基于GA-BP神經(jīng)網(wǎng)絡(luò)的基金評(píng)級(jí)研究

俞 軍,高振坤

(合肥大學(xué) 經(jīng)濟(jì)與管理學(xué)院,安徽 合肥 230601)

隨著金融證券的發(fā)展,產(chǎn)生了越來越多不同品種的基金,讓人眼花繚亂。由于基金投資具有風(fēng)險(xiǎn)適中,投資便利,以及收益穩(wěn)定等特點(diǎn),吸引了越來越多的投資者參與其中,其投資地位與日俱增。但投資者如何在眾多基金中選擇到合適的基金就成為了一項(xiàng)難題,與此對(duì)應(yīng),基金評(píng)級(jí)恰好能夠協(xié)助投資者進(jìn)行決策。

基金評(píng)級(jí)一直是證券研究當(dāng)中具有理論與實(shí)踐相結(jié)合的一個(gè)重要的研究命題[1],具有一定的基礎(chǔ)性地位,證監(jiān)會(huì)和證券協(xié)會(huì)對(duì)基金評(píng)級(jí)的地位也表示非常重視?；鹪u(píng)估機(jī)構(gòu)通過對(duì)基金的業(yè)績、風(fēng)險(xiǎn)以及基金經(jīng)理的行為特征等做出評(píng)價(jià),可以對(duì)資本市場(chǎng)的有效性做出一定的說明,輔助對(duì)資本市場(chǎng)各種現(xiàn)象的分析驗(yàn)證。對(duì)于投資者來說,投資者可以應(yīng)用評(píng)估結(jié)果來得知基金在搜索區(qū)間中的回報(bào)率,降低了投資者的搜索成本,并以此來判斷將來基金的收益情況,最終作為選擇基金的依據(jù),從而協(xié)助投資者做出相對(duì)最優(yōu)的投資決策[2],漸漸擺脫廣告宣傳的誘導(dǎo)影響,保證投資者的收益的穩(wěn)定性。對(duì)于基金管理公司來說,基金評(píng)估也可以對(duì)管理者的投資決策起到一定的協(xié)助作用,并且評(píng)估結(jié)果可以作為公司的考核指標(biāo)[3],基金公司能更加敏銳地察覺到那些基金質(zhì)量較低的基金,并采取一定措施,以此來提高基金公司的整體水平,甚至可以通過觀察其他機(jī)構(gòu)的評(píng)估結(jié)果來了解競(jìng)爭(zhēng)對(duì)手的經(jīng)營情況,調(diào)整策略來促進(jìn)自己產(chǎn)品的市場(chǎng)營銷,同時(shí),基金評(píng)估結(jié)果可以對(duì)基金管理者進(jìn)行一定的約束[4]。對(duì)監(jiān)管者來說,基金評(píng)估結(jié)果可以作為重要的監(jiān)察依據(jù),提高了監(jiān)管者的監(jiān)管水平,利于監(jiān)管者對(duì)基金市場(chǎng)的深入了解,從而采取更好的相應(yīng)監(jiān)管措施,降低了監(jiān)管者的監(jiān)管成本。

根據(jù)王擎(2010)等國內(nèi)學(xué)者對(duì)中國市場(chǎng)的研究[5],基金評(píng)級(jí)能夠影響到基金吸引資金的能力,引導(dǎo)資金的配置,好的業(yè)績得到高的評(píng)級(jí),高的評(píng)級(jí)吸引更多的投資者,使得基金獲得資金凈流入,獲得正向的現(xiàn)金流,而評(píng)級(jí)低的基金則會(huì)使投資者流出,獲得負(fù)的現(xiàn)金流。這表明基金評(píng)級(jí)可以使得資金的配置更有效率。根據(jù)2002年的基金統(tǒng)計(jì)所知,美國有97%的新增資金都流向了評(píng)級(jí)排位前三名的基金。這些都表明投資者會(huì)將基金評(píng)級(jí)作為重要的衡量標(biāo)準(zhǔn),將其作為基金業(yè)績的一種表現(xiàn)形式,并且相信這些評(píng)級(jí)結(jié)果中所包含的關(guān)于基金未來發(fā)展的趨向的信息。

