沈　巍

摘要:依據(jù)建模理論的不同,可將股票價(jià)格預(yù)測(cè)模型分為兩大類,:一類是以統(tǒng)計(jì)理論為基礎(chǔ)的傳統(tǒng)型的價(jià)格波動(dòng)預(yù)測(cè)模型;另一類是以神經(jīng)網(wǎng)絡(luò)、灰色理論、支持向量機(jī)等為理論基礎(chǔ)的創(chuàng)新型預(yù)測(cè)模型。運(yùn)用這兩類模型對(duì)股票價(jià)格進(jìn)行預(yù)測(cè)時(shí)各有特點(diǎn)。本文對(duì)這兩類模型及其研究現(xiàn)狀進(jìn)行系統(tǒng)研究,將兩類模型的特點(diǎn)進(jìn)行比較分析,探討股票價(jià)格預(yù)測(cè)模型在我國(guó)應(yīng)用中存在的問題,并對(duì)未來發(fā)展方向提出建議。

關(guān)鍵詞:股票價(jià)格預(yù)測(cè);GARCH模型;SV模型;神經(jīng)網(wǎng)絡(luò);灰色模型;支持向量機(jī)

中圖分類號(hào):F830.9

文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1000-176X(2009)07-0089-05

股票作為金融市場(chǎng)最主要的金融工具之一,其價(jià)格波動(dòng)能否預(yù)測(cè)、以及用何種方法進(jìn)行預(yù)測(cè),一直以來都是金融領(lǐng)域研究的焦點(diǎn)問題之一。

20世紀(jì)80年代以前,Markowitz的資產(chǎn)組合理論、Sharpe的資本資產(chǎn)定價(jià)理論、Fama的有效市場(chǎng)假說等傳統(tǒng)的金融理論在金融領(lǐng)域占主導(dǎo)地位。傳統(tǒng)金融理論認(rèn)為:投資人是完全理性的;金融資產(chǎn)收益具有獨(dú)立、同分布和正態(tài)分布三個(gè)最為本質(zhì)的特征;股票價(jià)格波動(dòng)是鞅(Martingale)過程,無法預(yù)測(cè)。但是,20世紀(jì)80年代初非線性理論、行為金融理論和人工智能方法的出現(xiàn)與發(fā)展,對(duì)傳統(tǒng)金融理論所持的上述觀點(diǎn)產(chǎn)生了顛覆性沖擊。

非線性理論中最具影響力的是Mandelbrot于1977年創(chuàng)立的分形(Fractal)理論,其中提出“自相似”和“分?jǐn)?shù)維”兩個(gè)重要概念。分形在價(jià)格波動(dòng)特征研究中的應(yīng)用是:將“自相似”概念引入到統(tǒng)計(jì)學(xué)的“分形統(tǒng)計(jì)學(xué)”,即研究一個(gè)時(shí)間序列中局部與整體之間是否存在統(tǒng)計(jì)的自相似性。1982年Engle正是在分形理論的基礎(chǔ)上,對(duì)股票價(jià)格波動(dòng)特征進(jìn)行研究,開創(chuàng)性地提出了自回歸條件異方差模型((Autoregressive Conditional Heteroskedasticity,簡(jiǎn)稱ARCH模型)。GARCH模型說明:股票收益不像傳統(tǒng)金融理論描述的那樣屬于正態(tài)分布,而是有波動(dòng)性和叢聚性,存在尖峰厚尾現(xiàn)象;GARCH模型較好地模擬了股票波動(dòng)中存在的這種叢聚性和時(shí)變性,由于股票價(jià)格波動(dòng)在統(tǒng)計(jì)上存在“自相似”,因此,股票價(jià)格波動(dòng)是可以預(yù)測(cè)的。

行為金融理論著重分析金融市場(chǎng)中由于心理因素引起的投資者的失誤偏差和市場(chǎng)的反常。1985年,Werner De Bondt, Richard H.Thaler發(fā)表了《股票市場(chǎng)過度反應(yīng)了嗎?》一文,從而引發(fā)了行為金融理論研究的熱潮,被視為金融學(xué)行為金融研究的正式開端。行為金融學(xué)研究的一系列成果表明;金融市場(chǎng)存在反應(yīng)過度和反應(yīng)不足;存在許多異常現(xiàn)象:例如小公司現(xiàn)象、規(guī)模現(xiàn)象等;存在羊群效應(yīng)、流行效應(yīng)等。行為金融學(xué)研究表明:投資人不是完全理性,而是部分理性。股票價(jià)格波動(dòng)是有一定規(guī)律可尋的,是可以部分預(yù)測(cè)的。

分形理論和行為金融理論,在理論上支持了股票價(jià)格波動(dòng)的可預(yù)測(cè)性,同時(shí),在20世紀(jì)80年代,計(jì)算機(jī)智能算法大量涌現(xiàn),神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法、信號(hào)理論,粗集算法等,在計(jì)算技術(shù)層面上對(duì)股票預(yù)測(cè)給予了強(qiáng)有力的支持,解決了預(yù)測(cè)過程中許多實(shí)際的技術(shù)問題。這種理論和技術(shù)的相互支撐和相互印證,使得對(duì)股票價(jià)格波動(dòng)預(yù)測(cè)方面的研究產(chǎn)生了前所未有的爆發(fā)力。20世紀(jì)90年代至今20年左右的時(shí)間里,涌現(xiàn)出大量的對(duì)股票進(jìn)行預(yù)測(cè)的研究文獻(xiàn)。國(guó)內(nèi)外許多學(xué)者運(yùn)用各類預(yù)測(cè)模型和方法對(duì)股票價(jià)格波動(dòng)進(jìn)行實(shí)證分析和預(yù)測(cè),希望能夠從中得到有益的啟示和可以遵循的規(guī)律,從而為政府對(duì)股市進(jìn)行調(diào)控與管理、投資者回避投資風(fēng)險(xiǎn)等提供借鑒與依據(jù)。

