楊興華 吳偉 王林浩

摘要：提出了一種改進的神經(jīng)網(wǎng)絡(luò)預測兩個金融時間序列的交叉相關(guān)（ cross-correlation）系數(shù)。為了得到金融數(shù)據(jù)集的波動，對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進行了改進得到了一種指數(shù)BP神經(jīng)網(wǎng)絡(luò)，通過計算輸入向量與其權(quán)值向量之間的點積，不僅對每個神經(jīng)單元進行局部信息處理，還通過在輸入向量的指數(shù)型函數(shù)及其相應的新權(quán)向量之間增加點積來進行處理。該預測模型改進了神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，并對特定輸入輸出變量的交叉相關(guān)預測進行了探討。實驗證明，所提模型有利于提高預測精度。

關(guān)鍵字：人工智能;神經(jīng)網(wǎng)絡(luò);預測;波動率;神經(jīng)元

中圖分類號：TP183

文獻標識碼：A

金融時間序列波動行為的分析與預測一直是金融研究的熱點。由于金融理論與實證的時間序列包含的不確定因素，統(tǒng)計理論與方法在金融時間序列分析起著重要的作用。金融市場波動的研究已有不少研究，如對數(shù)收益率和成交量的冪律，價格變化的厚尾分布，波動聚類，波動范圍記憶[1-4]。在風險最小化的投資組合優(yōu)化中，考慮不同公司的收益如何相互關(guān)聯(lián)是非常重要的。

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一個在學術(shù)界和工業(yè)界都有著迅速發(fā)展和廣泛應用的研究領(lǐng)域。從統(tǒng)計學家的觀點來看，它們類似于非參數(shù)的非線性回歸模型。與傳統(tǒng)的參數(shù)模型（如GARCH，ARIMA）相比，神經(jīng)網(wǎng)絡(luò)的創(chuàng)新在于其模型沒有對生成過程的性質(zhì)的先驗假設(shè)的非線性處理能力，而GARCH和

3 實驗仿真

為了測試所提的指數(shù)BP神經(jīng)網(wǎng)絡(luò)的有效性，我們把它應用到序列預測金融時間，對比分析上證所（SSE）和深交所（SZSE）之間的交叉相關(guān)性綜合指數(shù)。上證所和深交所能反映在中國股票市場的基本情況，并且有足夠的數(shù)據(jù)來進行測試訓練。上證所和深交所每日收盤價和絕對回報的相應對數(shù)如圖2所示。

在本文的指數(shù)BP神經(jīng)網(wǎng)絡(luò)中，數(shù)據(jù)集被分割成兩部分：訓練集和測試集。分割的兩個數(shù)據(jù)集變成兩個相同長度的序列，即切點為數(shù)據(jù)集的中間點。因此，訓練和預測數(shù)據(jù)量是對稱的，便于在圖形尺度上進行對比分析，也可用于訓練誤差和檢驗預測誤差

為了檢測本文所提神經(jīng)網(wǎng)絡(luò)預測的性能，使用以下性能指標包括均方根誤差（RMSE）、平均絕對誤差（MAE），平均絕對百分比誤差（MAPE），相關(guān)系數(shù)R。四個指標的計算如下：

其中，d_n和y_n分別表示在樣本n時的真實值和預測值。Ⅳ為訓練集和測試集樣本的數(shù)量。在指數(shù)BP神經(jīng)網(wǎng)絡(luò)中，有兩個參數(shù)α，β需要確定其值。根據(jù)α，β的取值范圍，設(shè)定α= 0.5，而β取不同值，接下來對本文所提模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型（下文用BPNN表示）進行比較。為了使比較更為清晰，β取了8組不同的數(shù)據(jù)。具體如表1所示。

從表1的RMSE、MAE、MAPE、R四個值可以看到，相對于傳統(tǒng)的BPNN網(wǎng)絡(luò)，本文所提的指數(shù)BP神經(jīng)網(wǎng)絡(luò)的預測性能得到了進一步的提升。