基金評(píng)估體系協(xié)助投資者投資,使基金信息的傳播更加迅速及時(shí),起著監(jiān)督基金管理者的作用,營造基金公司相互之間公平競(jìng)爭(zhēng)的環(huán)境,促使投資者更加敢于參與投資當(dāng)中,有著舉足輕重的作用?；鹨呀?jīng)成為金融投資中不可或缺的重要投資產(chǎn)品,更是引導(dǎo)著市場(chǎng)投資理念。在西方國家,基金評(píng)級(jí)已經(jīng)發(fā)展得相當(dāng)成熟。如標(biāo)準(zhǔn)普爾、晨星、理格等公司都是成名已久的評(píng)估機(jī)構(gòu)。我國的基金評(píng)估體系還處于初步階段,隨著金融市場(chǎng)的不斷發(fā)展,基金的品類以及數(shù)量的不斷增多,各個(gè)基金公司之間的業(yè)績差距也會(huì)越來越大,由此,基金評(píng)估體系在我國呼聲也越來越高。

1 文獻(xiàn)述評(píng)

大部分關(guān)于基金績效評(píng)級(jí)以及運(yùn)用神經(jīng)網(wǎng)絡(luò)模型來作預(yù)測(cè)的文獻(xiàn)是以公募基金作為研究目標(biāo),以基金的資產(chǎn)凈值和基金的凈增長率作為輸入變量,使用基金的績效評(píng)估結(jié)果作為輸出目標(biāo)。

國內(nèi)外學(xué)者對(duì)基金評(píng)級(jí)進(jìn)行了系統(tǒng)研究。Zhangpeng Gao(2011)等人采用有限正態(tài)混合分布來對(duì)基金進(jìn)行評(píng)級(jí)[6],文章是基于alpha度量的基金業(yè)績橫截面分布的基金評(píng)級(jí)方法;Ashoka Wilson Dsouza(2020)等人通過Logistic回歸對(duì)基金評(píng)級(jí)預(yù)測(cè)[7];Kerstens Kristiaan(2022)等人通過制定一個(gè)買入并持有回測(cè)策略來分別聯(lián)合測(cè)試多個(gè)時(shí)刻和多次的影響,提出多時(shí)間多時(shí)刻非參數(shù)的Frontier-based基金評(píng)級(jí)法[8]。

國內(nèi)對(duì)基金評(píng)級(jí)的研究大多都是基于國外已提出的指標(biāo)進(jìn)行深入的研究。程鳳朝(2009)等人提出一種基于內(nèi)部評(píng)級(jí)系統(tǒng)的基金評(píng)估法[9],通過搜索篩選與待評(píng)基金相似的基金并采用內(nèi)部評(píng)級(jí)法來預(yù)測(cè)基金趨勢(shì)走向,最后以蒙特卡洛模擬和現(xiàn)金流折現(xiàn)法來評(píng)估基金價(jià)值。吳振翔(2009)對(duì)Hogan(2003)所提出的統(tǒng)計(jì)套利模型[10]進(jìn)行了修正,首次提出了基于統(tǒng)計(jì)套利的基金評(píng)級(jí)模式[11],突破了傳統(tǒng)基金評(píng)級(jí)模式。李昊(2013)等人則是基于概率權(quán)重函數(shù)和隨機(jī)占優(yōu)準(zhǔn)則進(jìn)行基金評(píng)級(jí)[12],運(yùn)用期望效用的高階泰勒序列展開來建立超額收益的高階矩和效用函數(shù)的關(guān)系,將高階矩設(shè)定為約束條件來估計(jì)樣本的經(jīng)驗(yàn)概率并對(duì)其進(jìn)行決策權(quán)重調(diào)整,最后通過擴(kuò)展夏普比和應(yīng)用隨機(jī)占優(yōu)準(zhǔn)則進(jìn)行基金評(píng)級(jí)。邱夢(mèng)圓(2015)等人將基金的風(fēng)險(xiǎn)、風(fēng)險(xiǎn)調(diào)整收益、基金業(yè)績持續(xù)性等作為影響因子,利用因子分析進(jìn)行基金評(píng)級(jí)[13]。楊繼平(2019)等人則采用期望效用-熵(EU-E)模型來進(jìn)行對(duì)基金的評(píng)級(jí)[14]。

