(北京物資學(xué)院 北京 101149)

一、引言

有效市場(chǎng)假說(shuō)是金融工程中對(duì)各種金融衍生品進(jìn)行定價(jià)和套利設(shè)計(jì)的基礎(chǔ)。自它被提出之日起，國(guó)內(nèi)外學(xué)者關(guān)于股票市場(chǎng)是否弱有效的爭(zhēng)論從未平息。Patell和Wolfson[1]的研究表明在股利分配和收益公告發(fā)布后的10分鐘內(nèi)股票價(jià)格就會(huì)做出反應(yīng)。Busse和Green[2]通過(guò)對(duì)CNBC的早間新聞和午間新聞報(bào)道的公司的股價(jià)進(jìn)行研究，支持了上述股票價(jià)格迅速調(diào)整的發(fā)現(xiàn)。在質(zhì)疑有效市場(chǎng)假說(shuō)的研究中，Conrad和Kaul[3]以及Lo和Mackinlay[4]發(fā)現(xiàn)紐約證券交易所股票的短期回報(bào)率存在自相關(guān)；Lehmann和Jegadeesh[5]的研究發(fā)現(xiàn)個(gè)股的股價(jià)更容易在極短的時(shí)間內(nèi)反轉(zhuǎn)。關(guān)于中國(guó)股票市場(chǎng)有效性的研究中，陳燈塔和洪永森[6]利用廣義譜導(dǎo)數(shù)檢驗(yàn)方法的研究表明滬市和深市都尚未達(dá)到弱式有效?；谏鲜鑫墨I(xiàn)，股票市場(chǎng)比較有效，但還沒(méi)達(dá)到弱式有效，研究市場(chǎng)公開(kāi)信息是可以幫助投資者獲得超額收益的。

二、研究綜述

吳微、陳維強(qiáng)和劉波[7]曾對(duì)滬市綜合指數(shù)預(yù)測(cè)進(jìn)行過(guò)探討，實(shí)驗(yàn)結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)是可行和有效的。但是，在選取樣本時(shí)，他們認(rèn)為股票交易市場(chǎng)是一個(gè)不穩(wěn)定的動(dòng)態(tài)變化過(guò)程，國(guó)內(nèi)外經(jīng)濟(jì)因素、人為作用和政府的調(diào)控也是影響股票價(jià)格走勢(shì)的重要因素，因此必須選取正常運(yùn)作情況下，即沒(méi)有或少有暴漲和暴跌等不穩(wěn)定現(xiàn)象的股市樣本數(shù)據(jù)。然而新的信息會(huì)引起股票的價(jià)格變化，這是是股市正常運(yùn)作的一部分，僅選取比較平穩(wěn)的數(shù)據(jù)可能造成選擇性偏差，同時(shí)降低了模型預(yù)測(cè)結(jié)果的說(shuō)服力。其次，吳微、陳維強(qiáng)和劉波的研究用滬市綜合指數(shù)作為學(xué)習(xí)和預(yù)測(cè)樣本，模型缺乏實(shí)用價(jià)值。指數(shù)基金是消極投資時(shí)的首選，指數(shù)基金的收益通常被看作市場(chǎng)收益的代表，因此投資于指數(shù)基金的投資者不期望獲得超過(guò)市場(chǎng)水平的收益，期望獲得“超水平”收益的投資者也不會(huì)指望指數(shù)基金帶來(lái)正的α。

每只股票有其獨(dú)特的交易歷史和行業(yè)特點(diǎn)，用指數(shù)數(shù)據(jù)作為輸入數(shù)據(jù)會(huì)導(dǎo)致模型因平衡各種因素而表現(xiàn)平庸。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)青島啤酒(600600)的股票收益率進(jìn)行預(yù)測(cè)。多層感知神經(jīng)網(wǎng)絡(luò)(Multilayer Perceptron，MLP)是一種監(jiān)督式學(xué)習(xí)算法，由輸入層、隱藏層和輸出層三部分組成。MLP不僅可以學(xué)習(xí)線性函數(shù)也可以學(xué)習(xí)復(fù)雜的非線性函數(shù)。