從國(guó)內(nèi)外對(duì)股票價(jià)格波動(dòng)進(jìn)行預(yù)測(cè)的模型種類很多。但依據(jù)其建模理論不同,可將這些預(yù)測(cè)模型劃分為兩個(gè)大類:一類是以統(tǒng)計(jì)原理為基礎(chǔ)的傳統(tǒng)型波動(dòng)率預(yù)測(cè)模型,目前較為流行且具有代表性的模型包括ARCH模型和SV模型;另一類是以神經(jīng)網(wǎng)絡(luò)、灰色理論、支持向量機(jī)等為基礎(chǔ)的創(chuàng)新型預(yù)測(cè)模型。這兩類模型在對(duì)股票價(jià)格波動(dòng)性進(jìn)行預(yù)測(cè)時(shí)各有特點(diǎn),但同時(shí)也存在至今難以解決的一些問題。比如:如何提高股票價(jià)格波動(dòng)率的預(yù)測(cè)精準(zhǔn)度,如何將影響股票價(jià)格波動(dòng)的非量化因素加入到數(shù)量化模型之中等等。對(duì)這些問題的進(jìn)一步研究以及提出相應(yīng)的解決方法,成為股票價(jià)格波動(dòng)預(yù)測(cè)方法研究的前沿問題。

一、國(guó)內(nèi)外研究動(dòng)態(tài)

1.基于統(tǒng)計(jì)原理的預(yù)測(cè)模型的研究情況

(1)GARCH模型

1982年Engle開創(chuàng)性地提出了自回歸條件異方差模型(簡(jiǎn)稱ARCH模型)[1],較好地模擬了股票波動(dòng)中存在的叢聚性和時(shí)變性。

國(guó)外研究者利用GARCH模型進(jìn)行了大量的研究,表明GARCH模型及其擴(kuò)展形式對(duì)描述金融時(shí)間序列的波動(dòng)性具有非常好的效果。French、Schwert 和 Stambaugh(1987)用GARCH模型估計(jì)美國(guó)股市預(yù)期收益和波動(dòng)的關(guān)系,發(fā)現(xiàn)預(yù)期收益與股票的可預(yù)測(cè)波動(dòng)成正相關(guān)。同年Engle等運(yùn)用GARCH-M模型進(jìn)行研究發(fā)現(xiàn),條件方差可以較好地解釋標(biāo)準(zhǔn)普爾500指數(shù)預(yù)期收益的變動(dòng)情況。1991年Bollerslev和Engle的研究也發(fā)現(xiàn)風(fēng)險(xiǎn)溢價(jià)和波動(dòng)性之間存在正相關(guān)關(guān)系。股價(jià)波動(dòng)的杠桿效應(yīng)在Nelson(1991),Glosten、Jagannathan and Runkle(1993),Engle and Ng(1993)以及 Fornari and Mele(1997)的論文中得到多次證實(shí)。此外,很多實(shí)證應(yīng)用等都證實(shí)GARCH能夠提供較理想的數(shù)據(jù)模擬與預(yù)測(cè)效果。

國(guó)內(nèi)也有不少學(xué)者對(duì)GARCH模型進(jìn)行研究和應(yīng)用。魏巍賢、周小明(1999)運(yùn)用GARCH模型對(duì)中國(guó)股市波動(dòng)性進(jìn)行了預(yù)測(cè)。丁華(1999),周哲芳和李子奈(2000),唐齊鳴和陳健(2001)等對(duì)我國(guó)股市的ARCH效應(yīng)進(jìn)行了分析,并進(jìn)行了股指波動(dòng)的擬合。岳朝龍(2001)、陳千里(2002)、周少甫(2002) 利用GARCH模型對(duì)我國(guó)股市收益的波動(dòng)集簇性和不對(duì)稱性進(jìn)行了實(shí)證研究。張世英和柯珂對(duì)ARCH模型體系做了系統(tǒng)的評(píng)述 [2]。李勝利(2002) 、樓迎軍(2003) 探討了我國(guó)股票市場(chǎng)的杠桿效應(yīng)。張永東、畢秋香做了上海股市波動(dòng)性預(yù)測(cè)模型的實(shí)證比較[3]。

(2)SV模型

1986年,Taylor提出了隨機(jī)波動(dòng)模型(Stochastic Volatility Model,簡(jiǎn)記為SV模型)。隨機(jī)波動(dòng)性模型的提出是與金融資產(chǎn)中定價(jià)的擴(kuò)散過程直接相關(guān)的,認(rèn)為不僅標(biāo)的資產(chǎn)的價(jià)格可以用維納過程來描述,而且波動(dòng)率也可以用維納過程來描述,SV模型是一類極具應(yīng)用前景的金融波動(dòng)模型。