在一些其他經(jīng)濟(jì)金融領(lǐng)域中也有許多運(yùn)用神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行的評(píng)估。例如李興國(2008)等人運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)基金項(xiàng)目進(jìn)行評(píng)估[15]。常麗娟(2011)等人嘗試將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到基本養(yǎng)老保險(xiǎn)基金的風(fēng)險(xiǎn)預(yù)警中[16]。阮素梅(2015)等人通過神經(jīng)網(wǎng)絡(luò)模擬金融系統(tǒng)中的非線性關(guān)系進(jìn)行基金收益概率密度預(yù)測(cè)[17]。江世銀(2020)等人用BP神經(jīng)網(wǎng)絡(luò)做凈值預(yù)測(cè)來判斷生命周期基金未來的發(fā)展趨勢(shì)[18]。故本文采用遺傳算法優(yōu)化下的BP神經(jīng)網(wǎng)絡(luò)模型來對(duì)基金進(jìn)行評(píng)級(jí)。

綜上所述,國內(nèi)外學(xué)者都提出了不少的基金評(píng)級(jí)方法,然而實(shí)驗(yàn)輸入和輸出之間的關(guān)系在現(xiàn)實(shí)中通常是非線性的,因此用常規(guī)的模型來擬合現(xiàn)實(shí)數(shù)據(jù)通常得到的結(jié)果在經(jīng)濟(jì)意義上失之偏頗。針對(duì)各種數(shù)學(xué)或計(jì)量模型在實(shí)證檢驗(yàn)中存在缺陷的相關(guān)文獻(xiàn)也是層出不窮。BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于輸入和輸出之間的關(guān)系不做任何假設(shè),躍出參數(shù)大小和模型形式等既定模型的限制,目標(biāo)從始至終盡可能地?cái)M合數(shù)據(jù)之間的聯(lián)系。可以說,BP神經(jīng)網(wǎng)絡(luò)模型本身已經(jīng)沒有可改良的空間,研究者對(duì)于應(yīng)用該模型更多的改進(jìn)是集中在算法優(yōu)化上。

2 建模方法

BP(Back propagation)神經(jīng)網(wǎng)絡(luò)是由Rumelhart和McClelland為首的科學(xué)家在1986年提出的概念模型,是目前多種神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的。從本質(zhì)上講,BP神經(jīng)網(wǎng)絡(luò)是一種以誤差逆向傳播算法訓(xùn)練,即信號(hào)前向傳遞、誤差反向傳播,以自設(shè)定的誤差函數(shù)來度量模型的優(yōu)劣,以梯度下降等方法來調(diào)整各層神經(jīng)元的權(quán)值和閾值,從而減少網(wǎng)絡(luò)輸出的誤差直到誤差達(dá)到預(yù)期的誤差收斂水平,最終模型訓(xùn)練完后實(shí)現(xiàn)誤差函數(shù)最小目標(biāo)的多層前饋神經(jīng)網(wǎng)絡(luò)[19]。其可以實(shí)現(xiàn)輸入和輸出的多維映射并較好地處理內(nèi)部作用機(jī)制復(fù)雜的非線性函數(shù),具有強(qiáng)悍的分類能力、自適應(yīng)性以及自學(xué)習(xí)能力強(qiáng)、容錯(cuò)能力強(qiáng)等特點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)模型主要由輸入層、隱含層和輸出層三個(gè)部分組成。模型中有多個(gè)結(jié)構(gòu)與生物學(xué)中神經(jīng)元細(xì)胞類似的神經(jīng)元,BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元要素主要由權(quán)重、偏置和激活函數(shù)構(gòu)成。輸入層從其他神經(jīng)元接收信息之后經(jīng)各隱含層處理各連接權(quán)值最后非線性映射到輸出層輸出信息,每層神經(jīng)元狀態(tài)只受上一層神經(jīng)元影響。輸出層若不達(dá)期望,則轉(zhuǎn)入反向傳播,通過預(yù)測(cè)誤差來調(diào)整權(quán)值和閾值,權(quán)值能對(duì)輸入向量和最終函數(shù)進(jìn)行拉伸,閾值使得函數(shù)能夠進(jìn)行位移,最終使得神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出不斷接近于期望結(jié)果。

