股票價格預(yù)測方法綜述

徐程成

[摘要]精準(zhǔn)預(yù)測股票價格在收益和風(fēng)險劇烈波動的股票市場中的作用日益突出，無論是金融機(jī)構(gòu)還是監(jiān)管當(dāng)局對此都給予了足夠的重視。文章綜述了國內(nèi)外研究各種股票預(yù)測方法的文獻(xiàn)，對其進(jìn)行分類匯總評價。

[關(guān)鍵詞]股價預(yù)測;EEMD;時間序列;神經(jīng)網(wǎng)絡(luò)

[DOI]1013939/jcnkizgsc202009042

1前言

如今，股票投資在人們?nèi)粘Ｉ钪谐洚?dāng)著越來越重要的角色，同時作為一國宏觀經(jīng)濟(jì)運(yùn)行的“晴雨表”，股票市場價格變化也直接影響到金融市場的穩(wěn)定和經(jīng)濟(jì)的健康發(fā)展。由此，獲得精準(zhǔn)的股價預(yù)測對于決策者來說，能更有效的規(guī)避未來的風(fēng)險;對于監(jiān)管機(jī)構(gòu)來說，則能加強(qiáng)對股票市場的把控，及時調(diào)控和引導(dǎo)股票市場，為經(jīng)濟(jì)的持續(xù)發(fā)展提供堅定的信心和有力的保障。

所謂股價預(yù)測，則是通過股市發(fā)展的規(guī)律性及其歷史和現(xiàn)狀，依托大量的股市信息和精準(zhǔn)的統(tǒng)計調(diào)查資料，應(yīng)用各類科學(xué)方法來預(yù)測股票市場的發(fā)展前景。數(shù)十年來，學(xué)者們運(yùn)用探索了各種預(yù)測方法，因此，閱讀了解相關(guān)研究，匯總分類這些預(yù)測方法對進(jìn)一步的研究有一定的積極意義。

2傳統(tǒng)的股票價格預(yù)測方法

多年來，研究學(xué)者們提出了各種預(yù)測方法，如基于統(tǒng)計學(xué)和概率論的VAR（向量自回歸模型）、ARM（自回歸滑動平均模型）、指數(shù)平滑模型，基于非統(tǒng)計原理的GM、SVM以及ANN創(chuàng)新型預(yù)測模型、灰色預(yù)測法、人工神經(jīng)網(wǎng)絡(luò)方法等。

然而，以統(tǒng)計學(xué)為支撐的模型是基于對數(shù)據(jù)序列的主觀模型和經(jīng)驗(yàn)進(jìn)行預(yù)測，無論是預(yù)測的精度還是穩(wěn)定度方面都沒有保障;灰色預(yù)測方法由于其模型難以適應(yīng)數(shù)據(jù)變化趨勢導(dǎo)致精確度不高;人工神經(jīng)網(wǎng)絡(luò)的預(yù)測算法則易導(dǎo)致局部極小值收斂。

股票市場作為一種影響因素眾多、各種不確定性交互的復(fù)雜系統(tǒng)，其價格波動受到問題的動態(tài)非線性、數(shù)據(jù)的高噪聲、人為操控、政策干預(yù)等多種要素的影響，并且各要素相互之間的影響機(jī)理也相當(dāng)復(fù)雜。要做出精準(zhǔn)的預(yù)測，必須保證預(yù)測方法能夠處理龐大的信息量，并具備一定歸納推理能力，這也是傳統(tǒng)方法用于股市預(yù)測效果不佳的主要原因。

3股票價格預(yù)測方法的現(xiàn)狀分析

31EEMD方法研究綜述

EEMD方法（集合經(jīng)驗(yàn)?zāi)B(tài)分解方法）是為了防止EMD（經(jīng)驗(yàn)?zāi)Ｊ椒纸猓┲挟a(chǎn)生模式混淆，而將白噪聲引入EMD算法所形成的一種新的自適應(yīng)的、高效的運(yùn)算方法。近年來，隨著計算機(jī)水平的發(fā)展，這種方法在處理非平穩(wěn)、非線性的金融領(lǐng)域時間序列方面表現(xiàn)出極大的優(yōu)越性，能夠發(fā)掘出一些隱藏在數(shù)據(jù)中很難被發(fā)現(xiàn)的內(nèi)在規(guī)律。劉夢怡（2018）指出由于添加進(jìn)去的白噪聲均值為零，能夠自動消除模態(tài)混疊問題，得到更加接近真實(shí)值的分析結(jié)果。

