[發(fā)明專利]金融時間序列預(yù)測的量子粒子群優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法

在審

• 申請?zhí)枺?/td>: 201710362965.9
• 申請日: 2017-05-22
• 公開（公告）號: CN107194460A
• 公開（公告）日: 2017-09-22
• 發(fā)明（設(shè)計）人: 孟力;吳銘實
• 申請（專利權(quán)）人: 廈門大學(xué)
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N7/08;G06Q40/04
• 代理公司: 廈門南強之路專利事務(wù)所(普通合伙)35200
• 代理人: 馬應(yīng)森

技術(shù)領(lǐng)域

本發(fā)明涉及時間序列的分析與預(yù)測，尤其是涉及一種金融時間序列預(yù)測的量子粒子群優(yōu)化遞歸神經(jīng)網(wǎng)絡(luò)方法。

背景技術(shù)

時間序列的分析與預(yù)測在諸多領(lǐng)域具有重要的應(yīng)用價值。早期用于時間序列預(yù)測分析方法大多是線性模型，這些模型在理論與方法上具有一定的局限性。多數(shù)系統(tǒng)均具有復(fù)雜的非線性特征，引入非線性研究范式對時間序列進行分析和預(yù)測，通過非線性迭代、學(xué)習(xí)模型，近似描述混沌動力系統(tǒng)，是非線性時間序列預(yù)測理論發(fā)展的必然趨勢^[1]。

金融市場由于受多種因素影響因而是復(fù)雜非線性動力系統(tǒng)，金融時間序列具有的非平穩(wěn)性、弱混沌性等特點是金融市場復(fù)雜性的綜合外在表現(xiàn)。由于思維慣性，金融研究者們雖然承認金融運行的復(fù)雜性，但在理論基礎(chǔ)和研究方法上總是在刻意回避這種復(fù)雜性。長久以來，金融時間序列預(yù)測方法受制于以有效市場假說(EMH)統(tǒng)率的線性范式，在一系列理想的假設(shè)條件之上，線性范式把資產(chǎn)價格的波動歸因于外部隨機性因素。這一時期內(nèi)比較具有代表性的線性預(yù)測模型有自回歸移動平均(ARMA)模型、廣義自回歸條件異方差GARCH(Generalized ARCH)模型、馬爾可夫轉(zhuǎn)換過程(Markov Switching Process)等，然而資產(chǎn)收益率分布“尖峰厚尾”、波動率聚類、長期記憶”等市場非線性特征，宣布了線性范式的失靈，引入非線性研究范式對金融變量進行分析和預(yù)測，通過非線性迭代、學(xué)習(xí)模型，近似描述混沌動力系統(tǒng)，是金融市場理論發(fā)展的必然結(jié)果^[2],[3]。

混沌是金融時間序列非線性特征之一?；煦珙A(yù)測理論認為：一方面，混沌所具有的確定性特征使得很多看起來隨機的表象實際上是可以預(yù)測的；而另一方面，混沌現(xiàn)象所固有的對初始條件的極度敏感性，又在根本上限制了其長期預(yù)測效果。因而，混沌動力系統(tǒng)在短期內(nèi)的演化趨勢是可預(yù)測的，但長期預(yù)測不太現(xiàn)實^[4]。

人工神經(jīng)網(wǎng)絡(luò)具備超強的自組織與自適應(yīng)能力，以及對信息具有較好的容錯率與聯(lián)想記憶性，使其在預(yù)測混沌時間序列方面具有得天獨厚的優(yōu)勢。遞歸神經(jīng)網(wǎng)絡(luò)(RPNN)是專門針對混沌時間序列預(yù)測而設(shè)計的一種動態(tài)神經(jīng)網(wǎng)絡(luò)，是特殊的多重分支時間延遲神經(jīng)網(wǎng)絡(luò)。RPNN具有時間延遲多重分支，模擬了非線性動態(tài)系統(tǒng)的時序特性，具備存儲功能和聯(lián)想記憶能力^{[5],[6],[7],[8]}。

量子粒子群優(yōu)化算法(Quantum-Behaved Particle Swarm Optimization,QPSO)是從量子力學(xué)角度出發(fā)，利用量子測不準(zhǔn)原理和波函數(shù)描述粒子運動狀態(tài)，建立的一種新型PSO優(yōu)化算法，這種算法主要優(yōu)點是在感興趣的問題上保持了種群的多樣性，實驗結(jié)果表明,該方法可以提高問題求解的效率和收斂性^[9],^[10]。

參考文獻：

[1]Ricardo de A.Araújo and Tiago A.E.Ferreira,2009,“An intelligent hybrid morphological-rank-linear method for financial time series prediction”,Neurocomputing,Vol.72,Issue.10-12,pp.2507-2524.

[2]Tim Bollerslev,Ray Y.Chou and Kenneth F.Kroner,1992,“ARCH Modeling in Finance:A Review of the Theory and Empirical Evidence”,Journal of Econometrics,Vol.52,Issues.1–2,pp.5-59.

[3]Yongmiao Hong,Yanhui Liu and Shouyang Wang,2009,“Granger causality in risk and detection of extreme risk spillover between financial markets”,Journal of Econometrics,Vol.150,Issue.2,pp.271-287.

[4]E E Peters.Chaos and order in the capital markets[J],International Journal of Theoretical and Applied Finance,1991,32(3):675-702.