遺傳算法(genetic algorithm,GA)是一種參考生物界自然遺傳機(jī)制并模仿自然選擇和物種進(jìn)化而發(fā)展起來的仿生群自適應(yīng)優(yōu)化智能全局搜索算法,其生物學(xué)理論主要是借鑒孟德爾的基因重組定律和達(dá)爾文的自然進(jìn)化學(xué)說。即以期望的函數(shù)為目標(biāo),評(píng)價(jià)每個(gè)向量的適應(yīng)度,然后根據(jù)適應(yīng)度值采取措施,從任一初始種群出發(fā),通過隨機(jī)選擇、交叉和變異等操作,適應(yīng)度高的元素被留下來并傳給下一代,而適應(yīng)度低的元素則被淘汰。最終產(chǎn)生一群適應(yīng)環(huán)境的個(gè)體,使種群逐步進(jìn)化到搜索空間中最優(yōu)的區(qū)間。

遺傳算法根據(jù)所需處理的問題描述,選擇問題解對(duì)應(yīng)的編碼,并給出一個(gè)包含N個(gè)染色體的初始種群,計(jì)算初始種群中每一個(gè)染色體的適應(yīng)度值。當(dāng)遺傳算法的某一次迭代結(jié)果符合終止迭代的條件,則停止迭代,否則將從舊的種群中以一個(gè)隨機(jī)的概率分布值選擇N個(gè)染色體組成一個(gè)新的種群并進(jìn)行下一次的迭代,交叉操作將得到N個(gè)繼承上一代信息的染色體交叉集,為增強(qiáng)個(gè)體的適應(yīng)度,算法設(shè)置一個(gè)較小的變異概率來使染色體中的某些基因進(jìn)行變異。然后不斷重復(fù)計(jì)算初始種群中每一個(gè)染色體的適應(yīng)度值,直到符合終止迭代的條件。

在現(xiàn)實(shí)應(yīng)用中,因BP神經(jīng)網(wǎng)絡(luò)模型初始權(quán)值和閾值隨機(jī)生成且存在著隱含層節(jié)點(diǎn)難確立以及變量選擇困難等特點(diǎn),導(dǎo)致其運(yùn)算速度緩慢。通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)能使得神經(jīng)網(wǎng)絡(luò)得到更優(yōu)的初始權(quán)值和閾值并提高收斂速度。由于遺傳算法是一種不依賴于輔助信息的啟發(fā)式全局搜索算法,所以它能一定程度上彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)模型在搜索過程中易陷入局部最優(yōu)的缺陷[20]。為充分發(fā)揮兩者的優(yōu)點(diǎn),本文將BP神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合,使GA-BP模型既有遺傳算法的強(qiáng)全局搜索能力,又有神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和魯棒性。

具體實(shí)施是利用遺傳算法將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值作為遺傳算法的初始種群,運(yùn)用遺傳算法得到下一代種群個(gè)體適應(yīng)度值,然后通過選擇、交叉和變異操作對(duì)權(quán)值和閾值進(jìn)行調(diào)整優(yōu)化,直到適應(yīng)度值的個(gè)體學(xué)習(xí)誤差小于指定數(shù)值。最終得到的最優(yōu)權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。之后對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,計(jì)算每次迭代循環(huán)后的均方誤差,當(dāng)模型的輸出結(jié)果與期望的輸出結(jié)果誤差達(dá)到預(yù)先設(shè)定的誤差收斂水平,即認(rèn)定為已得到最優(yōu)模型的權(quán)值序列,迭代停止。