4 結(jié)論

在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種指數(shù)BP神經(jīng)網(wǎng)絡(luò)，用來預測SSE和SZSE的交叉相關(guān)性。在所提模型中，對神經(jīng)網(wǎng)絡(luò)的激活函數(shù)進行了相應的改良，提升了整個神經(jīng)網(wǎng)絡(luò)模型的性能。最后，通過對特定輸入和輸出變量的交叉相關(guān)預測進行了探討，并進行了相應的仿真實驗，證明了其提能夠極高交叉相關(guān)性預測的精度。

參考文獻

[1] CHENG W Y，WANG J. Dependence phenomenon analysis of thestock market[J].Europhysics Letters， 2013， 102（1）：18004.

[2] GURESEN E，KAYAKUTLU G，DAIM T U.Using artificialneural network models in stock market index prediction[J].Expert Systems with Applications， 2013， 38（1）：10389-10397.

[3] YANG J， ZHUANG Y. An improved ant colony optimization algo-rithm for solving a complex comhinatorial optimization problem[J]. Appl. Soft Comput， 2010， 10（2）：653-660.

[4] MAKRIDAKIS S.Accuracy measures： theoretical and practicalconcerns[J]. International Joumal of Forecasting， 1993，9 （4）：527-529.

[5] HAJIZADEH E，SEIFI A，F(xiàn)AZEL Z M. A hybrid modelingapproach for forecasting the volatility of s&p 500 index return [J].Expert Systems with Applic ations ， 2012 ， 39（1） ：43 1-43 6.

[6] WANG C C. A comparison study between fuzzy time series modeland ARIMA model for forecasting taiwan export [J]. ExpertSystems with Applications ， 2011 ， 38 （ 3 ） ： 9296-9304.

[7]

WANC F， WANG J. Statistical analysis and forecasting of returninterval for SSE and model by lattice percolation system andneural network [J]. Computers & Industrial Engineering， 62（ 1）：198-205.

[8]

WANC T S， WANG J， ZHANG J H， et al. Voter interacting systemsapplied to chinese stock markets [J]. Mathematics and Computersin Simulation ， 2011 ， 81（ 11 ）： 2492-2506.

[9] HE L Y，CHEN S P. A new approach to quantify power -lawcrosscorrelation and its application to commodity markets [J].Physica A， 2011， 390（ 21） ：3806-3814.

[10] HORVATIC D ， STANLEY H E ， PODOBNIK B. Detrended cross-correlation analysis for non -stationary time series with periodictrends [J]. Europhysics Letters ， 2011 ， 94（1）：18007.

[11] NIU H L，WANG J. Volatility clustering and long memory offinancial time series and ～inancial price model

[J]. Digital SignalProcessing， 2013 ， 23（2） ： 489-498.

[12] PODOBNIK B，F(xiàn)U D F，STANLEY H E，et al. Power -lawautocorrelated stochastic processes with long -range cross -correlations [J]. The European Physical Journal B ， 2007 ， 56（1） ：47-52.

[13]

KADA A， YOULAL H. E -financial secure solution using neuralnetwork techniques [J]. Canadian Journal of Electrical andComputer Engineering， 2005 ， 30（3）： 145-148.

[14] XU Z P. Modeling and simulation of financial crisis warningsystem based on RBF neural network

[C]// 2016 IntemationalConference on Robots & Intelligent System （ICRIS） ， 2016：264-267.

[15] RAMADHAN G， ARIAN D， SURJANDARI I， et al. Application ofartificial neural network for predicting company financialperformance in Indonesia stock exchange [C]// 2017 3rdIntemational Conference on Science in Information Technology（ICSITech） ， 2017：241-245.

[16] MA C，LIN J N，SUN H Y，et al. A hybrid financial time seriesmodel based on neural networks [C]// 2017 Eighth InternationalConference on Intelligent Control and Information Processing（ICICIP） ， 2017：303-308.

[17] ALMA Y A. Electricity prices forecasting using artificial neuralnetwork [J]. IEEE Latin America Transactions，2018，16 （1）：105-111.