國(guó)外學(xué)者對(duì)SV模型研究也比較多。例如,Ghysels,Harvey和Renault(1995)對(duì)資產(chǎn)市場(chǎng)隨機(jī)波動(dòng)模型的起源、估計(jì)方法、模型擴(kuò)展及波動(dòng)持續(xù)性的相關(guān)研究文獻(xiàn)進(jìn)行了詳細(xì)的綜述。So、Lam、Li和Smith把馬爾可夫結(jié)構(gòu)轉(zhuǎn)換機(jī)制引入到SV模型中,得到具有馬爾可夫結(jié)構(gòu)轉(zhuǎn)換機(jī)制的隨機(jī)波動(dòng)模型(MRS-SV模型)。Kalimipalli、Susmel提出了與So、Lam、Li不同的馬爾可夫結(jié)構(gòu)轉(zhuǎn)換隨機(jī)波動(dòng)模型來刻畫短期利率的水平和波動(dòng)。Jun、Yu利用基本SV模型對(duì)新西蘭股市進(jìn)行了預(yù)測(cè)分析,發(fā)現(xiàn)基本SV模型具有很好的預(yù)測(cè)能力[4]。G..B.Durham(2007)利用SV-mix 模型對(duì)標(biāo)準(zhǔn)普爾500指數(shù)做了預(yù)測(cè),認(rèn)為預(yù)測(cè)效果較好。

國(guó)內(nèi)學(xué)者白幌和張世英(2001)利用擴(kuò)展的SV模型對(duì)深圳股票市場(chǎng)的波動(dòng)性進(jìn)行了實(shí)證研究,指出擴(kuò)展的SV模型比標(biāo)準(zhǔn)的SV模型在描述金融波動(dòng)性方面更有優(yōu)越性。楊克磊、毛明來等用SV模型對(duì)上證和深證波動(dòng)性進(jìn)行分析,結(jié)果表明上海股市風(fēng)險(xiǎn)大于深圳[5]。王春峰(2005)對(duì)均值條件分布為正態(tài)分布的SV模型與條件厚尾分布的SV模型進(jìn)行比較,實(shí)證結(jié)果表明厚尾分布的SV模型能夠更好地描述我國(guó)股市波動(dòng)特征。錢浩韻(2006)采用SV和A-SV模型對(duì)上證綜合指數(shù)、深圳成份指數(shù)和香港恒生指數(shù)的日收益率進(jìn)行擬合,結(jié)果表明A-SV要優(yōu)于SV。吳啟權(quán)等(2006)運(yùn)用SV模型研究我國(guó)股票市場(chǎng)政策效應(yīng)現(xiàn)象。毛明來等(2006)對(duì)SV類模型體系進(jìn)行了全面探討。周彥、張世英(2007)利用基于Markov 鏈的Monte Carb模擬積分方法對(duì)連續(xù)時(shí)間的SV模型進(jìn)行估計(jì),選取上海股市的日綜合指數(shù)進(jìn)行實(shí)證研究,結(jié)果證明了模型與方法的有效性。

比較國(guó)內(nèi)外學(xué)者的研究結(jié)果可以發(fā)現(xiàn)國(guó)外學(xué)者采用美國(guó)或其它西方國(guó)家股市的相關(guān)數(shù)據(jù)帶入GARCH模型或SV模型進(jìn)行數(shù)據(jù)擬合或預(yù)測(cè),其效果普遍要好于國(guó)內(nèi)學(xué)者采用國(guó)內(nèi)股市相關(guān)數(shù)據(jù)進(jìn)行的同類研究。

2.基于非統(tǒng)計(jì)原理的預(yù)測(cè)模型的研究情況

(1)灰色模型

由我國(guó)學(xué)者鄧聚龍教授提出的灰色預(yù)測(cè)模型,已經(jīng)被廣泛應(yīng)用于多種領(lǐng)域的短期預(yù)測(cè),如糧食產(chǎn)量預(yù)測(cè)、電力負(fù)荷預(yù)測(cè)等?；疑GM(1,1)模型是最常用的一種灰色模型,它是由只包含單變量的一階微分方程構(gòu)成的模型,是GM(1,n)模型的特例。

國(guó)外運(yùn)用灰色模型進(jìn)行短期股票波動(dòng)率方面的相關(guān)預(yù)測(cè)文獻(xiàn)較少。而在國(guó)內(nèi),很多研究者已將灰色模型應(yīng)用到股票預(yù)測(cè)領(lǐng)域中。

陳海明、段進(jìn)東(2002)將GM(1,1)模型和馬爾可夫模型結(jié)合起來,建立灰色-馬爾可夫預(yù)測(cè)模型,對(duì)上證綜合指數(shù)進(jìn)行預(yù)測(cè),得出灰色-馬爾可夫模型精度高于GM(1,1)的結(jié)論。施久玉等(2004)運(yùn)用GM(1,1)模型建立了上海證券指數(shù)65日平均值運(yùn)行軌道的最高點(diǎn)預(yù)測(cè)模型,其預(yù)測(cè)值與市場(chǎng)值非常吻合。覃思乾(2006)應(yīng)用灰色GM(1,1)模型對(duì)股票價(jià)格進(jìn)行短期預(yù)測(cè),并與ARIMA模型進(jìn)行擬合比較,得出灰色模型精度高于ARIMA的結(jié)論。