姚衛(wèi)東（2016）和王曉芳（2012）通過EEMD把上證綜指分解為高頻部分、低頻部分和趨勢項部分，探索發(fā)現(xiàn)：趨勢項T是一個單調(diào)遞增且變化緩慢的序列，可以被視為股票市場的內(nèi)在運(yùn)行軌跡;低頻分量體現(xiàn)重大事件對滬市產(chǎn)生的沖擊，會導(dǎo)致股票指數(shù)中長期的大幅波動，構(gòu)成的影響常常會延續(xù)數(shù)年，等影響期結(jié)束后，股指會回到趨勢項附近圍繞其小幅波動運(yùn)行;高頻分量則體現(xiàn)股票市場中一些微小事件的影響或者短期隨機(jī)波動的產(chǎn)生。當(dāng)?shù)皖l分量大于零時，股市呈現(xiàn)出繁榮期特征，此時股市運(yùn)動軌跡在趨勢項之上，股票價值被高估。

蔣國均（2014）則發(fā)現(xiàn)高頻序列平均周期為33天，與我國學(xué)者奉立誠指出我國股票市場表現(xiàn)出的“周五效應(yīng)”和“周二效應(yīng)”理論基本吻合。經(jīng)過研究對比證明了用EEMD方法處理后的數(shù)據(jù)進(jìn)行SVM預(yù)測精度高于直接運(yùn)用SVM模型預(yù)測。

32機(jī)器學(xué)習(xí)方法研究綜述

機(jī)器學(xué)習(xí)算法的優(yōu)點(diǎn)是能夠最大程度地模擬對象的具體特征，在處理數(shù)據(jù)量及復(fù)雜度方面有較大優(yōu)勢。

文成（2011）主要采用支持向量機(jī)的機(jī)器學(xué)習(xí)方法，并結(jié)合小波分析以及混沌時間序列理論來預(yù)測股票市場股價走勢，成功地通過分離高低頻信號起到了去噪的效果。傅航聰（2017）綜合時間序列算法、K-近鄰算法以及支持向量機(jī)算法的長處，整合提出了一種綜合預(yù)測算法。多種機(jī)器學(xué)習(xí)方法和金融模型的結(jié)合有效彌補(bǔ)了單個算法的不足，可以更精準(zhǔn)地預(yù)測股價的未來走向。

33時間序列方法研究綜述

在這個信息爆炸的時代，越來越多的具有時間標(biāo)簽的股票交易數(shù)據(jù)被積累在股市中。龍會典（2013）利用ARMA模型對股票時間序列進(jìn)行建模與預(yù)測分析，但預(yù)測精度不高。石鴻雁（2014）對上證日收盤指數(shù)建立了基于小波分析的ARIMA模型，提高了預(yù)測精度。

李奮華（2016）則將數(shù)據(jù)挖掘技術(shù)引入到了股票數(shù)據(jù)時間序列分析中，實(shí)驗(yàn)發(fā)現(xiàn)了ARMA預(yù)測方法效果要遠(yuǎn)好于指數(shù)平滑預(yù)測方法，表明了非線性時間序列的預(yù)測優(yōu)良性。

張捷（2017）選取個股日收盤價數(shù)據(jù)，運(yùn)用ARIMA模型和GARCH模型分別從序列水平特征和波動特性2個角度進(jìn)行股票的短期預(yù)測和波動性擬合，得到了一定的參考價值的投資性建議。

34神經(jīng)網(wǎng)絡(luò)方法研究綜述

自20世紀(jì)初至今，神經(jīng)網(wǎng)絡(luò)研究取得了巨大進(jìn)步，許多學(xué)者將其用于股票預(yù)測研究。如李松（2012）提出粒子群算法-BP神經(jīng)網(wǎng)絡(luò)模型，通過引入自適應(yīng)變異算子對陷入局部最優(yōu)的粒子進(jìn)行變異，從而提升了全局最優(yōu)預(yù)測值的尋找性能。

神經(jīng)網(wǎng)絡(luò)具備自適應(yīng)、自學(xué)習(xí)、自組織、分布處理以及容錯性好等優(yōu)質(zhì)特性，為股票價格預(yù)測提供了一種全新的模式，徹底改變了既有模式，并取得了諸多成果。

341BP神經(jīng)網(wǎng)絡(luò)研究綜述

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中大多采用的是一種BP算法，黃宏運(yùn)（2016）通過建立BP神經(jīng)網(wǎng)絡(luò)股價預(yù)測模型，發(fā)現(xiàn)位于測試集初期且股價波動幅度較小時，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出值具有較高的擬合度，但對股價波動幅度較大的時段則嚴(yán)重偏離實(shí)際輸出。

為了解決BP算法對于初始權(quán)閾值設(shè)置的高要求問題，郝繼升（2017）利用了具備良好非線性尋優(yōu)能力的遺傳算法來優(yōu)化其對初始權(quán)閾值的設(shè)置，劉雯琦（2018）則建立了一種基于自適應(yīng)差分進(jìn)化算法的股價預(yù)測模型，加快了網(wǎng)絡(luò)訓(xùn)練速度。

