SVM与BP网络对基金波动的预测效果比较分析.pdf

【市场研究】 SVM与 BP网络对基金波动的预测效果比较分析傅东升曹丽娟摘要:运用支持向量机(SupportVectorMachine,SVM )预测基金波动率时间序列,并将 Back-propagation (BP )神经网络作为基准方法,实验选取沪深交易所上市的 6只样本基金,根据选用的性能评价尺度:正则均方误差(NMSE ),平均绝对误差(MAE )以及方向对称(DS )指标, 仿真结果表明在预测基金波动率问题上,SVM比 BP有更好的预测精度。文章最后给出解释。关键词:支持向量机(SVM ) BP神经网络基金波动率预测 1、引言波动率(Volatility,或简称“波动”)是对资产投资收益率的变化程度的一种度量,可以理解为对价格变异性和随机性的度量,目前的研究中常用的波动度量方法是收益率的标准差。许多证券分析的方法也都依赖于对波动的估计以便度量投资于金融资产的风险。就基金管理而言,当基金经理对冲日常风险而需要决定对冲比率时或当风险管理者计算 VaR时都需要估计波动;当人们在对资产进行定价时,资产的价格或收益波动是一个很重要的因素;当市场监管者对市场的运行质量进行评价时,市场的波动是一个很重要的指标。截至 2006年 8月底,我国基金管理公司数量达到 57家,证券投资基金总规模达到 4566亿份、净值 5307亿元。在机构投资者逐渐走向我国证券市场主流的总体趋势之下,基金的波动和股票的波动一样得到更为广泛的关注。作为基金风险的代表,基金波动特的征明显不同于股票和股票市场指数,怎样采用科学方法,合理预测基金波动成为广大投资者和研究者关注的焦点之一。在有关基金预测的文献当中,预测方法主要分为两类: (1 )统计方法[1][2][3], (2 )人工智能方法[4]。统计方法有自回归 AutoRegression (AR ),移动平均 MovingAverage (MA ),自回归条件异方差 AutoregressiveConditionalHeteroskedasticity (ARCH )。传统方法是一种参数方法,首先要定义模型的具体形式,根据历史数据找出最优参数,所以,模型精度容易遭到模型定义错误的影响,导致模型不匹配问题。人工智能方法主要是神经网络方法。和传统的统计模型不同,神经网络是数据驱动的非参数模型,它们让“数据自己说话”。因此,和大多数参数模型相比,神经网络较少遇到模型误配问题。而且,神经网络具有较强的噪声容忍能力,能够用不完整甚至是缺失的数据来学****复杂系统。它们还具有柔性,能够用新的数据重新训练网络来学****动态系统。因此,和传统的统计模型相比,神经网络在描述基金的动态性方面具有更大的潜力。 Chiangetal.[3]比较了神经网络和传统的线性回归方法来预测基金的年末净值(NAV )方面的表现,发现神经网络有着更好的预测精度。 CarhartandKaraali[4]也用同样的方法来预测基金业绩上的效果,得到近似的结论。 Indroetal.[5]也发现在预测股票共同基金业绩方面,神经网络比传统计量方法有更好的预测精度。但是,神经网络也有很多缺点,首先,它容易陷入过度学****Overfitting”),原因在于神经网络贯彻了“经验风险最小原理(TheEmpiricalRiskMinimization,ERM )”。过度学****问题会降低神