林國超 杜宇鍵 劉娟
摘 要:股票價格的變化的受到多種因素的影響,單一的模型難以準(zhǔn)確的對其變化規(guī)律做出準(zhǔn)確的預(yù)測分析。本文以2019年6月24日—2020年4月28日間的比亞迪(SZ002594)股票價格作為研究樣本,通過兩種不同組合模型來分別進(jìn)行訓(xùn)練樣本和預(yù)測股價的變化。結(jié)果表明基于BP-GM(1,1)模型的預(yù)測精度更高,對股價的動態(tài)分析能提供更有益的參考。
關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò);ARIMA模型;股價預(yù)測
中圖分類號:F23 ? ? 文獻(xiàn)標(biāo)識碼:A ? ? ?doi:10.19311/j.cnki.1672-3198.2020.26.072
0 引言
近年來股票越來越成為人們進(jìn)行投資的重要工具,然而股票價格的變動受到諸多因素的影響。證券上市場股票價格受到外部的國際政治、金融政策宏觀因素和企業(yè)經(jīng)營情況,板塊間的波動等微觀因素的影響。那么如何科學(xué)預(yù)測股票價格的變化就具有重要的理論和現(xiàn)實意義,可以減少投資決策中的不確定性和盲目性,分散風(fēng)險,提高投資收益。
在過去幾十年中,有許多研究學(xué)者提出了多種不同的股價研究預(yù)測方法。其中多數(shù)模型分析方法的原理大多分為兩種:一是基于大量歷史數(shù)據(jù)對未來的業(yè)績、題材、發(fā)展趨勢作出預(yù)測,還要結(jié)合現(xiàn)如今的市場經(jīng)濟情況、政策等帶來的影響做出自己的統(tǒng)計分析等;二是類似于k線理論的技術(shù)分析法,根據(jù)股票成交記錄等信息計算各種指標(biāo),形成相關(guān)的圖表,從而估計股票現(xiàn)階段的走勢。
當(dāng)下隨著數(shù)據(jù)挖掘和機器學(xué)習(xí)等新興技術(shù)的不斷涌現(xiàn),建立各種數(shù)學(xué)模型對股票價格進(jìn)行精準(zhǔn)預(yù)測也成了國內(nèi)外學(xué)者和業(yè)界人士的廣泛關(guān)注。本文的研究目的的是分別運用灰色GM(1,1)模型與移動平均自回歸ARIMA模型,結(jié)合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行股票價格的預(yù)測。模型的建立過程中以R語言程序為工具進(jìn)行實現(xiàn),對國內(nèi)股票市場的比亞迪(SZ002594)為研究對象,更加精準(zhǔn)地預(yù)測股票在未來的漲跌變化。
1 理論介紹
1.1 灰色預(yù)測模型理論
灰色系統(tǒng)預(yù)測模型是一種研究不確定性信息的模型和方法。通過對系統(tǒng)因素來進(jìn)行相關(guān)聯(lián)分析,再對原始數(shù)據(jù)累加生成處理,來探索數(shù)據(jù)變化的規(guī)律。
2.3 ARIMA模型的數(shù)據(jù)處理
要ARIMA模型首先確保數(shù)據(jù)為一組時間序列,其次還要對于數(shù)據(jù)進(jìn)行平穩(wěn)性分析。由圖4知顯然我們所得的股價收盤價數(shù)據(jù)為一組時間序列,對于該組數(shù)據(jù)進(jìn)行平穩(wěn)性分析。從圖5可以知道原始數(shù)據(jù)的自相關(guān)系數(shù)長期大于0,可以知道為一組非平穩(wěn)的時間序列數(shù)據(jù)。
對原始數(shù)據(jù)的訓(xùn)練集首先進(jìn)行自相關(guān)分析,然后偏自相關(guān)分析,參考圖6可以知道訓(xùn)練集的自相關(guān)圖為拖尾,確定q=0,訓(xùn)練集的偏自相關(guān)圖在1、3、4、11、15階時超出了虛線,通過運行代碼可知當(dāng)p=15時所得的AIC值最小為6547。
2.4 基于BP-ARIMA模型的股價預(yù)測圖
3 結(jié)論
本文構(gòu)造了兩種不同的模型,即灰色GM(1,1)模型和ARIMA模型分別與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型。由于股票價格每日波動較大,采取每日該股票的收盤價為樣本,時間長度為10個月的該股價波動的時間序列數(shù)據(jù)為研究對象。通過上面實證數(shù)據(jù)分析可到下面結(jié)果:
(1)基于灰色系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)的模型中,因為灰色預(yù)測的特點,即需要的原始數(shù)據(jù)量小,較為依賴于歷史數(shù)據(jù),但在股市這個波動頻繁的背景下,該預(yù)測方法就會失真,因為灰色預(yù)測模型適用于短期預(yù)測和較少原始數(shù)據(jù)即數(shù)據(jù)波動較少的場景,所得出的結(jié)果也是與歷史數(shù)據(jù)有著線性關(guān)系的,但通過BP神經(jīng)網(wǎng)絡(luò)的進(jìn)一步擬合,并沒能完全消除這種線性關(guān)系,參考圖2和圖3,因此所得的結(jié)果并不十分理想。
(2)基于ARIMA模型的BP神經(jīng)網(wǎng)絡(luò)的模型中,結(jié)果顯示ARIMA模型得出的擬合結(jié)果是優(yōu)于灰色預(yù)測模型的,但只能給出一個估計區(qū)間,加入BP模型對預(yù)測結(jié)果來做出進(jìn)行進(jìn)一步地修正,擬合程度相對比較高,預(yù)測精度達(dá)到99.5%,擬合結(jié)果也是符合預(yù)期的,參考圖7與圖8。
通過兩種模型的預(yù)測結(jié)果來看,可以確定在觀測的時間段內(nèi)的該股票是呈大致的上升趨勢,比較兩種模型的擬合圖可以知道,在中長期預(yù)測擬合中,自回歸移動平均模型的BP神經(jīng)網(wǎng)絡(luò)模型是優(yōu)于基于灰色GM(1,1)的BP神經(jīng)網(wǎng)絡(luò)模型。
參考文獻(xiàn)
[1]薛鑫.基于R語言神經(jīng)網(wǎng)絡(luò)的匯率分析及預(yù)測[D].南京:南京大學(xué),2019.
[2]沈波.基于BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測應(yīng)用研究[D].長沙:湖南大學(xué),2010.
[3]華宇.基于BP神經(jīng)網(wǎng)絡(luò)模型的股票擇時研究[D].沈陽:沈陽工業(yè)大學(xué),2019.
[4]劉海明,白艷萍.時間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測中的分析[J].數(shù)學(xué)的實踐與認(rèn)識,2011,41(4):14-19.