作者｜ 马娟 王露 左黎明「江西外语外贸职业学院会计金融学院、华东交通大学系统工程与密码学研究所、江西省经济犯罪侦查与防控技术协同创新中心」
文章｜《当代金融研究》2019年第2期 「国家自然科学基金项目(11761033)，江西省教育厅科技项目(GJJ161417,GJJ170386)，江西省经济犯罪侦查与防控技术协同创新中心开放基金资助课题(JXJZXTCX-001)」
摘 要：股票价格预测是投资领域的一个重点关注课题。由于股票价格受到诸多非线性因素的影响，得到精确的预测结果较为困难。为了消除股票指标的多重共线性，采用Adaptive- Lasso算法对指标变量进行筛选，实现了数据降维。之后，利用灰色预测对股票价格影响指标进行预测，并在此基础上利用神经网络模型对股票收盘价进行预测。结果表明，利用灰色系统和BP神经网络结合的模型所得预测结果平均相对误差为0.095，且运行效率较高，对股票预测具有一定的积极意义。
关键词：灰色预测；BP神经网络；股票预测；Adaptive-Lasso算法
引 言
随着数据挖掘和云计算等新兴技术的广泛应用，建立数学模型对股票价格进行精准预测，有效规避可能存在的风险具有重要意义。股票预测一直受到国内外学者和相关金融从业人士的广泛关注和积极研究，当前关于股票预测的研究方法主要分为两类，一是传统统计方法，二是采用数 据挖掘技术的智能化方法。
传统统计方法易受到政治、经济环境等因素的影响，对影响股票的非 线性指标难以处理，导致预测结果不准确。近年来，出现大量采用数学模型进行股票分析的研究 并取得较好效果。2014年，李坤等提出一种小波支持向量机回归的股票预测模型，对13类行业的 股票大盘指数分析预测。2015年，Shan等采用小波变换、自回归积分移动平均模型、指数平滑模 型、BP神经网络和径向基神经网络等混合的方法对沪市和深市的股票进行分析预测，所得预测结果精度较高。2016年，Atsalakis等使用模糊神经网络预测短期股市趋势，并成功辨别出过去4个股 市大动荡时期交易数据的异常。Anish等通过基于最小二乘法训练的反馈型神经网络对股票进行 预测，提高了运算效率。2017年，唐艳琴等采用多输出的正则化方法预测股票走势，并与SVM支持向量机法比较，具有更高的准确率和更短的运行时间。2018年，Werner等利用神经网络优化后 的自回归条件异方差模型预测股票市场波动，结果更准确。然而，由于当前股票价格受到历史数 据、社会环境、选取的技术指标等诸多非线性因素的影响，选择合适的输入变量和数学模型对有效解释股票价格变化趋势具有重要意义。本文在Adaptive-Lasso变量筛选的基础上，对单个选定的影响因素建立灰色预测模型，并将预测结果带入利用历史数据训练好的神经网络模型中，得到充分考虑历史信息的预测结果，具有更高的准确性。
基于灰色系统和神经网络的股票价格预测
神经网络具有较强的适应性和容错能力，对历史数据建立训练模型，把灰色预测的数据结果代入训练好的模型中，能得到充分考虑历史信息的预测结果。将两者结合，能够很好地捕捉数据中的非线性特性，弥补单种预测的不足，充分发挥各自优势。
本文选取邦讯科技（300312）股票交易数据为实验对象，选择每日收盘价作为模型因变量，选择最高价、最低价、今日开盘价、昨日收盘价、涨跌额、涨跌幅、换手率、成交量、成交金额、 总市值、流通市值为自变量（下表1为创业板公司股票评价指标体系）。以2018年1月到2018年6月21日的交易数据为训练集，以 2018.6.22日到2018.6.29日的交易数据为检测集。
结论
基于灰色系统的神经网络预测股票价格的平均相对误差为0.095，即预测准确率为90.5%，与灰色系统和BP神经网络预测结果相比，具有更高的准确率，更高的运行效率。由于中国股市单日涨跌幅只有10%，而灰色预测所得相对误差为13.2%，因此，仅使用灰色预测所得结果不具备实际意义。仅使用BP神经网络预测虽然预测结果较准确，但运行耗时长，效率较低，本文将灰色预测与神经网络预测相结合整体实用性更优。
灰色预测和神经网络在信息预测方面具有广泛的应用，能够很好的解决非线性系统多变量预测问题。本文根据股票市场价格变化的特点，在使用Adaptive-Lasso法变量筛选的基础上，提出一种基于灰色预测的神经网络预测模型，有效消除了灰色预测容错性小、快速衰减或递增的缺点， 提高了预测准确率。将预测结果与检测集实际结果进行比较，表明以灰色预测所得的指标值为基础，利用神经网络预测的股票收盘价平均相对误差为0.095，对股票购买具有一定的指导作用。在本文工作基础上，如何改进模型算法使得股票预测结果更加准确是下一步的研究工作。
【免责声明】上游新闻客户端未标有“来源：上游新闻-重庆晨报”或“上游新闻LOGO、水印的文字、图片、音频视频等稿件均为转载稿。如转载稿涉及版权等问题，请与上游新闻联系。
