基于神经网络对我国股票市场技术分析的实证检验

【摘要】 本文研究的主要目的是通过对我国股票市场进行实证分析,揭示运用技术分析这一分析工具在我国股票上进行投资是可行的。其大致思路是,通过介绍技术分析和神经网络的相关理论,利用BP神经网络对非线性问题的良好处理能力,对股票相关技术指标与收盘价进行训练,最后利用训练好的网络根据其他的技术指标进行价格预测,通过预测值与真实值的对比并得出相关结论。

【关键词】 技术分析 神经网络 BP算法

一、技术分析的理论基础

本文的理论基础是股市技术分析中道氏理论中的三大假设:其一,市场行为涵盖一切信息;其二,价格沿趋势移动;其三,历史会重演。根据道氏三大假设,股市是可以预测的,至少是短期可预测的。所谓股票的技术分析法是相对于基本面分析法而言的。技术分析法是通过图表或者技术指标的记录,研究市场过去以及现在的行为反映,以推测未来的价格变动趋势。其依据的技术指标的主要内容是由股票价格、成交量和指数的涨跌等数据计算所得。在此就本文中所使用的指标进行简单的介绍。

均线指标:实际上是移动平均线指标的简称。由于该指标是反映价格运行趋势的重要指标,其运行趋势一旦形成,将在一段时间内继续保持,趋势运行所形成的高点或低点又分别具有阻挡或支撑作用,因此均线指标所在的点位往往是十分重要的支撑或阻力位,这就为我们提供了买进或卖出的有利时机,均线系统的价值也正在于此。

KDJ指标:随机指标KDJ一般是根据统计学的原理,以最高价、最低价及收盘价为基本数据进行计算,得出的K值、D值和J值分别在指标的坐标上形成的一个点,连接无数个这样的点位,就形成一个完整的、能反映价格波动趋势的KDJ指标。它主要是利用价格波动的真实波幅来反映价格走势的强弱和超买超卖现象,在价格尚未上升或下降之前发出买卖信号的一种技术工具。它在设计过程中主要是研究最高价、最低价和收盘价之间的关系,同时也融合了动量观念、强弱指标和移动平均线的一些优点,因此,能够比较迅速、快捷、直观地研判行情。随机指标KDJ最早是以KD指标的形式出现,而KD指标是在威廉指标的基础上发展起来的。不过威廉指标只判断股票的超买超卖现象,在KDJ指标中则融合了移动平均线速度上的观念,形成比较准确的买卖信号依据。在实践中,K线与D线配合J线组成KDJ指标来使用。由于KDJ线本质上是一个随机波动的观念,故其对于掌握中短期行情走势比较准确。。

MACD指标:MACD称为指数平滑异同移动平均线(Moving Average Convergence and Divergence)。是从双移动平均线发展而来的,由快的移动平均线减去慢的移动平均线,MACD的意义和双移动平均线基本相同,但阅读起来更方便。当MACD从负数转向正数,是买的信号。当MACD从正数转向负数,是卖的信号。当MACD以大角度变化,表示快的移动平均线和慢的移动平均线的差距非常迅速的拉开,代表了一个市场大趋势的转变。MACD是一项利用短期移动平均线与长期移动平均线之间的聚合与分离状况,对买进、卖出时机作出研判的技术指标。

二、神经元

神经元是神经网络中的基本处理单位,图1是一种典型的神经元模型,它是模拟生物神经元的细胞体、树突、轴突、突触等主要部分而构成。

三、BP算法

1、BP算法的基本思想。学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播:输入样本->输入层->各隐层(处理)->输出层(若输出层实际输出与期望输出不符,则误差反向传播过程)。误差反向传播:输出误差(某种形式)->隐层(逐层)->输入层。其主要目的是通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值(其本质,是一个权值调整的过程)。权值调整的过程,也就是网络的学习训练过程(学习也就是这么的由来,即是权值调整)。

2、BP算法实现步骤。初始化;输入训练样本对,计算各层输出;计算网络输出误差;计算各层误差信号;调整各层权值;检查网络总误差是否达到精度要求。满足,则训练结束;不满足,则返回步骤2。

3、多层感知器(基于BP算法)的主要能力。第一,非线性映射:足够多样本学习训练能学习和存储大量输入-输出模式映射关系。只要能提供足够多的样本模式对供BP网络进行学习训练,它便能完成由n维输入空间到m维输出空间的非线性映射。第二,泛化:输入新样本->完成正确的输入、输出映射。第三,容错:个别样本误差不能左右对权矩阵的调整

4、标准BP算法的缺陷。第一,易形成局部极小(局部最优)而得不到全局最优。第二,训练次数多使得学习效率低下,收敛速度慢(需做大量运算)。第三,隐节点的选取缺乏理论支持。第四,训练时学习新样本有遗忘旧样本趋势。

