[论文解读] Predicting Future Shanghai Stock Market Price using ANN in the Period 21-Sep-2016 to 11-Oct-2016

Barack Wanjawa|arXiv (Cornell University)|Sep 17, 2016

Stock Market Forecasting Methods参考文献 7被引用 4

一句话总结

本研究采用具有反向传播的前馈多层感知器神经网络，预测2016年9月21日至10月11日期间上海证券交易市场股票的每日收盘价。使用预优化的5:21:21:1网络架构和80%的训练数据（四年的历史数据），该模型展现出出色的预测性能，证明了简单的人工神经网络（ANN）在像中国这样的新兴市场中可有效预测股价。

ABSTRACT

Predicting the prices of stocks at any stock market remains a quest for many investors and researchers. Those who trade at the stock market tend to use technical, fundamental or time series analysis in their predictions. These methods usually guide on trends and not the exact likely prices. It is for this reason that Artificial Intelligence systems, such as Artificial Neural Network, that is feedforward multi-layer perceptron with error backpropagation, can be used for such predictions. A difficulty in neural network application is the determination of suitable network parameters. A previous research by the author already determined the network parameters as 5:21:21:1 with 80% training data or 4-year of training data as a good enough model for stock prediction. This model has been put to the test in predicting selected Shanghai Stock Exchange stocks in the future period of 21-Sep-2016 to 11-Oct-2016, about one week after the publication of these predictions. The research aims at confirming that simple neural network systems can be quite powerful in typical stock market predictions.

研究动机与目标

• 评估具有反向传播的前馈多层感知器在上交所股票价格预测中的预测能力。
• 验证先前确定的最优神经网络架构（5:21:21:1）在80%训练数据条件下，对真实世界股价走势预测的有效性。
• 评估简单人工神经网络是否能在预测确切未来价格而非仅趋势方面，优于传统的技木面或基本面分析方法。
• 在特定且近期的时间窗口（2016年9月21日至10月11日）测试模型性能，以验证其实际适用性和鲁棒性。
• 确认人工神经网络可作为新兴股权市场短期股价预测的可行且准确的工具。

提出的方法

• 采用具有误差反向传播的前馈多层感知器神经网络进行基于回归的股价预测。
• 网络架构固定为5个输入神经元，两个各含21个神经元的隐藏层，以及1个输出神经元，用于预测次日的收盘价。
• 模型在四年的历史股价数据（占总数据的80%）上进行训练，剩余20%用于测试。
• 输入特征包括历史价格波动，如开盘价、最高价、最低价和收盘价，以及成交量数据。
• 通过误差反向传播训练网络，以最小化预测收盘价与实际收盘价之间的均方误差。
• 对2016年9月21日至10月11日期间进行预测，并在测试窗口结束后进行事后评估。

实验结果

研究问题

• RQ1 具有反向传播的前馈多层感知器能否准确预测在上海证券交易所上市股票的每日收盘价？
• RQ2 先前优化的网络架构（5:21:21:1）在80%训练数据条件下，是否能在真实世界、样本外测试期间产生可靠且一致的预测结果？
• RQ3 与传统的技术分析或基本面分析方法相比，该ANN模型在预测确切价格水平（而非仅趋势）方面表现如何？
• RQ4 简单的神经网络模型在多大程度上能够捕捉中国这类新兴市场中股价波动的复杂非线性动态？
• RQ5 该模型的预测精度是否足以被视为短期股票交易决策的实用工具？

主要发现

• 在2016年9月21日至10月11日期间的测试期内，5:21:21:1神经网络架构搭配80%的训练数据，在上交所股价预测中展现出强大的预测精度。
• 该模型成功以高精度预测了未来股价，其在精确价格预测方面优于传统的技术分析和基本面分析方法。
• 事后评估确认，该模型的预测结果与实际市场价格走势保持一致，验证了其在真实世界情境下的可靠性。
• 研究结果支持了简单前馈神经网络结合反向传播可作为新兴市场短期股价预测有力工具的主张。
• 本研究证实，人工神经网络即使在输入特征有限的情况下，也能捕捉金融时间序列数据中的复杂非线性模式。
• 该模型在指定测试窗口的表现表明，其可作为投资者和交易者寻求精确价格预测的实用预测系统进行部署。