神经网络金融市场预测文献综述

罗仁骏（重庆工商大学财政金融学院，重庆 400000）

金融市场预测作为金融领域中较为独特的一块，经受了饱受争议到如今的百家争鸣。然而作为人民的心有所想，风险控制的需求等，金融市场预测愈发处于一个新兴且不断发展的态势，某种程度上而言，随着科技和模型方法的发展，金融市场预测也可谓金融领域寻求更多突破的领域之一。

1.金融市场的可预测性

市场有效性假设(EMH)是现代金融经济理论的基石之一。法玛(Fama,1970)指出，市场有效性一般区分为三个层次：弱有效、半强有效、强有效。而由于金融市场的多噪声，不稳定，影响因子多的特性，看上去仿佛遵循布朗运动，因此而认为对金融市场建立预测模型是没有意义的。于是最初的经典文献都着眼于金融市场的可预测性上面。Andrew W.Lo and A.Craig MacKinlay 在1988年对股价进行了随机游走检验，发现股票市场价格并不严格服从随机游走假设，其价格的变化具备一定的可预测性。至此以后，越来越多的学者对金融市场价格的可预测性进行深入的研究。如Cochrane(2005) 指出金融市场近年来所发现的最重要现象是股票和债券以及外汇市场的投资回报是可预测的; 国内学者如马树才，赵丰义 (2007)运用股市预期收益率模型从理论上探究阐述了股票市场具有某种程度的可预测性；与此同时，通过GARCH-M 模型验证中国沪深股票市场具有可预测性。

2.金融市场的预测方法

传统的金融市场预测方法主要有移动平均法、指数平滑法、分解法、季节系数法、Box-Jenkins 法、门限自回归模型及阈值自回归模型等方法。这些传统方法大都侧重于理论研究，而为了解决实际存在的问题，学者们逐渐把目光转向了非线性预测领域，使得非线性预测方法得到了迅速发展。

2.1 神经网络金融市场预测

在非线性方法中，神经网络是数据挖掘技术较早实现的方法之一。神经网络较传统的预测方法有其优势：(1)神经网络是一种自适应方法，通过对训练集的反复学习来调节自身的网络结构和连接权值，然后对未知的数据进行分类和预测；(2)神经网络可以以任意精度逼近任意函数；(3)网络研究的一个重要问题是泛化能力，即预测和训练数据差距比较大的数据的能力，泛化能力可以在训练网络的过程中不断提高；(4 神经网络是一个非线性模型，这使得它能够灵活地模拟现实世界中数据之间的复杂关系，具有对非线性数据快速建模的能力。1987年Lapedes 和Farber 首先应用了神经网络进行预测，神经网络在金融领域中的预测方法得到了广泛重视和研究。其真正应用于经济领域是在90年代。

目前在时间序列趋势预测中广泛使用的神经网络包括BP 神经网络、径向基函数(RBF)神经网络、Chebyshev 神经网络、Elman 网络、递归延迟网络等。自从BP 神经网络在1986年被提出后就被广泛的应用，因为它可以在复杂的，有噪声的环境下寻找到相对精确的结果，现今更多学者将神经网络同数据分析方法相结合以寻求更好的预测精度。薛永刚等(2014)采用多分辨分析技术分解深圳成分指数得到多个子序列，然后采用神经网络技术对每个子序列分别建立预测模型，将各个预测结果叠加后得到最终预测结果。蒋辉(2013)提出了基于灰色残差模型和反向传播神经网络的股指动态预测方法，并运用多元线性回归模型对两种动态预测结果进行拟合，经过实证分析表明动态预测模型通过及时调整新数据对后续预测的影响，能够取得较高的预测精度。刘娜等(2011)运用小波分解与重构技术构建小波神经网络短期预测模型的方法来解决股价预测的问题，结果小波神经网络比反向传播神经网络模型预测效果更好，具有更高的精度，具有实际的推广应用价值肖斌卿等人（2016）通过模糊理论改进形成的模糊神经网络相比于BP 神经网络得到更好的小微企业的不良贷款检测正确率，能够有效运用于小微企业的信用评级模型构建。

2.2 深度学习神经网络

“深度学习”一词最初是由Dechter 于1986年引入机器学习。目前，深度学习模型主要是指可学习或可训练的深度神经网络DNN(Deep Neural Networks)，尽管广义的深度学习不应局限于此。深度神经网络首先是突破了前馈神经网络的局限性，使得隐含层的层数可以达到10 层以上，甚至没有理论上限，关键是找到了这种深度神经网络的学习或训练算法，克服了原来多层神经网络训练算法中所存在的梯度消失、梯度爆炸、过度拟合等问题。安宁宁(2015)报告了将自编码器用于秒级的股指期货价格预测，并基于这种预测设计交易策略，取得了显著的实证结果。Koutnik 等(2014)提出的时钟驱动递归神经网络(CW-RNN)是一个递归神经网络的改良，是一种使用时钟频率来驱动的递归神经网络。它将隐含层分为几个组，每一组按照自己规定的时钟频率对输入进行处理。通过不同的隐含层模块在不同的时钟频率下工作，时钟驱动递归神经网络解决了长时间依赖问题。将时钟时间进行离散化，然后在不同的时间点，不同的隐含层组工作。孙瑞齐（2015）使用LSTM 神经网络对美股股指价格趋势进行预测研究，使用拟牛顿法加快了学习速率，并取得更精准的预测结果。

3.总结

通过对金融市场的可预测性和预测方法的文献梳理得到了金融市场预测的现状，同时确认了深度学习神经网络在金融市场预测上仍大有可为且具备研究的必要，现阶段国内外相关文献仍然较少。同时深度学习神经网络由于其可调参数，模型结构都会对结果产生影响，研究前景广阔。金融市场预测模型作为智能金融投顾的基础模块之一，能有效帮助并实现智能选股，构建并优化投资组合，具备足够的可行性。