jù)快速建模的能力。1987年Lapedes 和Farber 首先應(yīng)用了神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)在金融領(lǐng)域中的預(yù)測(cè)方法得到了廣泛重視和研究。其真正應(yīng)用于經(jīng)濟(jì)領(lǐng)域是在90年代。

目前在時(shí)間序列趨勢(shì)預(yù)測(cè)中廣泛使用的神經(jīng)網(wǎng)絡(luò)包括BP 神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)、Chebyshev 神經(jīng)網(wǎng)絡(luò)、Elman 網(wǎng)絡(luò)、遞歸延遲網(wǎng)絡(luò)等。自從BP 神經(jīng)網(wǎng)絡(luò)在1986年被提出后就被廣泛的應(yīng)用，因?yàn)樗梢栽趶?fù)雜的，有噪聲的環(huán)境下尋找到相對(duì)精確的結(jié)果，現(xiàn)今更多學(xué)者將神經(jīng)網(wǎng)絡(luò)同數(shù)據(jù)分析方法相結(jié)合以尋求更好的預(yù)測(cè)精度。薛永剛等(2014)采用多分辨分析技術(shù)分解深圳成分指數(shù)得到多個(gè)子序列，然后采用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)每個(gè)子序列分別建立預(yù)測(cè)模型，將各個(gè)預(yù)測(cè)結(jié)果疊加后得到最終預(yù)測(cè)結(jié)果。蔣輝(2013)提出了基于灰色殘差模型和反向傳播神經(jīng)網(wǎng)絡(luò)的股指動(dòng)態(tài)預(yù)測(cè)方法，并運(yùn)用多元線性回歸模型對(duì)兩種動(dòng)態(tài)預(yù)測(cè)結(jié)果進(jìn)行擬合，經(jīng)過(guò)實(shí)證分析表明動(dòng)態(tài)預(yù)測(cè)模型通過(guò)及時(shí)調(diào)整新數(shù)據(jù)對(duì)后續(xù)預(yù)測(cè)的影響，能夠取得較高的預(yù)測(cè)精度。劉娜等(2011)運(yùn)用小波分解與重構(gòu)技術(shù)構(gòu)建小波神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型的方法來(lái)解決股價(jià)預(yù)測(cè)的問(wèn)題，結(jié)果小波神經(jīng)網(wǎng)絡(luò)比反向傳播神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果更好，具有更高的精度，具有實(shí)際的推廣應(yīng)用價(jià)值肖斌卿等人（2016）通過(guò)模糊理論改進(jìn)形成的模糊神經(jīng)網(wǎng)絡(luò)相比于BP 神經(jīng)網(wǎng)絡(luò)得到更好的小微企業(yè)的不良貸款檢測(cè)正確率，能夠有效運(yùn)用于小微企業(yè)的信用評(píng)級(jí)模型構(gòu)建。

2.2 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)

“深度學(xué)習(xí)”一詞最初是由Dechter 于1986年引入機(jī)器學(xué)習(xí)。目前，深度學(xué)習(xí)模型主要是指可學(xué)習(xí)或可訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)DNN(Deep Neural Networks)，盡管廣義的深度學(xué)習(xí)不應(yīng)局限于此。深度神經(jīng)網(wǎng)絡(luò)首先是突破了前饋神經(jīng)網(wǎng)絡(luò)的局限性，使得隱含層的層數(shù)可以達(dá)到10 層以上，甚至沒(méi)有理論上限，關(guān)鍵是找到了這種深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)或訓(xùn)練算法，克服了原來(lái)多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法中所存在的梯度消失、梯度爆炸、過(guò)度擬合等問(wèn)題。安寧寧(2015)報(bào)告了將自編碼器用于秒級(jí)的股指期貨價(jià)格預(yù)測(cè)，并基于這種預(yù)測(cè)設(shè)計(jì)交易策略，取得了顯著的實(shí)證結(jié)果。Koutnik 等(2014)提出的時(shí)鐘驅(qū)動(dòng)遞歸神經(jīng)網(wǎng)絡(luò)(CW-RNN)是一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)的改良，是一種使用時(shí)鐘頻率來(lái)驅(qū)動(dòng)的遞歸神經(jīng)網(wǎng)絡(luò)。它將隱含層分為幾個(gè)組，每一組按照自己規(guī)定的時(shí)鐘頻率對(duì)輸入進(jìn)行處理。通過(guò)不同的隱含層模塊在不同的時(shí)鐘頻率下工作，時(shí)鐘驅(qū)動(dòng)遞歸神經(jīng)網(wǎng)絡(luò)解決了長(zhǎng)時(shí)間依賴(lài)問(wèn)題。將時(shí)鐘時(shí)間進(jìn)行離散化，然后在不同的時(shí)間點(diǎn)，不同的隱含層組工作。孫瑞齊（2015）使用LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)美股股指價(jià)格趨勢(shì)進(jìn)行預(yù)測(cè)研究，使用擬牛頓法加快了學(xué)習(xí)速率，并取得更精準(zhǔn)的預(yù)測(cè)結(jié)果。

3.總結(jié)

通過(guò)對(duì)金融市場(chǎng)的可預(yù)測(cè)性和預(yù)測(cè)方法的文獻(xiàn)梳理得到了金融市場(chǎng)預(yù)測(cè)的現(xiàn)狀，同時(shí)確認(rèn)了深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在金融市場(chǎng)預(yù)測(cè)上仍大有可為且具備研究的必要，現(xiàn)階段國(guó)內(nèi)外相關(guān)文獻(xiàn)仍然較少。同時(shí)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)由于其可調(diào)參數(shù)，模型結(jié)構(gòu)都會(huì)對(duì)結(jié)果產(chǎn)生影響，研究前景廣闊。金融市場(chǎng)預(yù)測(cè)模型作為智能金融投顧的基礎(chǔ)模塊之一，能有效幫助并實(shí)現(xiàn)智能選股，構(gòu)建并優(yōu)化投資組合，具備足夠的可行性。