類神經(jīng)網(wǎng)路與財務分析預測

類神經(jīng)網(wǎng)路與財務分析預測指導教授：陳牧言老師組員：資管四1劉柏駿陳柏村蔡信宏李志誠洪聲甫李紹剛1報告大綱緒論文獻探討研究方法實驗結(jié)果與分析結(jié)論參考文獻2023/5/312一、緒論

研究動機

研究目的

研究方法

研究資料與所需軟體3研究動機股票市場一直是一個風險極高的投資市場，原因在於影響股價的因素太多，使得股票市場難以預測假設類神經(jīng)網(wǎng)路能夠有效的模擬此類複雜系統(tǒng)的行為，則可以給予我們極大的幫助2023/5/314研究目的本研究預期達成的目標利用不同的演算法，比較何者能取得較佳的預測能力技術(shù)指標經(jīng)主成分分析萃取過後，是否能達到較高的預測能力比較預測模型應用於美國道瓊與臺灣大盤，是否有所差異2023/5/315研究方法文獻探討股票資料收集與整理技術(shù)指標計算資料正規(guī)化資料排序輸入值主成分分析類神經(jīng)模型分析結(jié)果輸出比較正確率2023/5/316研究資料與所需軟體研究資料美國道瓊：1993/02/15-2004/12/30，共2487筆臺灣大盤：1993/02/18-2021/01/20，共4442筆SPSS17.0進行主成分分析，萃取出價量值較高的技術(shù)指標NeuroSolution5建構(gòu)類神經(jīng)模型並輸出預測結(jié)果Excel進行預測值與實際值的準確率比較OSWindowsXP2023/5/317二、文獻探討

類神經(jīng)網(wǎng)路原理

類神經(jīng)網(wǎng)路類型

類神經(jīng)網(wǎng)路模型理論基礎8類神經(jīng)網(wǎng)路原理人工神經(jīng)元模型可用輸入值的加權(quán)乘積和之函數(shù)來表示：Xi：輸入變數(shù)，模仿生物神經(jīng)元的輸入訊號Yj=輸出變數(shù)，模仿生物神經(jīng)元的輸出訊號f

=轉(zhuǎn)換函數(shù)，仿生物神經(jīng)元的非線性處理機能Wij

=連接加權(quán)值，模仿生物神經(jīng)元的突觸強度Θj

=門限值，模仿生物神經(jīng)元的閥值又稱偏權(quán)值2023/5/319圖1.大腦神經(jīng)系統(tǒng)與人工網(wǎng)路系統(tǒng)(葉怡成,2004)類神經(jīng)網(wǎng)路類型監(jiān)督式學習網(wǎng)路(Supervisedlearningnetwork)多層感知網(wǎng)路(MultilayerPerception,MLP)支援向量機(SupportVectorMachine,SVM)倒傳遞網(wǎng)路〔Back-propagationNetwork,BPN〕機率神經(jīng)網(wǎng)路〔ProbabilisticNeuralNetwork,PNN〕學習向量量化網(wǎng)路〔LearningVectorQuantization,LVQ〕遞迴網(wǎng)路〔RecurrentNetworks,RN〕2023/5/3110類神經(jīng)網(wǎng)路類型非監(jiān)督式學習網(wǎng)路(Unsupervisedlearningnetwork)自組織映射網(wǎng)路〔Self-OrganizationMap,SOM〕自適應共振理論網(wǎng)路〔AdaptiveResonancetheoryNetwork,ART〕聯(lián)想式學習網(wǎng)路〔Associatelearningnetwork〕霍普菲爾網(wǎng)路〔HopfieldNeuralNetwork,HNN)雙向聯(lián)想記憶網(wǎng)路〔Bi-directionalAssociativeMemory,BAM〕最適化應用網(wǎng)路〔Optimizationapplicationnetwork〕霍普菲爾-坦克網(wǎng)路〔Hopfield-TankNeuralNetwork,HTN〕退火神經(jīng)網(wǎng)路〔AnnealedNeuralNetwork,ANN〕2023/5/3111類神經(jīng)網(wǎng)路模型理論基礎多層感知網(wǎng)路(MultilayerPerception,MLP)學習策略：監(jiān)督式學習網(wǎng)路架構(gòu)：前向式架構(gòu)主要應用：診斷預測、樣本識別、分類問題、函數(shù)合成主要特點：應用普遍、成功案例多、學習精度高、理論簡明2023/5/3112圖2.多層感知網(wǎng)路架構(gòu)，每一層神經(jīng)元間都有連繫關(guān)係的權(quán)重類神經(jīng)網(wǎng)路模型理論基礎自組織特徵映射網(wǎng)路(Self-OrganizingFeatureMapNetwork,SOFM)競爭式學習網(wǎng)路學習策略：無監(jiān)督式學習網(wǎng)路架構(gòu)：前向式架構(gòu)主要應用：聚類問題、拓樸映射主要特點：具有鄰近區(qū)域觀念、學習速度快2023/5/3113圖3.自組織學習方式類神經(jīng)網(wǎng)路模型理論基礎遞迴網(wǎng)路(RecurrentNetwork,RN)學習策略：監(jiān)督式學習網(wǎng)路架構(gòu)：回饋式架構(gòu)主要特點：非線性資料、預測與分析、最適化效果比SVM佳主要應用：股市預測、機器人、自適應控制、時間序列2023/5/3114圖4.MultilayerPerceptionNetwork與RecurrentNetwork類神經(jīng)網(wǎng)路模型理論基礎支援向量機(SupportVectorMachine,SVM)學習策略：監(jiān)督式學習網(wǎng)路架構(gòu)：前向式架構(gòu)主要應用：廣泛的應用於統(tǒng)計分類以及回歸分析中主要特點：同時最小化經(jīng)驗誤差與最大化幾何邊緣區(qū)2023/5/3115三、研究方法

