1. 数据预处理

　　这里采用神经网络来预测每日期指波动幅度，因此在建模之前，首先需要对期指历史数据采用差分取绝对值处理。处理公式如下：

　　dPi=|Pi-Pi-1| （i≥2） （25）

　　其中，dPi为第i个交易日的一阶差分绝对值。

　　2. BP神经网络参数设置

　　根据上述构建的BP神经网络模型，本文选用3层网络模型。本文采用预测日前4天的每日波幅数据来预测预测日的波幅，即网络有4个输入节点，分别输入前4天的dPi。隐层节点数选择4，隐层节点的变换函数选择正切S型函数，输出节点的变换函数选择线性传递函数。 网络的最大迭代次数设为15000，学习目标值设为0.001，学习速率设为0.1。

　　四、股指期货短期价格预测模型的实证分析

　　（一）收盘价预测步骤

　　根据上述提供的期指波动方向与波动幅度的预测模型，我们可以预测期指的价格大小。将数据分为训练组和测试组，其中训练组占数据的2/3，测试组占数据的1/3。预测步骤如下：

　　第一步，利用训练组数据（前644个交易日收盘价）来训练神经网络。

　　第二步，计算出预测日的优化一阶导数指标di。

　　第三步，预测交易日的波动方向。

　　第四步，根据训练出来的神经网络预测交易日期指波幅。使用预测日前一日的期指，根据预测的波动方向加/减预测波幅。并返回第二步预测接下来的期指价格，循环进行，直到测试组最后一个交易日为止。

　　（二）评价指标的构建

　　图9中，实线代表原始测试组数据，虚线代表预测数据。可见虚线和实线基本吻合。另一方面，平均绝对误差MAE只有23.9044。

　　图10为每个预测日的误差绝对值，其中最大误差绝对值为136.576，最小误差绝对值为0.218。CSR为75.38%，说明有超过75%的交易日预测方向是准确的。

　　为了突出这个预测的优势，本文利用传统的BP神经网络预测与本预测做对比分析， 利用前述的神经网络参数设置， 以预测日前4天的收盘价作为神经元输入，通过MATLAB 7.0，得出以下结果：

　　MAE=51.8992 （30）

　　CSR=51.69% （31）

　　在图11中，实线代表原始测试组数据，虚线代表预测数据。与图9对比，预测值与原始值的吻合度明显偏低。从平均绝对误差MAE看，与本文提出的预测方法得出的MAE高近28（51.8992-23.9044）。

　　图12为传统的BP神经网络预测的每日误差绝对值，其中最大误差绝对值为329.6426，大大超过本文预测方法的最大误差绝对值。另外传统的BP神经网络预测的符号正确率仅为51.69%，效果很差，对于短期操作是致命的，而本文预测方法符号正确率高达75%以上，可以用于短期套利。

　　综上所述，本文提出的期指短期波动预测方法是可行的，也是比较优秀的。

　　五、结论与展望

　　参考文献：

　　[1]Brown，David P and Robert H Jennings. “On technical analysis.”Review of Financial Studies 2. 4 （1989）：527-551.

　　[2]Malkiel，Burton G，and Eugene F. Fama. “Efficient capital markets： A review of theory and empirical work*.” The journal of Finance 25. 2（1970）： 383-417.

　　[3]LONG，J BRADFORD，et al. “Positive feedback investment strategies and destabilizing rational speculation.” the Journal of Finance 45. 2（1990）：379-395.

　　[4]李聪. 基于 BP 神经网络的股票指数期货价格预测[D]. 青岛：青岛大学，2012.

　　[5]White，H. Economic prediction using neural networks： The case of IBM daily stock returns. In Neural Networks，1988. ，IEEE International Conference on （pp. 451-458）. IEEE.

　　[6]Kolarik，T & Rudorfer，G. （1994，August）. Time series forecasting using neural networks. In ACM Sigapl Apl Quote Quad（Vol. 25，No. 1，pp. 86-94）. ACM.

　　[7]Skabar，A. ，& Cloete，I. （2002，January）. Neural networks，financial trading and the efficient markets hypothesis. In Australian Computer Science Communications（Vol. 24，No. 1，pp. 241-249）. Australian Computer Society，Inc.

　　[8]Kim，Kyoung-jae，Ingoo Han and John S. Chandler. “Extracting trading rules from the multiple classifiers and technical indicators in stock market.” Proceedings of KMIS’98 International Conference. 1998.

　　[9]PALIT，Ajoy K. and Dobrivoje POPOVIC. “Computational Intelligence in Time Series Forecasting.” （2006）.

　　[10]韩力群. 人工神经网络教程[M]. 北京：北京邮电大学出版社，2006：29-67.

 

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。