三、特征選擇與預(yù)處理

本文選擇的是CSMAR數(shù)據(jù)庫(kù)中青島啤酒2014年12月31日至2017年12月31日的交易數(shù)據(jù)，共730個(gè)樣本,包含了2015年之后的牛市和熊市。特征的選取應(yīng)該能充分反映股票交易的特征，同時(shí)不易過(guò)多，否則易出現(xiàn)過(guò)擬合。選擇的特征向量見(jiàn)表1?？倶颖镜?0%作訓(xùn)練集，30%作測(cè)試集。

表1 特征選擇

為了增加魯棒性，對(duì)原始數(shù)據(jù)進(jìn)行規(guī)范化處理，計(jì)算出訓(xùn)練集的平均值和標(biāo)準(zhǔn)方差，總樣本減去平均值，再除以標(biāo)準(zhǔn)方差，使各特征在同一數(shù)量級(jí)。

四、模型設(shè)定和結(jié)果

目標(biāo)值y為1時(shí)表示日收益率為正，y為0時(shí)表示日收益率為負(fù)，模型結(jié)構(gòu)是8-6-6-6-1，正則參數(shù)為10-5。激活函數(shù)是RELU函數(shù)：

f(x)=max{x,0}

本文利用均方誤差MSE作為評(píng)價(jià)標(biāo)準(zhǔn)，MSE越小，則模型的預(yù)測(cè)效果越好。當(dāng)測(cè)試集的MSE小于0.5時(shí)，可以認(rèn)為根據(jù)模型投資獲得的期望收益大于0，該模型是有效的。通常為防止陷入局部最優(yōu)，將訓(xùn)練樣本隨機(jī)打亂順序再輸入，但考慮到金融數(shù)據(jù)的特點(diǎn)，這樣做是欠妥的，因?yàn)榻鹑跀?shù)據(jù)是時(shí)間序列，存在序列相關(guān)，打亂順序會(huì)消除這種聯(lián)系，阻礙模型學(xué)習(xí)。按順序輸入訓(xùn)練樣本后，訓(xùn)練集MSE為0.007828，測(cè)試集MSE為0.459091，小于0.5。

平穩(wěn)的時(shí)間序列更有助于機(jī)器學(xué)習(xí)規(guī)律，所以進(jìn)一步改進(jìn)，對(duì)所有的股票價(jià)格取自然對(duì)數(shù)。模型結(jié)果：訓(xùn)練集MSE為0.001957，測(cè)試集MSE為0.40727。

五、結(jié)論和展望

本文應(yīng)用MLP神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)個(gè)股的股票漲跌進(jìn)行了初步探索，并給出比較詳細(xì)的算法和步驟，最終模型測(cè)試集MSE為0.40727，預(yù)測(cè)的準(zhǔn)確能力為59.273%，高于初始評(píng)價(jià)基準(zhǔn)50%，是有效的股票預(yù)測(cè)模型，但還存在可以改進(jìn)的方向。

1.該模型是一個(gè)靜態(tài)模型，先通過(guò)對(duì)511個(gè)樣本進(jìn)行學(xué)習(xí)，然后預(yù)測(cè)未來(lái)的219個(gè)交易日的收益率情況。過(guò)去的數(shù)據(jù)隨著時(shí)間的推移對(duì)未來(lái)的預(yù)測(cè)能力越來(lái)越弱，因此動(dòng)態(tài)模型更加適合，可以不斷將新的數(shù)據(jù)納入模型學(xué)習(xí)中，讓模型獲得新的信息。

2.不同網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)定也會(huì)對(duì)模型產(chǎn)生影響，例如隱藏層數(shù)、神經(jīng)元數(shù)、學(xué)習(xí)步長(zhǎng)、激活函數(shù)、正則參數(shù)的設(shè)定等，本文只嘗試了一種結(jié)構(gòu)和參數(shù)設(shè)定，在這方面嘗試可以進(jìn)一步提高模型的預(yù)測(cè)能力。

3.本文將目標(biāo)值分為兩類，收益率大于0和小于等于0兩種情況，這種簡(jiǎn)單的分類對(duì)于實(shí)際應(yīng)用不夠方便。由于交易成本的存在，僅知道日收益率為正并不足以幫助投資者做出決策，因此可根據(jù)實(shí)際情況將目標(biāo)值分成多個(gè)類別。