(2)神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)的理論是一門新興的邊緣和交叉學(xué)科。它有表示任意非線性關(guān)系和學(xué)習(xí)等能力,給解決很多具有復(fù)雜的不確定性和時(shí)變性的實(shí)際問題提供了新思想和新方法。在預(yù)測(cè)領(lǐng)域,1987年Lapeds和Farber首先應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的先河。

Matsuba(1991)率先將神經(jīng)網(wǎng)絡(luò)引入股票市場(chǎng)的價(jià)格預(yù)測(cè)上。此后,許多研究者運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)股市進(jìn)行了預(yù)測(cè)。Hill等將神經(jīng)網(wǎng)絡(luò)與六種傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)方法進(jìn)行對(duì)比,他們用111個(gè)時(shí)間序列進(jìn)行預(yù)測(cè),其結(jié)果表明采用短期(月度、季度)數(shù)據(jù)預(yù)測(cè)時(shí),神經(jīng)網(wǎng)絡(luò)明顯優(yōu)于傳統(tǒng)統(tǒng)計(jì)模型;采用長(zhǎng)期(年度)數(shù)據(jù)預(yù)測(cè)時(shí),結(jié)果相差不多[6]。

我國(guó)運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行股市預(yù)測(cè)的學(xué)者也相對(duì)較多。李敏強(qiáng)、孟祥澤(1997)在模糊神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上采用遺傳學(xué)算法對(duì)股市投資策略進(jìn)行了研究。吳微等利用多層前饋BP網(wǎng)絡(luò)較好的分類能力,結(jié)合國(guó)內(nèi)股票市場(chǎng)的特征,對(duì)股票漲跌進(jìn)行了預(yù)測(cè)[7]。吳成東、王長(zhǎng)濤(2002)運(yùn)用人工神經(jīng)元BP網(wǎng)絡(luò)對(duì)股市進(jìn)行了預(yù)測(cè)。劉永福、伍海華(2003)等建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,對(duì)上證指數(shù)進(jìn)行了預(yù)測(cè),發(fā)現(xiàn)模型收斂速度快,學(xué)習(xí)能力強(qiáng),預(yù)測(cè)精度高,誤差率較小,對(duì)股指的短期預(yù)測(cè)十分有效。尚俊松(2004)、龍建成(2005)、胡靜(2007)等都運(yùn)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了股市預(yù)測(cè)研究。我國(guó)學(xué)者的實(shí)證研究表明,人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于我國(guó)股票市場(chǎng)的預(yù)測(cè)是可行和有效的,有良好的前景。

(3)支持向量機(jī)(SVM)

Vapnik等(1995,1998)根據(jù)統(tǒng)計(jì)學(xué)習(xí)原理提出支持向量機(jī)(簡(jiǎn)稱SVM)學(xué)習(xí)方法。這種方法通過尋求結(jié)構(gòu)風(fēng)險(xiǎn)化最小、實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小,從而達(dá)到在統(tǒng)計(jì)樣本較少的情況下,亦能獲得良好統(tǒng)計(jì)規(guī)律的目的。SVM算法是一個(gè)凸優(yōu)化問題,因此局部最優(yōu)解一定是全局最優(yōu)解。SVM算法將原空間中線性不可分的數(shù)據(jù)變換到線性可分的高維特征空間,再用核函數(shù)映射到原空間來求解,巧妙地解決了維數(shù)災(zāi)問題,算法的復(fù)雜度與輸入樣本的維數(shù)無關(guān)。但核函數(shù)的選取在SVM算法中是一個(gè)較為困難的問題。

H.Nakayama(2003)等介紹了SVM中的遞增學(xué)習(xí)和遺棄數(shù)據(jù)方法,并將其應(yīng)用于股票價(jià)格預(yù)測(cè)。W.Huang(2005)等用支持向量機(jī)預(yù)測(cè)股票市場(chǎng)運(yùn)動(dòng)方向。P.Pai(2005)等將ARIMA模型和SVM模型結(jié)合起來,提出一種組合模型來進(jìn)行股票價(jià)格預(yù)測(cè),得出該組合模型優(yōu)于單個(gè)ARIMA或SVM的結(jié)論。

從國(guó)內(nèi)相關(guān)研究看,楊一文等(2005)利用SVM對(duì)上海證券綜合指數(shù)序列趨勢(shì)做較準(zhǔn)確的多步預(yù)測(cè)。李立輝(2005)等將SMV應(yīng)用到我國(guó)上證180指數(shù)預(yù)測(cè)中。周萬隆、姚艷(2006)將SVM模型用于股票價(jià)格短期預(yù)測(cè),取得良好效果。張晨希、周萬隆等(2006)利用支持向量機(jī)對(duì)股票進(jìn)行短期預(yù)測(cè)。趙金晶(2007)實(shí)驗(yàn)結(jié)果表明,該方法比神經(jīng)網(wǎng)絡(luò)方法以及時(shí)間序列方法的預(yù)測(cè)精度更高。

