基于財(cái)務(wù)指標(biāo)的股價(jià)漲跌預(yù)測模型

劉新月，程希明

(北京信息科技大學(xué) 理學(xué)院，北京 100192)

0 引言

股票市場是一個(gè)具有投機(jī)性的領(lǐng)域，投資的高回報(bào)往往伴隨著高風(fēng)險(xiǎn)，這種特性促使人們開始尋找在獲得高回報(bào)的同時(shí)能夠最大程度降低風(fēng)險(xiǎn)的方法。于是國內(nèi)外許多研究者開始運(yùn)用各種分析方法，試圖能夠準(zhǔn)確預(yù)測出股票價(jià)格趨勢。對股票價(jià)格趨勢的研究可以分為兩類：基本面分析和技術(shù)面分析。其中技術(shù)面分析單純著眼于金融市場最簡單的供求關(guān)系變化規(guī)律，通過交易數(shù)據(jù)構(gòu)建指標(biāo)，預(yù)測股價(jià)走勢；而基本面分析則是對股票的內(nèi)在價(jià)值進(jìn)行挖掘和評估。

在對股票的基本面研究中，財(cái)務(wù)指標(biāo)至關(guān)重要，它是企業(yè)總結(jié)和評價(jià)財(cái)務(wù)狀況以及經(jīng)營成果的相對指標(biāo)。陸正飛等[1]以中國A股上市公司為研究對象，研究財(cái)務(wù)指標(biāo)對股票超額回報(bào)的解釋能力，發(fā)現(xiàn)反映公司發(fā)展能力的財(cái)務(wù)指標(biāo)對股票投資者具有較強(qiáng)的指導(dǎo)意義，但存在財(cái)務(wù)指標(biāo)的選取范圍小、投資時(shí)間界定存在偏差等問題。蔣艷霞等[2]總結(jié)國內(nèi)外學(xué)者通過財(cái)務(wù)數(shù)據(jù)預(yù)測股票的研究現(xiàn)狀，得出了財(cái)務(wù)數(shù)據(jù)和數(shù)據(jù)挖掘方法適用于股票收益預(yù)測的結(jié)論，也指出了國內(nèi)的預(yù)測方法較為單一的現(xiàn)狀。隨著國內(nèi)證券市場逐漸完善，越來越多的國內(nèi)研究者開始嘗試使用不同的算法對股價(jià)進(jìn)行預(yù)測分析。多因子模型[3]、神經(jīng)網(wǎng)絡(luò)模型[4]、隨機(jī)森林(random forests，RF)模型[5]、結(jié)合參數(shù)尋優(yōu)算法的機(jī)器學(xué)習(xí)模型[6]等都被應(yīng)用于股價(jià)趨勢預(yù)測。但因?yàn)槊糠N模型都有其局限性，對數(shù)據(jù)的要求都有一定的特點(diǎn)，得到的預(yù)測效果并不理想。隨著數(shù)據(jù)挖掘技術(shù)日趨成熟，許多學(xué)者開始嘗試用組合模型的方法來提高股票數(shù)據(jù)與模型的適配性，以得到更加精確的預(yù)測結(jié)果。例如Huang[7]開發(fā)的支持向量回歸(support vector regression，SVR)和遺傳算法(genetic algorithm，GA)組合模型，賈秀娟[8]采用的基于隨機(jī)森林的支持向量機(jī)(support vector machine,SVM)模型，以及傅航聰?shù)萚9]結(jié)合K近鄰算法、支持向量機(jī)算法和時(shí)間序列算法的優(yōu)點(diǎn)，整合其結(jié)果提出的綜合預(yù)測算法等，都取得了優(yōu)于基準(zhǔn)的預(yù)測效果。需要注意的是，以往的大多數(shù)研究都沒有處理財(cái)務(wù)指標(biāo)數(shù)據(jù)存在的多重共線性問題。針對這一問題，胡照躍等[10]利用主成分分析法(principal component analysis,PCA)對輸入變量進(jìn)行降維處理；劉玉敏等[11]在模型建立之前選擇隨機(jī)森林和基于分類精度的序列前向選擇方法對指標(biāo)進(jìn)行特征提取，這兩種方法都在不同程度上提升了模型的精確度。