資料來源

技術(shù)指標

輸入與輸出變數(shù)

資料正規(guī)化

資料排序16資料來源美國道瓊指數(shù)：每筆資料包含當日開盤價、最高價、最低價、收盤價、成交量訓練樣本共1987筆，1995/02/15~2003/01/06測試樣本共500筆，2003/01/07~2004/12/30臺灣股市大盤：每筆資料包含當日開盤價、最高價、最低價、收盤價訓練樣本共3552筆，1993/02/18~2006/06/27測試樣本共890筆，2006/06/28~2021/01/202023/5/3117技術(shù)指標(1)趨向指標(DurbinWatson,DW)(2)相對強弱指標(RelativeStrengthIndicator,RSI)2023/5/3118技術(shù)指標(3)價量指標(PriceVolumeIndicator,PVI)(4)價量變化指標(PriceVolumeChange,PVC)2023/5/3119技術(shù)指標(5)移動平均價指標(MovingAverageIndicator,MAI)(6)移動平均量指標(MovingVolumeIndicator,MVI)2023/5/3120技術(shù)指標(7)正量指標(PositiveVolumeIndex,PVI) 假設今日成交量「大於」昨日成交量，則 今日PVI=昨日PVI+今日股價漲跌幅 否則 今日PVI=昨日PVI+0(8)負向指標(NegativeVolumeIndex,NVI) 假設今日成交量「小於」昨日成交量，則 今日NVI=昨日NVI+今日股價漲跌幅 否則 今日NVI=昨日NVI+02023/5/3121輸入與輸出變數(shù)道瓊輸入變數(shù)DW5,DW10,DW20,DW30,RSI5,RSI10,RSI20,RSI30,PVI5,PVI10,PVI20,PVI30,PVC5,PVC10,PVC20,PVC30,MAI5_10,MAI5_20,MAI5_30,MAI10_20,MAI10_30,MAI20_30,MVI5_10,MVI5_20,MVI5_30,MVI10_20,MVI10_30,MVI20_30,PVI,NVI共計30個輸變數(shù)臺股輸入變數(shù)DW5,DW10,DW20,DW30,RSI5,RSI10,RSI20,RSI30,MAI5_10,MAI5_20,MAI5_30,MAI10_20,MAI10_30,MAI20_30,PVI,NVI共計18個輸入變數(shù)輸出變數(shù)以明天的收盤價減開盤價做為計算：IF(Close-Open)>0Then“result〞=1,Else“result〞=02023/5/3122資料正規(guī)化所有輸入變數(shù)，以標準差正規(guī)化：2023/5/3123資料排序?qū)⒌拉傊笖?shù)的訓練樣本，依照以下方式排序以每100筆資料為單位。將1~100筆資料，依照「result」由大到小排序，此時，1~50筆約為「漲」，51~100筆約為「跌」。將101~200筆資料，依照「result」由大到小排序，此時，101~150筆約為「漲」，151~200筆約為「跌」。依造上述規(guī)則，對1987筆的訓練樣本進行排序。500筆測試樣本不依照「result」排序，只依造時間序列排序。將臺股資料依造上述方式進行排序2023/5/3124四、實驗結(jié)果與分析

