基于随机变异优化选择规则的人工神经网络在金融数据预测方面的应用

摘要

上个世纪全球金融市场最重要变革来自于金融衍生品的创新和繁荣。但随后频繁而剧烈的金融危机却使得人们对基于有效市场假说的传统金融理论开始进行反思。随着行为经济学和经济物理学等领域的开创性研究,人们发现了经济系统明显违背传统理论的假设,经济代理人并非全同的理性而具有异质性和非理性,市场不能自动演化到均衡状态而具有长程时间和空间关联,在特定的条件下具有自组织临界性。因此,基于复杂非线性系统的统计物理和动力学理论正被广泛用于经济金融领域研究。人工神经网络是一个典型的多体非线性动力学系统,通过吸引子来学习和记忆系统特征信息,正被广泛用于金融时间序列的预测。
　　 本文利用“蒙特卡洛随机变异-优化选择”的设计规则和对应的设计理念,将多层前馈人工神经网络应用于金融工程研究的两个方面:传统的汇率数据预测和定向增发股的投资组合新产品设计。其中汇率数据预测结果相比较于最小二乘法、传统前馈人工神经网络及支持向量机方法具有相当的优势;定向增发股的组合策略精选出的投资组合指数走势在三种加权方式下均显著强于沪深300指数和股票池股票走势,体现了该投资组合策略和模型的有效性。
　　 本文主要包含四个部分:第一部分介绍传统金融市场理论的发展及所遇到的瓶颈;第二部分介绍人工神经网络的基础知识和随机变异优化选择规则的设计原理;第三部分将基于随机变异优化选择规则的人工神经网络方法运用于汇率数据的预测,详细说明了此方法是如何在金融时间序列预测中实现最小化系统风险的目标;第四部分通过对历史数据的统计分析并利用人工神经网络提出从大量的定向增发股中选择具有长期投资价值的成长性投资组合的方法,这种被动的组合指数式投资方式对于以建立组合为主要投资方式的机构投资者而言具有实用意义。