郭建峰（2017）提出了通過LM算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)里的梯度下降法，得到了更快的收斂速度和更高的精確性。劉恒（2018）采用貝葉斯正則化改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法（BRNN）運(yùn)用于股票時間序列預(yù)測中，其預(yù)測精度比傳統(tǒng)BP模型提高了4281%。

342小波神經(jīng)網(wǎng)絡(luò)研究綜述

近年來，小波分析方法被引入到經(jīng)濟(jì)和金融領(lǐng)域，在時頻兩域都具備表征信號局部特征的能力以及多尺度分析的特性是其獨(dú)特的優(yōu)勢。陳俏（2015）指出小波分析具有非常強(qiáng)大的多尺度分辨功能，能識別出股票指數(shù)序列中各種高低不同的頻率序列，發(fā)現(xiàn)其變化趨勢。

小波神經(jīng)網(wǎng)絡(luò)則是將小波分析的優(yōu)點(diǎn)和神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡單、非線性逼近等特點(diǎn)結(jié)合起來，使其對于股價走勢的逼近能力更強(qiáng)大，并且可以避免結(jié)構(gòu)設(shè)計上的盲目性、易陷入局部極小值等缺陷。薛亮（2018）指出該方法具有比小波分解更多的自由度及更靈活有效的函數(shù)逼近能力，適用于股票市場。

考慮到小波神經(jīng)網(wǎng)絡(luò)使用的局部搜索算法易使得學(xué)習(xí)過程陷入局部最優(yōu)解，宗娜娜（2014）提出用全局搜索算法遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)，結(jié)果證實(shí)基于遺傳算法（GA）的小波神經(jīng)網(wǎng)絡(luò)預(yù)測精度要優(yōu)于BP算法。

任水利（2017）提出了一種基于粗糙集（RS）與小波神經(jīng)網(wǎng)絡(luò)集成的預(yù)測方法，降低了WNN的復(fù)雜性，減少了訓(xùn)練時間?；诠善睍r間序列數(shù)據(jù)既有線性特征又有非線性特征，楊進(jìn)（2018）提出了一種基于小波神經(jīng)網(wǎng)絡(luò)與ARIMA的組合預(yù)測模型，有效地體現(xiàn)了小波神經(jīng)網(wǎng)絡(luò)在非線性擬合上的強(qiáng)大功能和ARIMA在時間序列數(shù)據(jù)上的優(yōu)勢。

343其他神經(jīng)網(wǎng)絡(luò)研究綜述

張金仙（2016）指出自適應(yīng)神經(jīng)網(wǎng)絡(luò)可以根據(jù)誤差大小自主地調(diào)整學(xué)習(xí)效率，加快收斂速度，具有良好的自學(xué)習(xí)和容錯能力。

馬川（2017）提出的一種能夠直接獲得最優(yōu)的權(quán)值和結(jié)構(gòu)的正弦激勵的WASD神經(jīng)網(wǎng)絡(luò)、黃宏運(yùn)（2017）提出的具備動態(tài)反饋功能的Elman神經(jīng)網(wǎng)絡(luò)，以及鄧烜堃（2018）設(shè)計的深度稀疏修正神經(jīng)網(wǎng)絡(luò)模型DSRNN，基于歷史數(shù)據(jù)試驗(yàn)發(fā)現(xiàn)，這三種預(yù)測方法預(yù)測精度均高于BP神經(jīng)網(wǎng)絡(luò)，有較高的股指預(yù)測能力。

4股票價格預(yù)測方法今后擬解決的關(guān)鍵問題

以上提到的各種預(yù)測方法雖然可以實(shí)現(xiàn)對未來股價變化趨勢的大致預(yù)測，但是無法達(dá)到精準(zhǔn)預(yù)測。這是由于目前我國股票市場仍處于不成熟的發(fā)展?fàn)顟B(tài)，短期內(nèi)的國民經(jīng)濟(jì)狀況、宏觀政策以及投資者的心理預(yù)期等眾多因素都會對股價造成某種程度的影響。所以，在今后的預(yù)測中，還應(yīng)綜合考慮各個方面的因素，如經(jīng)營企業(yè)的基本面、技術(shù)指標(biāo)等，以實(shí)現(xiàn)最大收益或規(guī)避最大風(fēng)險的投資目標(biāo)。

5結(jié)論

股票市場對一國經(jīng)濟(jì)的重要性會使得股價預(yù)測方法種類不斷地發(fā)展壯大，會由其他學(xué)科的發(fā)展而不斷衍生。在后續(xù)預(yù)測方法的發(fā)展過程中，需要不斷地去探索，深入研究股票市場的特征，使得模型更加貼近實(shí)際，擴(kuò)大方法的適用性，得到更好的預(yù)測精度。