本文綜合考慮6大類財(cái)務(wù)指標(biāo)作為特征變量，以股票財(cái)報(bào)發(fā)布的實(shí)際日期為投資開始日，向后截取一個(gè)月作為研究區(qū)間，以求更大程度地提升數(shù)據(jù)時(shí)效性和預(yù)測準(zhǔn)確性。重視數(shù)據(jù)間共線性問題，在建模時(shí)，提出遞歸特征消除法+隨機(jī)森林、主成分分析+支持向量機(jī)、嶺回歸3種具體模型，進(jìn)行對比分析。另外，本文提出對建模時(shí)輸入的訓(xùn)練集和測試集的分配方式進(jìn)行改進(jìn)。在以往的研究中，大多數(shù)是從訓(xùn)練集數(shù)據(jù)中分割一部分作為測試集，本文提出使用與訓(xùn)練集有同種季節(jié)特征的現(xiàn)實(shí)數(shù)據(jù)作為測試集，為模型賦予了充分的現(xiàn)實(shí)應(yīng)用價(jià)值。

1 機(jī)器學(xué)習(xí)算法

股市是一個(gè)復(fù)雜的非線性系統(tǒng)，影響因素眾多，所以選取的研究算法應(yīng)該擅長處理非線性高維數(shù)據(jù)。在之前的研究中可以看出，機(jī)器學(xué)習(xí)算法在這方面的表現(xiàn)普遍優(yōu)于傳統(tǒng)的統(tǒng)計(jì)分析方法，所以本文首先選取在股價(jià)預(yù)測方面表現(xiàn)較好的隨機(jī)森林和支持向量機(jī)算法。針對特征變量之間存在的多重共線性，本文采用共線性處理方法和機(jī)器學(xué)習(xí)算法結(jié)合的方法，提出遞歸特征消除+隨機(jī)森林、主成分分析+支持向量機(jī)兩種具體模型，并與專門處理共線性問題的嶺回歸算法進(jìn)行對比。

1.1 遞歸特征消除與隨機(jī)森林

隨機(jī)森林是一種包含多個(gè)決策樹的分類器，是利用多棵樹對樣本進(jìn)行訓(xùn)練并預(yù)測的一種集成算法。決策函數(shù)為

(1)

式中：MO為取眾數(shù)的函數(shù)；hi(xt)為第i棵決策樹對測試集樣本xt的決策結(jié)果；Ntree為決策樹個(gè)數(shù)。

針對特征提取問題，隨機(jī)森林可以在決定類別時(shí)，利用袋外誤差原理評估特征變量的重要性，再結(jié)合遞歸特征消除法對不同的特征組合進(jìn)行交叉驗(yàn)證，通過計(jì)算其決策系數(shù)之和，得到不同特征組合的重要程度，選取出最佳的特征組合，從而克服變量間存在的共線性問題。特征X的重要性為

(2)

式中：Ei1為第i棵決策樹使用相應(yīng)子數(shù)據(jù)集袋外數(shù)據(jù)計(jì)算的袋外誤差；Ei2為隨機(jī)對袋外的所有樣本的特征X加入噪音干擾后的袋外誤差。

因?yàn)殡S機(jī)森林可以看作是將決策樹模型嵌入到裝袋算法框架中，所以參數(shù)尋優(yōu)的方式可以從框架和決策樹兩方面考慮。首先對RF框架進(jìn)行參數(shù)尋優(yōu)，主要是對決策樹個(gè)數(shù)(n_estimators)進(jìn)行調(diào)節(jié)，將其他參數(shù)設(shè)為默認(rèn)值，設(shè)置n_estimators的參數(shù)范圍為(1,100)，步長為1，對訓(xùn)練集進(jìn)行10折交叉驗(yàn)證，得到使準(zhǔn)確率最高的決策樹個(gè)數(shù)。在對決策樹參數(shù)進(jìn)行調(diào)節(jié)時(shí)，主要考慮最大特征數(shù)(max_features)，將n_estimators設(shè)為前面求解出的最優(yōu)值，其他參數(shù)設(shè)為默認(rèn)常數(shù)，訓(xùn)練集中有19個(gè)股票因子，所以max_features的范圍是(1,18)，步長為1，同樣采取10折交叉驗(yàn)證，得出最優(yōu)的最大特征數(shù)。最后利用尋得的最優(yōu)參數(shù)組合對模型進(jìn)行訓(xùn)練。

1.2 主成分分析與支持向量機(jī)

支持向量機(jī)是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義分類器，是處理非線性分類問題的常用方法。但支持向量機(jī)對于處理多重共線性問題的能力較弱，所以在建模之前需運(yùn)用主成分分析法進(jìn)行數(shù)據(jù)降維，消除多重共線性。

在處理具有非線性且高數(shù)據(jù)維度特點(diǎn)的股市問題時(shí)，SVM需要用到核函數(shù)來計(jì)算映射函數(shù)的內(nèi)積。在4種核函數(shù)中，徑向基核函數(shù)(radial basis function，RBF)核是處理非線性問題的首選，因?yàn)橹粠в袘土P參數(shù)C的線性核與帶有核參數(shù)(C，σ)的RBF核具有相同的性能。對于某些參數(shù)，Sigmoid核的行為也類似于RBF核。另外，超參數(shù)的數(shù)量影響了模型選擇的復(fù)雜性，多項(xiàng)式核比RBF核具有更多的超參數(shù)。所以本文選取RBF核函數(shù)，構(gòu)造最優(yōu)化問題：