SPSS17.0主成分分析

NEUROSOLUTIONS5分析

EXCEL測試方法25SPSS17.0主成分分析：道瓊30個輸入變數(shù)，最後萃取出18個輸入變數(shù)「平方和負荷量萃取」達到94.795%2023/5/3126SPSS17.0主成分分析：臺股18個輸入變數(shù)，最後萃取出8個輸入變數(shù)「平方和負荷量萃取」達到95.183%2023/5/3127NEUROSOLUTIONS5分析：道瓊－MLP訓練樣本：1987筆正確率：跌97.75%，漲98.30%C.V.測試：30Folds正確率：跌98.08%，漲97.86%實際測試：500筆，正確率：100%2023/5/3128MICROSOFTOFFICEEXCEL測試方法將測試樣本帶入已經(jīng)訓練完成的類神經(jīng)模型，並將結(jié)果匯出，欄位命名為「Outresult」，數(shù)值為介於0~1之間的連續(xù)數(shù)將「Outresult」四捨五入為{0,1}，Excel函數(shù)=ROUND(C2,0)2023/5/3129MICROSOFTOFFICEEXCEL測試方法比較「result」與「四捨五入」是否相等，Excel函數(shù)=IF(B2=D2,"True","False")將False顯示為1，Excel函數(shù)=IF(E2="False",1,"")2023/5/3130MICROSOFTOFFICEEXCEL測試方法False計算次數(shù)，Excel函數(shù)=IF(F2=1,F2+G1,G1)，G1初始值=02023/5/3131MICROSOFTOFFICEEXCEL測試方法計算總筆數(shù)「Total」，Excel函數(shù)=COUNT(D2:D891)計算錯誤筆數(shù)「False」，Excel函數(shù)=COUNT(F2:F891)計算正確筆數(shù)「True」，Excel函數(shù)=F892-F893計算錯誤率，Excel函數(shù)=F893/F892*100計算正確率，Excel函數(shù)=F894/F892*1002023/5/3132NEUROSOLUTIONS5分析：道瓊－SOFM訓練樣本：1987筆正確率：跌98.39%，漲98.43%C.V.測試：30Folds正確率：跌85.35%，漲97.86%實際測試：500筆，正確率：54.4%2023/5/3133NEUROSOLUTIONS5分析：道瓊－RN訓練樣本：1987筆正確率：跌97.79%，漲98.28%C.V.測試：30Folds正確率：跌98.08%，漲97.86%實際測試：500筆，正確率：100%2023/5/3134NEUROSOLUTIONS5分析：道瓊－SVM訓練樣本：1987筆正確率：跌100%，漲100%C.V.測試：30Folds正確率：跌98.72%，漲67.61%實際測試：500筆，正確率：53.2%2023/5/3135NEUROSOLUTIONS5分析：臺股－MLP訓練樣本：3552筆正確率：跌98.28%，漲97.66%C.V.測試：30Folds正確率：跌98.17%，漲97.61%實際測試：890筆，正確率：100%2023/5/3136NEUROSOLUTIONS5分析：臺股－SOFM訓練樣本：3552筆正確率：跌98.17%，漲97.63%C.V.測試：30Folds正確率：跌98.17%，漲97.61%實際測試：890筆，正確率：76.7%2023/5/3137NEUROSOLUTIONS5分析：臺股－RN訓練樣本：3552筆正確率：跌98.28%，漲97.66%C.V.測試：30Folds正確率：跌98.17%，漲97.61%實際測試：890筆，正確率：100%2023/5/3138NEUROSOLUTIONS5分析：臺股－SVM訓練樣本：3552筆正確率：跌100%，漲100%C.V.測試：30Folds正確率：跌79.96%，漲98.26%實際測試：890筆，正確率：55.1%2023/5/3139五、結(jié)論40結(jié)論綜合以上實驗結(jié)果，製作如下表格：2023/5/3141結(jié)論訓練樣本經(jīng)由排序過後，能有效提高預測的準確率，未排序之前準確率約六成，排序過後準確率約九成。技術(shù)指標經(jīng)過萃取過後，確實能達到較高的預測能力，未經(jīng)萃取之前準確率約為八成，經(jīng)由萃取過後準確率約九成。類神經(jīng)預測模型應用於美國道瓊與臺灣大盤