3 實(shí)證與分析

晨星公司是世界基金評(píng)估最有影響力的權(quán)威機(jī)構(gòu)[21],其評(píng)估結(jié)果被金融界廣泛認(rèn)可,由于其沒有自營的基金和股票投資項(xiàng)目,能夠體現(xiàn)其評(píng)級(jí)的獨(dú)立性和分析的客觀性,被投資者在選擇基金時(shí)作為一項(xiàng)重要的參考信息。本文選取晨星公司截至2017年的885種基金評(píng)級(jí)數(shù)據(jù)作為對(duì)比,用來證實(shí)采用遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在基金評(píng)級(jí)的可行性。采用國外文獻(xiàn)普遍做法,選取的基金都具有三年以上的經(jīng)營歷史。數(shù)據(jù)來自RESSET數(shù)據(jù)庫(http://edp.resset.com/signin)。

選用單位凈值(元)、月回報(bào)率、年回報(bào)率和三年回報(bào)率來作為度量基金收益的指標(biāo),用標(biāo)準(zhǔn)差/波幅/風(fēng)險(xiǎn)和風(fēng)險(xiǎn)系數(shù)作為度量風(fēng)險(xiǎn)的指標(biāo),用夏普比率作為度量基金風(fēng)險(xiǎn)調(diào)整收益的指標(biāo),將投資風(fēng)格作為一個(gè)額外重要影響因子加入網(wǎng)絡(luò)訓(xùn)練。

首先輸入學(xué)習(xí)率η和訓(xùn)練集D,如公式(1)所示。

(1)

(2)

其中θj表示輸出層第j個(gè)神經(jīng)元的閾值;βj表示輸出層第j個(gè)神經(jīng)元接收到的輸入;βj的計(jì)算如公式(3)所示。

(3)

q表示隱層神經(jīng)元的個(gè)數(shù);h表示第h個(gè)神經(jīng)元;whj表示隱層第h個(gè)神經(jīng)元與輸出層第j個(gè)神經(jīng)元之間的連接權(quán);bh表示隱藏層第h個(gè)神經(jīng)元的輸出。再計(jì)算輸出層神經(jīng)元的梯度項(xiàng)gj和隱層神經(jīng)元的梯度項(xiàng)eh,如公式(4)和公式(5)所示。

(4)

(5)

最后計(jì)算更新連接權(quán)whj和vih,如公式(6)所示。

Δwhj=ηgjbh,Δvih=ηehxi。

(6)

并更新閾值θj和γh,如公式(7)所示。

Δθj=-ηgj, Δγh=-ηeh。

(7)

直至達(dá)到停止條件之前一直循環(huán),最終得到連接權(quán)與閾值確定的神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)圖如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

由于通過增加隱藏層的節(jié)點(diǎn)數(shù)要比增加隱藏層層數(shù)的訓(xùn)練效果更容易獲得較低的誤差且過多的隱藏層可能會(huì)導(dǎo)致數(shù)據(jù)的過擬合。采用一個(gè)輸入層、隱藏層和輸出層均為一層的三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),輸入層神經(jīng)元個(gè)數(shù)為8個(gè)輸入指標(biāo)。如果隱藏層節(jié)點(diǎn)數(shù)太少,網(wǎng)絡(luò)訓(xùn)練性能可能極差導(dǎo)致欠擬合;如果隱藏層節(jié)點(diǎn)數(shù)太多,雖然能使模型的系統(tǒng)誤差縮小,但會(huì)使模型訓(xùn)練時(shí)間延長且容易陷入局部極小點(diǎn)而得不到最優(yōu)點(diǎn)導(dǎo)致出現(xiàn)過擬合,故將隱藏層神經(jīng)元個(gè)數(shù)設(shè)置為100個(gè),輸出層神經(jīng)元個(gè)數(shù)為5個(gè)輸出指標(biāo)。由于太大的學(xué)習(xí)速率會(huì)引起模型一直在最優(yōu)點(diǎn)附近震蕩而不收斂和不穩(wěn)定,太小則又會(huì)導(dǎo)致極長的訓(xùn)練時(shí)間,且可能會(huì)導(dǎo)致模型最終收斂于局部最優(yōu),本文將學(xué)習(xí)率設(shè)置為0.3。由于神經(jīng)網(wǎng)絡(luò)并不能保證在各種參數(shù)配置下迭代結(jié)果收斂,迭代次數(shù)選取為2 000次。激活函數(shù)能夠使神經(jīng)元對(duì)輸入值進(jìn)行處理和轉(zhuǎn)向,因激活函數(shù)logistic用于分類時(shí)效果更好,選用logistic激活函數(shù)來增加模型非線性能力。如公式(8)所示。