(3)

決策函數(shù)為

(4)

在非線性支持向量機(jī)的具體應(yīng)用中，參數(shù)的調(diào)節(jié)非常重要。對于RBF的參數(shù)尋優(yōu)，本文使用10折交叉驗(yàn)證對核參數(shù)(C，σ)進(jìn)行網(wǎng)格搜索。兩個(gè)參數(shù)的初始搜索范圍為(C>0，σ>0)，最優(yōu)參數(shù)組合需要不斷進(jìn)行調(diào)試來尋找，首先進(jìn)行粗網(wǎng)絡(luò)的尋找，在網(wǎng)格上確定一個(gè)“較好的”區(qū)域之后，就可以對該區(qū)域進(jìn)行更精細(xì)的網(wǎng)格搜索。因?yàn)榻徊骝?yàn)證的準(zhǔn)確性是正確分類的數(shù)據(jù)的百分比，所以交叉驗(yàn)證搜索出的最優(yōu)參數(shù)組合是使訓(xùn)練集分類正確率最高的參數(shù)組合。本文中SVM建模最終尋找出的精細(xì)網(wǎng)格搜索范圍為

(C：[0.1,1,10,20],σ：[0.01,0.1,1,10])

1.3 嶺回歸

嶺回歸是針對自變量之間存在多重共線性問題提出的一種改進(jìn)最小二乘回歸的方法。

嶺回歸算法也可以處理分類數(shù)據(jù)。嶺回歸算法中有分類器變體RidgeClassifier，可以在回歸的基礎(chǔ)上，將二進(jìn)制目標(biāo)轉(zhuǎn)換為{-1,1}，然后將該問題視為回歸任務(wù)，優(yōu)化與回歸模式相同的目標(biāo)函數(shù)，預(yù)測類對應(yīng)回歸預(yù)測的符號函數(shù)。分類型優(yōu)化問題為

(5)

決策函數(shù)為

f(x)=sign(X·β*)

(6)

式(5)、(6)中：λ為嶺參數(shù)；β*為系數(shù)最優(yōu)解。

嶺回歸算法中需要估計(jì)的參數(shù)為嶺參數(shù)λ>0，在尋找最優(yōu)參數(shù)時(shí)，使用10折交叉驗(yàn)證的網(wǎng)格搜索，首先確定粗網(wǎng)格搜索范圍，一般不宜過大，本文設(shè)置為[0.001,0.01,0.1,1,10,100]，第一次搜索得出粗略的參數(shù)值，再圍繞此值展開精細(xì)搜索，直到參數(shù)值不再變化，即為最優(yōu)嶺參數(shù)。

2 建模與分析

2.1 數(shù)據(jù)集介紹

本文使用通過Choice金融終端獲取的創(chuàng)業(yè)板股票的年度報(bào)告數(shù)據(jù)，選取報(bào)告中的19個(gè)財(cái)務(wù)指標(biāo)作為特征變量，具體如表1所示，選取年報(bào)公布日期后一個(gè)月的股票收盤價(jià)的漲跌類別作為因變量。具體為：

表1 財(cái)務(wù)指標(biāo)類別及其符號

1)訓(xùn)練集：提取2019年創(chuàng)業(yè)板股票的年報(bào)數(shù)據(jù)和年報(bào)公布后一個(gè)月內(nèi)的收盤價(jià)漲跌趨勢，去除ST股票和具有缺失值的股票后，剩余638只股票。

2)測試集：提取2020年創(chuàng)業(yè)板股票的年報(bào)數(shù)據(jù)和年報(bào)公布后一個(gè)月內(nèi)的收盤價(jià)漲跌趨勢，去除ST股票和具有缺失值的股票后，剩余149只股票。

需要注意的是，許多股票在季度報(bào)告或者年度報(bào)告中都會(huì)有分紅配股的操作出現(xiàn)。對公司來說分紅配股可以壯大經(jīng)營，擴(kuò)大公司資金實(shí)力，但是分紅配股的實(shí)施與后期除權(quán)除息操作會(huì)造成股價(jià)陡然下跌，所以需要對有分紅配股操作的股票收盤價(jià)進(jìn)行前復(fù)權(quán)，即保持現(xiàn)有價(jià)位不變，將以前的價(jià)格縮減，將除權(quán)前的K線向下平移，使圖形吻合，保持股價(jià)走勢的連續(xù)性。前復(fù)權(quán)可以消除由于除權(quán)除息造成的價(jià)格、指標(biāo)的走勢畸變，避免因除權(quán)除息導(dǎo)致的股價(jià)下跌對模型預(yù)測的影響。