總體上看,我國(guó)學(xué)者運(yùn)用創(chuàng)新型預(yù)測(cè)模型進(jìn)行股市方面預(yù)測(cè)的文獻(xiàn)多于傳統(tǒng)的統(tǒng)計(jì)模型,而且從預(yù)測(cè)效果上看,創(chuàng)新型預(yù)測(cè)模型的預(yù)測(cè)精確度要高于傳統(tǒng)型統(tǒng)計(jì)類預(yù)測(cè)模型。在創(chuàng)新型的三個(gè)模型中,神經(jīng)網(wǎng)絡(luò)模型被運(yùn)用得最多,支持向量機(jī)被認(rèn)為預(yù)測(cè)效果最為精準(zhǔn),而運(yùn)用灰色模型進(jìn)行短期預(yù)測(cè)其方法則最簡(jiǎn)便。

二、基于統(tǒng)計(jì)原理的預(yù)測(cè)模型與創(chuàng)新型預(yù)測(cè)模型的比較分析

1.建模的理論基礎(chǔ)不同

傳統(tǒng)的基于統(tǒng)計(jì)原理的股票價(jià)格波動(dòng)預(yù)測(cè)模型是建立在統(tǒng)計(jì)分析理論基礎(chǔ)之上的。而處理基于概率統(tǒng)計(jì)的隨機(jī)過程要求樣本量越大越好,原始數(shù)據(jù)越完整、越明確越好。但事實(shí)上,在實(shí)際中,即使有了大樣本量,也不一定找到規(guī)律,即使有了統(tǒng)計(jì)規(guī)律也不一定是典型的。創(chuàng)新型預(yù)測(cè)模型則是完全脫離統(tǒng)計(jì)理論的基礎(chǔ),以一種創(chuàng)新型的建模思維來建立預(yù)測(cè)模型。例如灰色模型是建立在灰色理論基礎(chǔ)之上的,依據(jù)廣義能量變化規(guī)律,對(duì)歷史資料進(jìn)行累加處理,使其呈現(xiàn)出指數(shù)變化規(guī)律,然后建模。而人工神經(jīng)網(wǎng)絡(luò)模型是建立在神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)之上的,它通過模仿人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)及信息處理和檢索等功能,建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。支持向量機(jī)則依據(jù)的是統(tǒng)計(jì)學(xué)習(xí)的機(jī)器學(xué)習(xí)理論,通過凸優(yōu)化,使得局部解一定是最優(yōu)解,克服了神經(jīng)網(wǎng)絡(luò)收斂速度慢和局部極小點(diǎn)等缺陷。

2.對(duì)數(shù)據(jù)的要求與處理不同

基于統(tǒng)計(jì)原理的預(yù)測(cè)模型要求樣本量大并有很好的分布規(guī)律,無論是GARCH模型還是SV模型,只有在樣本量足夠大、且分布較好的情況下,其預(yù)測(cè)效果才會(huì)比較理想。例如,運(yùn)用GARCH模型對(duì)美國(guó)股指進(jìn)行預(yù)測(cè)要比對(duì)國(guó)內(nèi)股指進(jìn)行預(yù)測(cè)效果理想,原因是我國(guó)股市發(fā)展的時(shí)間相對(duì)較短,期間由于宏觀調(diào)控和股改等原因,造成股指大起大落,導(dǎo)致數(shù)據(jù)分布規(guī)律性不強(qiáng),因此我國(guó)運(yùn)用這類模型存在一定局限。而創(chuàng)新型預(yù)測(cè)模型對(duì)樣本量的要求和分布程度的要求均較低。例如灰色模型,只要擁有七八個(gè)數(shù)據(jù)就可對(duì)下數(shù)據(jù)進(jìn)行預(yù)測(cè)。在處理技術(shù)上,灰色模型要對(duì)原始數(shù)據(jù)進(jìn)行累加處理,使表面雜亂無章的數(shù)據(jù)呈現(xiàn)出明顯的指數(shù)規(guī)律,建模計(jì)算之后,再進(jìn)行累減還原。神經(jīng)網(wǎng)絡(luò)模型則采用數(shù)據(jù)驅(qū)動(dòng),黑箱建模,無需先驗(yàn)信息,能夠在信息資源不完整、不準(zhǔn)確等復(fù)雜的數(shù)據(jù)環(huán)境下,通過自身結(jié)構(gòu)的調(diào)整,提取數(shù)據(jù)特征,并對(duì)未來進(jìn)行有效預(yù)測(cè)。

3.模型結(jié)構(gòu)的穩(wěn)定性與適應(yīng)性不同

基于統(tǒng)計(jì)原理的預(yù)測(cè)模型一經(jīng)建立,其模型結(jié)構(gòu)具有較強(qiáng)的穩(wěn)定性,模型變量之間存在一個(gè)穩(wěn)定的內(nèi)在關(guān)系。無論是GARCH模型還是SV模型,模型結(jié)構(gòu)都相對(duì)穩(wěn)定、簡(jiǎn)單,而且都是單因素模型。但在實(shí)際中,預(yù)測(cè)環(huán)境復(fù)雜多變,一旦系統(tǒng)變量之間出現(xiàn)新的關(guān)系,該類模型則無法調(diào)整和適應(yīng)。創(chuàng)新型預(yù)測(cè)模型則是一種或者多因素、或者可以變結(jié)構(gòu)的模型,其計(jì)算相對(duì)復(fù)雜,但其適應(yīng)能力要好于基于統(tǒng)計(jì)原理的預(yù)測(cè)模型。如灰色模型,除了有基本的GM(1,1)模型,對(duì)于高階系統(tǒng),灰色理論通過〨M(1,n)模型群解決,并且可以綜合考慮多種因素的影響。而神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)都是變結(jié)構(gòu)模型,通過網(wǎng)絡(luò)對(duì)新樣本的學(xué)習(xí),調(diào)整其內(nèi)部結(jié)構(gòu),從而適應(yīng)系統(tǒng)變量的變化。對(duì)于非線性高維、高階問題神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)會(huì)發(fā)揮得更好。