四、神经网络特点及在证券市场的适用性

人工神经网络是由大量神经元的信息处理单元构成,其主要原理是模拟生物神经元之间的激励过程,通过这一复杂的过程来完成一系列的相关任务,神经网络具有以下较为突出特点:第一,具有自适应性,有强大的自主学习能力,可以通过训练样本根据样本信息及周围环境变化改变自身的网络结构,从而使自身能够以最有效的形式来模拟训练样本所隐含的环境。第二,能从训练样本中获取知识,并具有很好的记忆特征,可以用于处理一些环境复杂,推理并不明确的问题。第三,在非线性时间序列预测中,人工神经网络实现了非线性关系的隐式表达,不需要建立复杂系统的显示关系式。第四,神经网络的容错性强,可以处理信息不完全的预测问题。第五,由于神经网络具有一致逼近的能力,训练后的神经网络在样本点上输出期望值(误差在允许范围内),在非样本点上表现出神经网络的联想记忆功能。

股票市场是一个混沌的市场,具有很强的非线性特征:第一,对影响股市波动相同的因素来说,根据其对股市造成影响的时间不同,每次该项因素对股市影响的程度也不同,这与线性系统的特征是不相符的,这也就说明了股票市场的非线性性。第二,股票市场波动的突发性和剧烈程度,足以说明股票市场的非线性性。

通过以上可以看出由于股票市场存在非线性的特征,利用一般的线性分析工具来研究股票市场对研究结果将会造成很大的偏差,但神经网络理论,以其自身的特点,可以很好地将其运用于解决此类问题。

五、模型建立及实验过程

首先,模型设计的实验原理是基于具有3层结构的BP神经网络可以任意地去逼近任何函数,就其本身来说就相当于是一个“黑箱子”,只要你给定其相关的输入和输出,通过训练它就能一定模拟出一个复杂的函数来拟合你的这组输入和输出,从而得到满意的训练结果。

本文的数据选取的是中国银行的一些技术分析指标,它来源于大智慧软件的数据库,根据技术分析指标的分类结合聚类的思想,在每一类指标中选取具有代表性的一种来代表这一类指标,所以在这个模型中我选取了BIAS,KDJ,MACD,威廉指标和成交量,这几个指标中有的虽有些相同的性质,但由于它们都是一些常用指标,有一定的实用价值,也不失可作为输入数据。

本文的数据输出是每日收盘价的五日以用平均值。之所以选取均值作为输出主要是因为均值作为输出值相对来说较为平滑,这样无论是对训练还是预测都会得到比较理想的结果。接下来,就是模型的设计。根据问题,在输入层有5个输入所以需要有5个神经元,而输出层只需要一个神经元,根据经验公式隐含层神经元的个数为2n+1,其中n为输入层神经元的个数,所以隐含层的神经元个数为11个,这样一来,模型的基本框架就已经构成,其大致结构如图2。

以下是根据该模型用Matlab编的程序的主要部分:

net=newff(minmax(P),[11 1],{'tansig','purelin'});

net.trainParam.epochs=1000;

net.trainParam.goal=0.0001;

[net,tr]=train(net,P_train,T_train);

下面对整个程序做一个简单的介绍:首先,本文选取100组数据作为训练样本,对它们进行归一化处理,接着对它们进行训练,反归一化处理得出训练结果,分析结果再选取三组数据进行泛化性分析。其训练结果如下图3所示。然后分别用三组数据来测试训练结果,看其泛化性能是否好,期预测误差的结果如表1所示。

由训练结果我们可以看出该训练效果较好,由预测的误差结果可知它的泛化性能也相对较好,所以我们可以得出以下结论。

六、结论

从整个实证分析的过程可以看出技术分析在我国股票市场还具有一定的有效性,说明技术分析的一些指标还可以指导投资者进行证券投资。但从中我们也应该看到其中的一些不足:第一,由于该实验选取的是对单一股票的技术指标的检测,虽然中国银行属于大盘股,不易被庄家所控制,但它作为个股仍不能代表整个市场,所以至于技术分析是否对整个中国股市有效仍具有不确定性。第二,由于BP算法自身的一些缺陷也可能给实验带来一些误差影响。所以,投资者在投资前首先要认清大势,因为我国股市是一个政策市,它受政府相关政策影响的程度极大,所以投资者在投资前首先要进行基本面的分析,基本面的分析与技术分析的结合使用才是进行证券投资的首选方案。

(注:本文为武汉理工大学自主创新研究基金《基于神经网络系统分析我国股票市场的有效性》课题的系列研究成果之一,项目编号2010-VA-007JJ。)

【参考文献】

[1] Zvi Bodie:投资学[M].机械工业出版社,2006.

[2] 曹凤歧、刘力、姚长辉:证券投资学[M].北京大学出版社,2000.

[3] 高隽:人工神经网络原理及仿真实例[M].机械工业出版社,2007.

[4] 苑迪:基于动态神经网络的股价预测模型研究[D].湖南大学,2009.

[5] Duane Hanselman:精通Matlab7[M].清华大学出版社,2006.