(8)

遺傳算法以初始種群作為起始點(diǎn)開始迭代。種群數(shù)量取值過小會(huì)導(dǎo)致搜索空間分布范圍有限,種群數(shù)量取值過大會(huì)導(dǎo)致遺傳算法運(yùn)行效率降低。初始種群個(gè)數(shù)設(shè)置為50個(gè),同理,最大迭代次數(shù)設(shè)置為150次。由于變異概率和交叉概率取值過大會(huì)使部分高適應(yīng)值的個(gè)體被淘汰,而變異概率取值過小會(huì)導(dǎo)致多樣性下降太快,交叉概率取值過小會(huì)導(dǎo)致不能有效更新種群,將變異概率取值0.007,交叉概率取值0.5。

為了避免由于數(shù)據(jù)集劃分不合理而導(dǎo)致的過擬合現(xiàn)象,采用10折交叉驗(yàn)證,將數(shù)據(jù)集劃分為10個(gè)大小相似的互斥子集,每個(gè)子集都盡可能保持?jǐn)?shù)據(jù)分布的一致性,然后,每次用9個(gè)子集的并集作為訓(xùn)練集,余下的子集作為測(cè)試集,從而可進(jìn)行10次訓(xùn)練和測(cè)試,最終返回這10個(gè)測(cè)試結(jié)果的均值。從圖2和圖3中可以看出BP模型以及GA-BP模型的評(píng)估結(jié)果都大致與晨星公司評(píng)估結(jié)果相仿,而通過圖中重疊可看出相比于BP模型,GA-BP模型的評(píng)估結(jié)果與晨星公司評(píng)估結(jié)果更相近。

基金/支

基金/支

本文采用準(zhǔn)確率、召回率精確率以及F1來作為本模型的評(píng)測(cè),根據(jù)真實(shí)類別與學(xué)習(xí)器預(yù)測(cè)類別的組合將本文的二分類問題劃分為真正例(true positive)、假正例(false positive)、真反例(ture negative)、假反例(false negative) 四種情形,其中準(zhǔn)確率P的公式如下所示:

(9)

TP表示真正例;FP表示假正例。召回率R的公式為公式(10)所示。

(10)

FN表示假反例。精確率A的公式為公式(11)所示。

(11)

TN表示真反例。F1的公式如下所示:

(12)

運(yùn)用Stata將模型評(píng)估數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析得到下表1～3。