4.預(yù)測(cè)精準(zhǔn)度與外推性強(qiáng)弱不同

比較而言,基于統(tǒng)計(jì)原理的預(yù)測(cè)模型誤差較大,外推性差。因?yàn)榛诮y(tǒng)計(jì)原理的預(yù)測(cè)模型對(duì)數(shù)據(jù)樣本沒有再處理或?qū)W習(xí)的過程,對(duì)樣本的擬合性較低,由此導(dǎo)致其外推性也較差。而創(chuàng)新型預(yù)測(cè)模型相對(duì)而言精確度較高,外推性強(qiáng)。因?yàn)閯?chuàng)新型預(yù)測(cè)模型對(duì)數(shù)據(jù)具有再處理或?qū)W習(xí)的過程。灰色模型是對(duì)數(shù)據(jù)進(jìn)行了累加處理;而神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)是對(duì)數(shù)據(jù)進(jìn)行了學(xué)習(xí),然后進(jìn)行推理、優(yōu)化。因此,創(chuàng)新型預(yù)測(cè)模型的擬合度和外推能力都要高于統(tǒng)計(jì)類模型。

5.預(yù)測(cè)難度與預(yù)測(cè)時(shí)間長(zhǎng)度不同

基于統(tǒng)計(jì)原理的預(yù)測(cè)模型技術(shù)比較成熟,預(yù)測(cè)過程相對(duì)簡(jiǎn)單。無論是GARCH模型還是SV模型,其建立模型依據(jù)的理論基礎(chǔ)堅(jiān)實(shí),模型構(gòu)造相對(duì)簡(jiǎn)單,計(jì)算難度相對(duì)較低。由于這類模型采用的數(shù)據(jù)是較長(zhǎng)時(shí)間的歷史數(shù)據(jù),因此可以對(duì)未來進(jìn)行較長(zhǎng)時(shí)間的預(yù)測(cè)。而創(chuàng)新型預(yù)測(cè)模型預(yù)測(cè)技術(shù)還有改進(jìn)的余地,且預(yù)測(cè)難度較大。如利用神經(jīng)網(wǎng)絡(luò)進(jìn)行股票價(jià)格波動(dòng)預(yù)測(cè),其過程相對(duì)較難,因?yàn)樯窠?jīng)網(wǎng)絡(luò)需要設(shè)定隱層和權(quán)重。用支持向量機(jī)方法進(jìn)行預(yù)測(cè),涉及到核函數(shù)的確定。核函數(shù)的確定難度較大。由于創(chuàng)新型預(yù)測(cè)模型對(duì)數(shù)據(jù)要求不高,一般是小樣本量預(yù)測(cè),因此,適用于對(duì)預(yù)測(cè)對(duì)象進(jìn)行短期預(yù)測(cè)。

三、我國(guó)運(yùn)用股票價(jià)格預(yù)測(cè)模型存在的問題

1.我國(guó)運(yùn)用股票價(jià)格預(yù)測(cè)模型進(jìn)行股票預(yù)測(cè)方面的研究成果十分有限,研究難度很大,預(yù)測(cè)的精準(zhǔn)度有待提高

從中國(guó)期刊全文數(shù)據(jù)庫檢索的結(jié)果看,1998—2007年10年間我國(guó)公開發(fā)表的期刊類文獻(xiàn)中,運(yùn)用GARCH模型進(jìn)行股票預(yù)測(cè)的文章有4篇,運(yùn)用SV模型進(jìn)行預(yù)測(cè)的文章有7篇,兩類文章合計(jì)有11篇。而運(yùn)用灰色模型進(jìn)行預(yù)測(cè)的文章有5篇,運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的文章有67篇,運(yùn)用支持向量機(jī)進(jìn)行預(yù)測(cè)的文章有9篇,三類文章合計(jì)有81篇。

將統(tǒng)計(jì)類與創(chuàng)新類預(yù)測(cè)模型方面的文章全部加總,10年間相關(guān)文章也不超過100篇。這個(gè)數(shù)字至少說明兩個(gè)問題:一是我國(guó)在這個(gè)領(lǐng)域的研究還沒有廣泛深入開展起來,相關(guān)研究人才和研究成果都十分有限,現(xiàn)有的研究只是處在一個(gè)起步的階段。二是對(duì)股票價(jià)格波動(dòng)進(jìn)行預(yù)測(cè)難度非常大,預(yù)測(cè)的精準(zhǔn)度很難達(dá)到研究者的預(yù)期水平,因此不排除有相當(dāng)部分的研究成果因預(yù)測(cè)失敗而沒有公開發(fā)表。

2.運(yùn)用創(chuàng)新型預(yù)測(cè)模型對(duì)我國(guó)股市進(jìn)行預(yù)測(cè)的效果要好于基于統(tǒng)計(jì)原理的預(yù)測(cè)模型