2.2 建模流程

本文進(jìn)行創(chuàng)業(yè)板股票價(jià)格漲跌預(yù)測的流程如圖1所示。

圖1 創(chuàng)業(yè)板股價(jià)預(yù)測流程

在數(shù)據(jù)預(yù)處理階段需要對原始的訓(xùn)練集和測試集數(shù)據(jù)進(jìn)行簡單的處理。對所有數(shù)據(jù)進(jìn)行缺失值、異常值檢測和剔除，然后對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化來消除量綱影響。將因變量由連續(xù)型變量轉(zhuǎn)化為{0,1}型分類變量。

對數(shù)據(jù)預(yù)處理后的特征變量進(jìn)行相關(guān)性分析，得到相關(guān)性熱力圖，如圖2所示。熱力圖顯示有多處顏色呈現(xiàn)深藍(lán)色，表明特征之間的正相關(guān)性較強(qiáng)，顏色趨向白色表明特征之間的負(fù)相關(guān)性較強(qiáng)。由此可以得出結(jié)論，特征變量之間存在多重共線性。因此采取共線性處理是很有必要的。

圖2 特征變量相關(guān)性熱力圖

分別使用遞歸特征消除+隨機(jī)森林、主成分分析+支持向量機(jī)、嶺回歸3種模型，在訓(xùn)練集上訓(xùn)練模型并且在測試集上進(jìn)行測試，對比3種模型的數(shù)據(jù)適配性及預(yù)測準(zhǔn)確性。本文對于模型分類性能評估選用的指標(biāo)是預(yù)測精度、KS統(tǒng)計(jì)值以及AUC統(tǒng)計(jì)值。預(yù)測精度為

(7)

KS統(tǒng)計(jì)值為

(8)

AUC統(tǒng)計(jì)值為

(9)

2.3 結(jié)果及評價(jià)

使用3種不同的模型訓(xùn)練數(shù)據(jù)集，得到的模型性能指標(biāo)整理后如表2所示?？梢钥闯觯\(yùn)用遞歸特征消除+隨機(jī)森林算法擬合的模型，在訓(xùn)練集和測試集上的3種評價(jià)指標(biāo)差值都較大，模型在訓(xùn)練集和測試集上的表現(xiàn)相差較大，表明存在過擬合現(xiàn)象，模型不適用于此類股票數(shù)據(jù)，故舍棄該模型。主成分分析+支持向量機(jī)組合模型在預(yù)測精度、KS統(tǒng)計(jì)值以及AUC三種評價(jià)指標(biāo)上均表現(xiàn)良好。本文的訓(xùn)練集和測試集是取自不同年份、相同月份的股票數(shù)據(jù)，而模型在訓(xùn)練集和測試集上的效果相差很小，說明模型對于此類股票數(shù)據(jù)的適配性良好。嶺回歸分類器算法適用于處理多重共線性的問題，所以在此類股票數(shù)據(jù)上的表現(xiàn)很好，達(dá)到了和主成分分析+支持向量機(jī)組合模型同樣高的預(yù)測精度，而另外兩類指標(biāo)AUC和KS具有相似的判別標(biāo)準(zhǔn)，即在訓(xùn)練集和測試集上的分?jǐn)?shù)相同的情況下，差異越小，說明模型的適配性越高，所以在數(shù)據(jù)適配性的方面，嶺回歸表現(xiàn)不如主成分分析+支持向量機(jī)組合模型。

表2 三種模型效果評估

3 結(jié)束語

本文應(yīng)用機(jī)器學(xué)習(xí)理論，基于股票財(cái)務(wù)指標(biāo)數(shù)據(jù)的多重共線性，提出遞歸特征消除法+隨機(jī)森林、主成分分析+支持向量機(jī)、嶺回歸3種模型，對創(chuàng)業(yè)板股票短期價(jià)格進(jìn)行預(yù)測并對比模型效果。此外，本文在訓(xùn)練集及測試集的選擇方面進(jìn)行了創(chuàng)新，應(yīng)用同季度不同年份的股票數(shù)據(jù)作為訓(xùn)練集和測試集，最大程度消除季節(jié)性特征，使模型的實(shí)際應(yīng)用價(jià)值有所提升。從模型的仿真結(jié)果來看，主成分分析與支持向量機(jī)的組合模型有著高達(dá)77.18%的預(yù)測精確率，且模型在訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)上均有良好的表現(xiàn)，有極高的數(shù)據(jù)適配性，將此模型用于創(chuàng)業(yè)板股票的短期預(yù)測有著較強(qiáng)的準(zhǔn)確性和可行性。