參考文獻(xiàn)：

[1]劉夢怡EEMD分解方法在我國股票市場分析預(yù)測中的應(yīng)用[D].濟(jì)南：山東大學(xué)，2018

[2]姚衛(wèi)東，王瑞君結(jié)構(gòu)分解視角下股市波動與政策事件關(guān)系的實(shí)證研究——基于EEMD算法[J].上海經(jīng)濟(jì)研究，2016（1）：71-80

[3]王曉芳，王瑞君上證綜指波動特征及收益率影響因素研究——基于EEMD和VAR模型分析[J].南開經(jīng)濟(jì)研究，2012，6：82-99

[4]蔣國均我國滬深股票市場價格指數(shù)相關(guān)性分析及預(yù)測研究——基于EMD分解技術(shù)的應(yīng)用[D].廣州：暨南大學(xué)，2014

[5]文成基于機(jī)器學(xué)習(xí)方法的股票數(shù)據(jù)研究[D].重慶：重慶理工大學(xué)，2011

[6]傅航聰，張偉機(jī)器學(xué)習(xí)算法在股票走勢預(yù)測中的應(yīng)用[J].軟件導(dǎo)刊，2017，16（10）：31-34，46

[7]龍會典，嚴(yán)廣樂基于SARIMA、GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)集成模型的GDP時間序列預(yù)測研究[J].數(shù)理統(tǒng)計與管理，2013，32（5）：814-822

[8]石鴻雁，尤作軍，陳忠菊基于小波分析的ARIMA模型對上證指數(shù)的分析與預(yù)測[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2014，44（23）：66-72

[9]李奮華，趙潤林一種基于時間序列分析的股票走勢預(yù)測模型[J].研究與開發(fā)，2016（7）：14-17

[10]張捷基于時間序列模型的股票價格波動特性分析[J].湖南文理學(xué)院學(xué)報，2017，29（3）：4-8，12

[11]李松，劉力軍，翟曼改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J]系統(tǒng)工程理論與實(shí)踐，2012，32（9）：2045-2049

[12]黃宏運(yùn)，吳禮斌，李詩爭BP神經(jīng)網(wǎng)絡(luò)在股票指數(shù)預(yù)測中的應(yīng)用[J].通化師范學(xué)院學(xué)報，2016，37（5）：32-34

[13]郝繼升，任浩然，井文紅基于自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價格預(yù)測[J].河南科學(xué)，2017，35（2）：190-195

[14]劉雯琦基于SDE的BP神經(jīng)網(wǎng)絡(luò)股票價格預(yù)測[J].無線互聯(lián)科技，2018（15）：107-108，119

[15]郭建峰，李玉，安東基于LM遺傳神經(jīng)網(wǎng)絡(luò)的短期股價預(yù)測[J].計算機(jī)技術(shù)與發(fā)展，2017，27（1）：152-155，159

[16]劉恒，侯越貝葉斯神經(jīng)網(wǎng)絡(luò)在股票時間序列預(yù)測中的應(yīng)用[J].計算機(jī)工程與應(yīng)用，2018（8）：1-7

[17]陳俏，梁利利小波分析在股票指數(shù)分析中的作用[J].金融市場，2015（6）：45-47

[18]薛亮，劉麗穎，虞文杰股票市場預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型[J].經(jīng)濟(jì)研究導(dǎo)刊，2018（3）：95，126

[19]宗娜娜小波神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的研究與應(yīng)用[D].昆明：昆明理工大學(xué)，2014

[20]任水利，雷蕾，甘旭升，等基于粗糙集與小波網(wǎng)絡(luò)集成的股價走勢預(yù)測研究[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2017，37（11）：2209-2221

[21]楊進(jìn)，陳亮基于小波神經(jīng)網(wǎng)絡(luò)與ARIMA組合模型在股票預(yù)測中的應(yīng)用[J].經(jīng)濟(jì)數(shù)學(xué)，2018，35（2）：62-67

[22]張金仙，閆二樂，楊拴強(qiáng)基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測模型的研究[J].長春大學(xué)學(xué)報，2016，26（6）：26-30

[23]馬川，廖柏林，周俊，等基于正弦激勵的WASD神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測[J].懷化學(xué)院學(xué)報，2017，36（11）：82-86

[24]黃宏運(yùn)，吳禮斌，李詩爭基于Elman神經(jīng)網(wǎng)絡(luò)的股票開盤指數(shù)預(yù)測[J].蘭州文理學(xué)院學(xué)報，2017，31（2）：30-35，89

[25]鄧烜堃，萬良，馬彥勤深度稀疏修正神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用[J].計算機(jī)技術(shù)與發(fā)展，2018（5）：1-10