表1 模型訓(xùn)練集評(píng)估結(jié)果對(duì)比

從表1可以看出,GA-BP 神經(jīng)網(wǎng)絡(luò)模型能夠大致地評(píng)估出基金的評(píng)級(jí),體現(xiàn)出神經(jīng)網(wǎng)絡(luò)模型可用于仿真評(píng)估。相比于BP神經(jīng)網(wǎng)絡(luò),GA-BP神經(jīng)網(wǎng)絡(luò)的評(píng)估結(jié)果與實(shí)際更加相近。由表2所示,GA-BP神經(jīng)網(wǎng)絡(luò)仿真評(píng)估的準(zhǔn)確率、召回率、精確率以及F1指標(biāo)都在80%以上,而反觀BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率、召回率、精確率以及F1指標(biāo)都不到70%,說明GA-BP神經(jīng)網(wǎng)絡(luò)的仿真評(píng)估效果更好精度更高,可以更好地估測(cè)基金評(píng)級(jí)。進(jìn)一步對(duì)比兩者的誤判率,GA-BP神經(jīng)網(wǎng)絡(luò)的誤判率明顯小于BP神經(jīng)網(wǎng)絡(luò)的誤判率,說明GA-BP神經(jīng)網(wǎng)絡(luò)擁有比BP神經(jīng)網(wǎng)絡(luò)更優(yōu)秀的收斂精度以及更強(qiáng)的預(yù)估能力。

表2 模型測(cè)試集評(píng)估結(jié)果對(duì)比

結(jié)合表1表2信息,可以看出該模型的基金評(píng)級(jí)與晨星公司的評(píng)級(jí)結(jié)果相近,可見本文的思路是可行的。表3是經(jīng)過歷史數(shù)據(jù)訓(xùn)練出的模型后評(píng)估最新抽取的885條數(shù)據(jù)所得出的對(duì)比表,從表中晨星公司評(píng)級(jí)與本模型評(píng)級(jí)的詳細(xì)對(duì)比可以看出,在晨星公司評(píng)估基金為1星級(jí)中,模型評(píng)估與晨星評(píng)估有69項(xiàng)評(píng)估相同,僅有6項(xiàng)晨星評(píng)估1星級(jí)而模型評(píng)估為2星級(jí),在晨星公司評(píng)估基金為2星級(jí)中,模型評(píng)估與晨星評(píng)估有194項(xiàng)評(píng)估相同,僅有8項(xiàng)與晨星公司評(píng)估有差,以下同理。從表中可看出晨星公司與模型的評(píng)估星級(jí)差別基本都在0或1個(gè)星級(jí)水平,更加說明這種評(píng)級(jí)方式是具有可行性的。其中,2星判別準(zhǔn)確率最高,3星次之,5星最低。根據(jù)表3所示,隨著星級(jí)的升高,評(píng)估準(zhǔn)度呈下降趨勢(shì),原因在于模型在評(píng)估過程中隨著星級(jí)的提升逐漸趨向于保守,導(dǎo)致在較高評(píng)級(jí)上相對(duì)于晨星評(píng)級(jí)來說稍微偏低,再加上由于5星基金的數(shù)量較少,導(dǎo)致模型的學(xué)習(xí)不夠充分。

表3 GA-BP模型評(píng)級(jí)與晨星公司評(píng)級(jí)對(duì)比

最后,取評(píng)估模型與晨星公司評(píng)級(jí)差異最大的兩只基金單位凈值曲線進(jìn)行實(shí)證分析,如下圖4～5所示,圖4為評(píng)估模型相對(duì)晨星公司看好的一只基金的半年凈值曲線走勢(shì)圖,其凈值曲線總體呈上升趨勢(shì),雖然上升期間存在凈值下浮,但大體都高于評(píng)估時(shí)的凈值,是一支有潛力發(fā)展的基金。圖5為晨星公司相對(duì)評(píng)估模型看好的一只基金的凈值曲線,從圖中可看出,這只基金大體呈下浮走向,雖期間有一段時(shí)間大幅度上漲,但后期迅速下跌,且下跌到低于評(píng)估時(shí)單位凈值,是一支穩(wěn)定性較差的發(fā)展?jié)摿τ邢薜幕?。最終,從差異對(duì)比中可看出,GA-BP基金評(píng)估模型相對(duì)于晨星公司具有較好的分類效果,相比于晨星公司的評(píng)估結(jié)果更具有參考性。再結(jié)合表3所示,晨星公司與評(píng)估模型大部分的基金評(píng)級(jí)結(jié)果為重合狀態(tài),而小部分差異都是相鄰狀態(tài),證明了GA-BP基金評(píng)估模型具有較好的穩(wěn)定性。