從我國(guó)目前公開發(fā)表的預(yù)測(cè)類文章的預(yù)測(cè)結(jié)果看,創(chuàng)新型模型預(yù)測(cè)效果要好于傳統(tǒng)的統(tǒng)計(jì)類預(yù)測(cè)模型。造成這種情況的原因主要是由于基于統(tǒng)計(jì)原理的預(yù)測(cè)模型對(duì)原始數(shù)據(jù)的要求比較嚴(yán)格,只有在原始數(shù)據(jù)分布比較好、資料完整、樣本量大的前提下,其擬合與預(yù)測(cè)的效果才會(huì)比較理想。而我國(guó)股市從1990年上證交易所成立并開始交易算起,至今僅有18年的歷史。在這18年中,由于政策、監(jiān)管、股改等原因影響我國(guó)股市經(jīng)歷了幾次大起大落,加之上市公司數(shù)量有限并不斷變化,造成原始數(shù)據(jù)在分布、樣本量、數(shù)據(jù)完整性等方面均不理想,因此,在我國(guó),用基于統(tǒng)計(jì)原理的預(yù)測(cè)模型對(duì)股票收益率波動(dòng)情況進(jìn)行預(yù)測(cè)效果大都不太理想。而創(chuàng)新型預(yù)測(cè)模型大都是小樣本、短期預(yù)測(cè),對(duì)數(shù)據(jù)要求不像統(tǒng)計(jì)類模型那樣嚴(yán)格,因此,在我國(guó)目前階段,這類模型的預(yù)測(cè)效果要好于統(tǒng)計(jì)類預(yù)測(cè)模型。

3.我國(guó)股票價(jià)格預(yù)測(cè)模型采用的大都是單一預(yù)測(cè)模型

從現(xiàn)有研究文獻(xiàn)上看,對(duì)我國(guó)股票價(jià)格波動(dòng)進(jìn)行預(yù)測(cè)的預(yù)測(cè)模型無論是基于統(tǒng)計(jì)原理的預(yù)測(cè)模型還是基于非統(tǒng)計(jì)原理的創(chuàng)新型預(yù)測(cè)模型都采用單一預(yù)測(cè)模型。運(yùn)用單一預(yù)測(cè)模型進(jìn)行預(yù)測(cè)的優(yōu)點(diǎn)是:模型結(jié)構(gòu)相對(duì)簡(jiǎn)單,影響因素少,預(yù)測(cè)難度相對(duì)較低。但其缺點(diǎn)也是顯而易見的:單一預(yù)測(cè)模型不可能將所有影響因素全部包含在一個(gè)模型中,任何一種單一預(yù)測(cè)模型都只利用了部分有用信息,同時(shí)也拋棄了其它有用的信息。而股市的影響因素是很多的。只用單一模型對(duì)股市波動(dòng)進(jìn)行預(yù)測(cè),其所包含和反映的信息量顯然是不充分的,因此也就不可能較好地對(duì)股市的未來走勢(shì)進(jìn)行有效預(yù)測(cè)。

4.缺乏對(duì)非量化因素進(jìn)行有效處理的技術(shù)與方法

影響股票價(jià)格波動(dòng)的因素很復(fù)雜。除了受基本面和技術(shù)指標(biāo)等數(shù)量性因素影響之外,還要受政策、心理波動(dòng)、國(guó)際突發(fā)事件等非量化因素的影響。目前,我們的股票價(jià)格波動(dòng)預(yù)測(cè)模型大都是純數(shù)量化模型,即只將數(shù)量化信息帶入模型進(jìn)行計(jì)算,據(jù)此得出預(yù)測(cè)結(jié)果。而那些對(duì)股票收益波動(dòng)率影響很大的非量化信息由于受到模型本身處理方法和處理技術(shù)的限制,無法被加入到數(shù)量模型之中,從而無法達(dá)到與實(shí)際情況十分吻合的精準(zhǔn)預(yù)測(cè)。

四、我國(guó)股票價(jià)格預(yù)測(cè)模型發(fā)展方向

1.創(chuàng)新型的智能化預(yù)測(cè)模型將成為我國(guó)股票價(jià)格預(yù)測(cè)的一個(gè)發(fā)展方向

首先,創(chuàng)新型預(yù)測(cè)模型能夠克服我國(guó)股市數(shù)據(jù)不完整、波動(dòng)大、分布不合理等缺點(diǎn),采用小樣本數(shù)據(jù)對(duì)股市進(jìn)行短期預(yù)測(cè),預(yù)測(cè)的精準(zhǔn)度相對(duì)高于傳統(tǒng)的統(tǒng)計(jì)類預(yù)測(cè)模型。其次,創(chuàng)新類模型中的智能化模型,能夠模仿或部分模仿人工智能,對(duì)影響股市的多種因素進(jìn)行復(fù)雜的非線性變結(jié)構(gòu)處理,既能克服單因素模型包含信息不充分的缺點(diǎn),也能克服固定結(jié)構(gòu)模型無法處理突發(fā)性事件的缺點(diǎn),盡量充分地反映影響股市的多種信息和復(fù)雜變化,從而增加預(yù)測(cè)的準(zhǔn)確度。

