一種金融市場(chǎng)預(yù)測(cè)的深度學(xué)習(xí)模型：FEPA模型.pdf

1、在全球經(jīng)濟(jì)、金融一體化的今天，金融市場(chǎng)不斷呈現(xiàn)出很多經(jīng)典金融理論無(wú)力解釋的復(fù)雜現(xiàn)象，主要表現(xiàn)為：金融市場(chǎng)不再是有效市場(chǎng)假說(shuō)描述下的理想市場(chǎng)，金融市場(chǎng)呈現(xiàn)出的高智能性、強(qiáng)相關(guān)性、緊耦合性使它成為一個(gè)復(fù)雜的非線性動(dòng)力系統(tǒng)。構(gòu)建預(yù)測(cè)模型對(duì)這樣一個(gè)復(fù)雜的非線性動(dòng)力系統(tǒng)進(jìn)行描述，揭示金融時(shí)間序列運(yùn)行的內(nèi)在規(guī)律，并在世人面前展示它的演化機(jī)制，方便人們防范金融風(fēng)險(xiǎn)、管理市場(chǎng)和監(jiān)督市場(chǎng)，毫無(wú)疑問(wèn)都具有重大的現(xiàn)實(shí)意義和理論價(jià)值，這也是本文研究的意義和背景

2、所在。
　　深度學(xué)習(xí)已經(jīng)成為人工智能中最有代表性的、最有潛力的智能系統(tǒng)建模技術(shù)。在完備信息博弈領(lǐng)域，谷歌的阿爾法圍棋已經(jīng)以壓倒優(yōu)勢(shì)擊敗世界圍棋冠軍，為深度學(xué)習(xí)做出了令人震驚的能力展示。然而，金融市場(chǎng)的復(fù)雜性遠(yuǎn)遠(yuǎn)超出了所有的棋類(lèi)博弈，呈現(xiàn)出開(kāi)放、非穩(wěn)態(tài)、無(wú)窮方博弈的特征。本論文專(zhuān)門(mén)研究作為深度學(xué)習(xí)的主要范式之一的深度分合神經(jīng)網(wǎng)絡(luò)模型在金融時(shí)間預(yù)測(cè)上的可行性和效能水平。這種范式在本論文中具體表現(xiàn)為FEPA模型：FTS+EMD+PCA+

3、ANN。下面逐步展開(kāi)說(shuō)明。
　　1998年來(lái)自NASA的黃鍔等提出一種新的信號(hào)分析方法——經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）。經(jīng)驗(yàn)?zāi)B(tài)分解方法無(wú)需提前設(shè)定基函數(shù)，按照時(shí)間序列自身的尺度特征分解時(shí)間序列。而應(yīng)用傅里葉變換時(shí)，諧波基函數(shù)需要預(yù)先設(shè)定，小波變換需要預(yù)先設(shè)定小波基函數(shù)。經(jīng)驗(yàn)?zāi)B(tài)分解方法在傅里葉變換和小波變換的基礎(chǔ)上進(jìn)一步改進(jìn)了分解后時(shí)間序列的局部特征，是一種更有效的數(shù)據(jù)挖掘預(yù)處

4、理算法。由于經(jīng)驗(yàn)?zāi)B(tài)分解方法具有這些處理數(shù)據(jù)的良好特性，任何類(lèi)型的信號(hào)理論上都可以用經(jīng)驗(yàn)?zāi)B(tài)方法分解，因而對(duì)非線性非平穩(wěn)多尺度特征的數(shù)據(jù)進(jìn)行信號(hào)處理具有非常明顯的優(yōu)勢(shì)。所以，經(jīng)驗(yàn)?zāi)B(tài)分解方法提出之后不久就迅速有效地應(yīng)用到多個(gè)工程領(lǐng)域中。
　　首先，本文基于EMD分解方法提出了一個(gè)新的組合預(yù)測(cè)模型：FEPA模型。（FTS-EMD-PCA-ANN）該模型基于金融時(shí)間序列特殊經(jīng)驗(yàn)?zāi)B(tài)分解（Financial Time Series Em