天數(shù)/日

天數(shù)/日

雖然測(cè)試性能看起來還不足夠優(yōu)秀,但這是由于測(cè)試數(shù)據(jù)太少以及加入的影響因子還不夠充足的緣故。如能采集到更多的數(shù)據(jù)以及更多的影響因子的數(shù)據(jù),模型的各個(gè)性能將得到極大提升。但鑒于目前中國基金評(píng)估行業(yè)的實(shí)際情況,以及大數(shù)據(jù)噪聲的影響,這種要求目前還未能實(shí)現(xiàn)。

4 結(jié) 論

基金市場(chǎng)是一個(gè)信息戰(zhàn)的市場(chǎng),誰信息充足,誰信息處理能力強(qiáng),誰的收益效率就會(huì)略勝一籌。基金經(jīng)理相對(duì)于散戶來說具有相當(dāng)大的信息優(yōu)勢(shì),能更容易獲取大量市場(chǎng)信息,并利用這些信息優(yōu)勢(shì)從大規(guī)模的信息集中發(fā)現(xiàn)潛藏的價(jià)值信息,挖掘其價(jià)值,為他們的委托人提供專業(yè)理財(cái)服務(wù)并帶來相對(duì)更高的收益。所以,為使投資者獲取更高的收益,也為更有效地監(jiān)督和約束基金管理人,就可通過基金評(píng)級(jí)來體現(xiàn)經(jīng)理選股擇時(shí)能力以及基金公司治理能力,激勵(lì)基金經(jīng)理為委托人盡心盡力,促進(jìn)基金經(jīng)理自我約束,加速金融信息的流通,降低信息的搜索成本。

由于基金的信息具有高維性,信息間非線性相關(guān),具有噪聲等特點(diǎn),故本文構(gòu)建出一個(gè)能夠挖掘基金多個(gè)維度信息的具有良好非線性尋優(yōu)能力的GA-BP基金評(píng)級(jí)模型,本模型能夠綜合多方面評(píng)估標(biāo)準(zhǔn)進(jìn)行多維度綜合評(píng)估。首先,選用回報(bào)率、風(fēng)險(xiǎn)系數(shù),夏普比率等多個(gè)基金評(píng)估指標(biāo)通過歷史數(shù)據(jù)訓(xùn)練出GA-BP基金綜合評(píng)估模型,因基金效益不但受客觀因素影響,主觀因素也會(huì)影響基金效益從而影響評(píng)估,故模型加入投資風(fēng)格這一影響因子使得模型評(píng)估更具穩(wěn)健性。然后根據(jù)文中準(zhǔn)確率和召回率等數(shù)據(jù)對(duì)比分析出經(jīng)遺傳算法優(yōu)化后的BP模型評(píng)估仿真效果更好。最后以評(píng)估星級(jí)作為輸出變量,從表3的評(píng)估星級(jí)對(duì)比中分析得出本文評(píng)估模型相對(duì)晨星公司的評(píng)估僅有0.16的誤差且存在誤差的評(píng)估中99.2%的評(píng)估差距僅為一個(gè)星級(jí)差,說明以多個(gè)評(píng)估指標(biāo)為輸入層的GA-BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型可以較為準(zhǔn)確地評(píng)估基金。從測(cè)試結(jié)果上來看,本模型能夠有效地處理高維非線性的復(fù)雜數(shù)據(jù),該模型有著優(yōu)良的穩(wěn)健性和準(zhǔn)確性的表現(xiàn),表明了基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)是一種能夠有效從大數(shù)據(jù)集中學(xué)習(xí)到隱藏的復(fù)雜金融邏輯信息的優(yōu)秀神經(jīng)網(wǎng)絡(luò)算法。該評(píng)估模型旨在為投資者提供一種新的參考方案,具有一定的指導(dǎo)意義,故本文認(rèn)為將其用于基金評(píng)估是一個(gè)值得研究的方向。