2.組合預(yù)測(cè)模型將成為我國(guó)股票價(jià)格預(yù)測(cè)模型發(fā)展的另一個(gè)方向

每一種預(yù)測(cè)模型都有其優(yōu)點(diǎn),但同時(shí)也存在預(yù)測(cè)信息獲取方面的局限性。如何發(fā)揮不同的預(yù)測(cè)模型的優(yōu)點(diǎn),克服其缺點(diǎn),提高預(yù)測(cè)的準(zhǔn)確度,也是目前預(yù)測(cè)理論與技術(shù)亟待解決的問題。組合預(yù)測(cè)是將不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果依據(jù)一定的原則賦予不同的權(quán)重,然后進(jìn)行加權(quán)平均,得出最終的預(yù)測(cè)結(jié)果。這種預(yù)測(cè)方法可以克服單一預(yù)測(cè)模型信息量不充分的缺點(diǎn),充分發(fā)揮不同預(yù)測(cè)模型的優(yōu)勢(shì),最大限度獲取不同角度的信息量,提高股票收益率預(yù)測(cè)水平。

3.包含各種非量化信息的預(yù)測(cè)模型將成為我國(guó)股票價(jià)格預(yù)測(cè)模型的一個(gè)重要發(fā)展方向

目前股票價(jià)格預(yù)測(cè)模型都屬于數(shù)量化預(yù)測(cè)模型,非量化的因素?zé)o法融入到模型之中,這就導(dǎo)致預(yù)測(cè)中丟失了大量的非量化信息,預(yù)測(cè)的精準(zhǔn)度受到很大影響。如何能將各種影響股市的非定量化信息進(jìn)行技術(shù)處理后轉(zhuǎn)變成量化信息,使之能夠被加入到股票價(jià)格預(yù)測(cè)的模型當(dāng)中,從而充分反映政策因素、心理因素、突發(fā)事件等非量化因素對(duì)股票收益率的影響,提高預(yù)測(cè)的精準(zhǔn)度,是股票價(jià)格預(yù)測(cè)模型的一個(gè)重要發(fā)展方向。

4.新的預(yù)測(cè)理論和技術(shù)的不斷吸收和應(yīng)用,是我國(guó)股票價(jià)格預(yù)測(cè)模型發(fā)展的必然趨勢(shì)

縱觀股票價(jià)格預(yù)測(cè)模型的發(fā)展過程,不難看出,這個(gè)過程其實(shí)就是新的預(yù)測(cè)理論和新的預(yù)測(cè)技術(shù)不斷被引入、吸收、消化、應(yīng)用、完善的一個(gè)過程。GARCH模型和SV模型依據(jù)的分形理論、灰色模型依據(jù)的灰色理論及技術(shù)、神經(jīng)網(wǎng)絡(luò)模型依據(jù)的神經(jīng)網(wǎng)絡(luò)理論及技術(shù)等,無一不經(jīng)歷了這樣一個(gè)被引入、消化與利用的過程。新的預(yù)測(cè)理論與技術(shù)不斷給股票價(jià)格預(yù)測(cè)提供新視角和更完善與全面的技術(shù),使得股票收益波動(dòng)率預(yù)測(cè)模型的預(yù)測(cè)效果更加趨于完美和精準(zhǔn)。目前,混沌理論和小波信號(hào)技術(shù)也開始在股票價(jià)格預(yù)測(cè)中被初步運(yùn)用,相信隨著這方面研究的深入,會(huì)給股票價(jià)格預(yù)測(cè)方面的發(fā)展帶來新的思路。

參考文獻(xiàn):

[1] Engle R F.Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K.Inflation[J].狤conometrica,1982,(50):987-1008.

[2] 張世英,柯珂.ARCH模型體系[J].系統(tǒng)工程學(xué)報(bào),2002,(6):236-245.

[3] 張永東,畢秋香.上海股市波動(dòng)性預(yù)測(cè)模型的實(shí)證比較[J].管理工程學(xué),2003,(2):16-19.

[4] Jun,Yu.Forecasting Volatility in the New Zealand Stock Market[J].Journal of Financial Economics,2002,(12):193-202.

[5] 楊克磊,毛明來,徐正國(guó).隨機(jī)波動(dòng)模型的滬深股市比較研究[J].天津大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2004,(10):334-338.

[7] Matsuba,I.Application of Neural Network Sequential Associator to Long-term Stock Price Prediction,IJCNN91,Singarporee,1991:1196-1202.

[6] Hill T,OConnor M , Remus W.Neural Network Models for Time Series Forecasts [J].狹anagement Science,1996,42(7):1082-1092.

[7] 吳微,陳維強(qiáng),劉波.用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票市場(chǎng)漲跌[J].大連理工大學(xué)學(xué)報(bào),2001,(1):9-12.

[8] 何問陶,趙建群.AR(g)模型的應(yīng)用研究[J].云南財(cái)經(jīng)大學(xué)學(xué)報(bào),2008,(3).

[8] W.猈uang,Y.Nakamori,S.Wang.Forecasting Stock Market Movement Direction with Support Vector Machine[J].狢omputers and Operations Research, 2005,32(10):2513-2522.

[9] Pai,C.Lin.A Hybrid ARIMA and Support Vector Machines Model in Stock Price Forecasting[J].狾mega.2005,33(6):497-505.

[10] 楊一文,楊朝軍.基于支持向量機(jī)的金融時(shí)間序列預(yù)測(cè)[J].系統(tǒng)工程理論方法應(yīng)用,2005,14(2): 176-181.

[11] Ghada Abdelmouez et al.Neural Network Vs.Linear Models for Stock Market Sectors Forecasting. Proceedings of international joint conference on neural networks(2007).1-5