5、pirical Mode Decomposition，F(xiàn)TS-EMD）、主成分分析（Principal Component Analysis，PCA）和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network），針對(duì)非線性、非平穩(wěn)、多尺度的復(fù)雜金融時(shí)間序列建模和預(yù)測(cè)，預(yù)測(cè)股市指數(shù)和外匯匯率，實(shí)證研究了這一金融市場(chǎng)研究中的熱點(diǎn)領(lǐng)域。本文提出的組合預(yù)測(cè)模型是基于分解——重構(gòu)——綜合的思想，有效地提高了模型對(duì)區(qū)間金融時(shí)間序列的預(yù)測(cè)精度

6、與可靠性（命中率）。本文選擇滬深300指數(shù)、澳大利亞股指以及外匯匯率作為實(shí)證市場(chǎng)與數(shù)據(jù)，建立了ARIMA、GARCH、BPNN（Back Propagation Neural Network）、EMD-BPNN、WD-BPNN、EMD-LPP-BPNN和FEPA七個(gè)預(yù)測(cè)模型，對(duì)收盤(pán)價(jià)的短期運(yùn)行趨勢(shì)做出預(yù)測(cè)。實(shí)證結(jié)果表明EMD-BPNN模型比ARIMA、GARCH和BPNN模型有更好的預(yù)測(cè)效果，這說(shuō)明對(duì)非線性非平穩(wěn)的金融時(shí)間序列進(jìn)行先分解

7、后組合的預(yù)測(cè)方法能有效地改進(jìn)預(yù)測(cè)精度。同時(shí)，實(shí)證結(jié)果還表明本文新提出的FEPA模型比EMD-BPNN模型又有所改進(jìn)，這說(shuō)明主成分分析能壓縮冗余數(shù)據(jù)，縮短訓(xùn)練時(shí)間，提高預(yù)測(cè)精度。
　　其次，現(xiàn)有的金融時(shí)間序列分析大多只考慮分析收盤(pán)價(jià)，但是股指每天都在最高價(jià)和最低價(jià)之間振蕩，如果只分析收盤(pán)價(jià)，就丟失了很多有用的數(shù)據(jù)信息，這會(huì)造成預(yù)測(cè)的信息不全面，不能滿(mǎn)足市場(chǎng)投資者的要求。本文引入?yún)^(qū)間EMD分解算法，考慮同時(shí)將最高價(jià)和最低價(jià)也納入到輸入

8、輸出之中。通過(guò)同時(shí)分析股指的收盤(pán)價(jià)、最高價(jià)和最低價(jià)，從而更好地把握股票指數(shù)這一區(qū)間時(shí)間序列的波動(dòng)情況及其走勢(shì)。實(shí)證結(jié)果表明將區(qū)間EMD分解算法應(yīng)用于FEPA模型能有效提高最高價(jià)和最低價(jià)的預(yù)測(cè)效果。
　　再次，現(xiàn)有的文獻(xiàn)中提出的計(jì)量經(jīng)濟(jì)模型大多數(shù)都是采用同一個(gè)時(shí)間尺度的數(shù)據(jù)進(jìn)行訓(xùn)練，這忽略了金融時(shí)間序列的多尺度特征。本文將滬深300指數(shù)收盤(pán)價(jià)的日數(shù)據(jù)和十五分鐘數(shù)據(jù)同時(shí)輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并與分別輸入日數(shù)據(jù)和十五分鐘數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模

9、型作比較。實(shí)證結(jié)果表明同時(shí)輸入兩個(gè)時(shí)間尺度數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型有更好的預(yù)測(cè)精度。當(dāng)然，這種多時(shí)間尺度的金融信息融合還有巨大的研究空間。
　　最后，考慮到金融經(jīng)濟(jì)全球化，世界金融市場(chǎng)之間的相互影響更加緊密。即便是預(yù)測(cè)單一市場(chǎng)的走勢(shì)，也需要尋找對(duì)該市場(chǎng)有重大影響的引導(dǎo)市場(chǎng)。本文在深入研究Copula理論的基礎(chǔ)上，將其運(yùn)用到全球主要股市的非對(duì)稱(chēng)相關(guān)性分析中。在分析全球主要股市指數(shù)對(duì)數(shù)收益率統(tǒng)計(jì)特征的基礎(chǔ)上，用Copula函數(shù)的相關(guān)度量來(lái)判