劉 斌

(興業(yè)證券股份有限公司,福州 350001)

1 引言

隨著社交媒介的迅猛發(fā)展,社交媒介平臺成為股市參與者分享、獲取和發(fā)布觀點(diǎn)信息的重要渠道,這些信息對股市的影響日益凸顯,通過社交媒介觀點(diǎn)信息的精確情感量化,構(gòu)建股市預(yù)測模型,有助于提升市場預(yù)測水平,增加投資者決策依據(jù).近年來,行為金融學(xué)的研究成果表明,投資者是非理性的,其情緒對股市收益產(chǎn)生重要影響.社交媒介中大眾的情感表達(dá)捕捉股民心理情緒,基于情感分析可用于股市預(yù)測.因此股市預(yù)測可融合社交媒介數(shù)據(jù),借助基于情感分析的智能預(yù)測模型進(jìn)行建模預(yù)測.研究學(xué)者們基于社交媒介情感分析的股市預(yù)測進(jìn)行了許多有益的研究[1].在傳統(tǒng)的股市預(yù)測模型中,由于社交媒介尚未出現(xiàn),缺乏可以利用的社交媒介信息;在社交媒介廣泛應(yīng)用以來,雖然情感信息作為重要的因素被引入到現(xiàn)有預(yù)測模型中,但是缺乏針對股市特定的情感量化,嚴(yán)重限制了預(yù)測精度.因此,股市預(yù)測研究中存在著大眾情感度量不夠全面等問題.為此,本文建立了一種基于社交情感分析的股市預(yù)測模型.首先,基于異構(gòu)圖模型的證券情感量化方法對多個(gè)社交媒介的數(shù)據(jù)進(jìn)行情感分析.然后,基于自組織神經(jīng)網(wǎng)絡(luò)模型對情感序列及行情指數(shù)序列進(jìn)行建模,分析情感與行情指數(shù)的關(guān)系,嘗試對股票指數(shù)進(jìn)行預(yù)測.

2 相關(guān)工作

股票作為投資領(lǐng)域重要的工具之一,股票價(jià)格的波動(dòng)以及能否被預(yù)測一直是證券領(lǐng)域最受關(guān)注的問題之一.股市預(yù)測作為重要的研究內(nèi)容得到了廣泛關(guān)注.國內(nèi)外研究學(xué)者對于股市預(yù)測模型進(jìn)行了深入的研究,預(yù)測方法大體可以分成兩大類:以統(tǒng)計(jì)原理為基礎(chǔ)的預(yù)測模型和智能預(yù)測模型.以統(tǒng)計(jì)原理為基礎(chǔ)的預(yù)測模型中具有代表性是自回歸條件異方差(ARCH)模型和隨機(jī)波動(dòng)(SV)模型;而智能預(yù)測模型則以支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等模型為基礎(chǔ)進(jìn)行股市的預(yù)測.

2.1 以統(tǒng)計(jì)原理為基礎(chǔ)的預(yù)測模型

(1)GARCH模型

國內(nèi)外學(xué)者對ARCH模型以及變種模型進(jìn)行了大量研究,研究結(jié)果也表明該模型在時(shí)間序列預(yù)測方面具有不錯(cuò)的性能.如魏巍賢等[2]應(yīng)用廣義自回歸條件異方差(GARCH)模型及其兩種非線性修正模型(QGARCH模型和GJR模型)預(yù)測中國股票市場的波動(dòng).趙華等[3]基于誤差項(xiàng)服從正態(tài)分布、t分布、廣義誤差分布的GARCH族模型和MRS—GARCH模型對中國股市波動(dòng)的結(jié)構(gòu)變化特征進(jìn)行了驗(yàn)證研究.楊繼平等[4]將馬爾科夫結(jié)構(gòu)與GARCH模型相結(jié)合,提出基于馬爾可夫結(jié)構(gòu)轉(zhuǎn)換參數(shù)與非參數(shù)GARCH(MRSGARCH)模型對我國滬深股市的波動(dòng)率進(jìn)行估計(jì)和預(yù)測.曾慧[5]采用ARCH模型及其擴(kuò)展模型對上證綜合指數(shù)的波動(dòng)性進(jìn)行驗(yàn)證研究.

(2)SV模型

Yu等[6]應(yīng)用基本SV模型對新西蘭的股市進(jìn)行預(yù)測,預(yù)測結(jié)果表明SV模型在股市預(yù)測方面具有良好性能.Durham[7]提出充分利用混合SV模型在獲取數(shù)據(jù)顯著特征上的優(yōu)勢,運(yùn)用混合SV模型對標(biāo)普500指數(shù)進(jìn)行預(yù)測,取得了不錯(cuò)的效果.楊克磊等[8]利用隨機(jī)波動(dòng)模型對上海股市和深圳股市的波動(dòng)特性進(jìn)行建模和比較分析.周彥等[9]利用基于Markov鏈的Monte Carlo模擬積分方法對連續(xù)時(shí)間的SV模型進(jìn)行估計(jì),選取上海股市的日綜合指數(shù)進(jìn)行驗(yàn)證研究.梁艷等[10]通過建立擴(kuò)展的SV模型,分析了隔夜信息對上證綜合指數(shù)、深圳成分指數(shù)和香港恒生指數(shù)的影響,發(fā)現(xiàn)隔夜信息對三大股指均有預(yù)測能力.上述Garch模型以及SV模型等以統(tǒng)計(jì)原理為基礎(chǔ)的預(yù)測模型只有在大型樣本集以及樣本分布較好的情況才取得較好的效果.因此學(xué)者們對股市的智能預(yù)測模型進(jìn)行了積極探索.

2.2 智能預(yù)測模型

(1)支持向量機(jī)模型

支持向量機(jī)(Support Vector Machine,SVM)是Corinna Cortes和Vapnik等[11]于1995年依據(jù)統(tǒng)計(jì)學(xué)習(xí)理論首先提出的,它在解決小樣本、非線性及高維模式識別中有特定的優(yōu)勢,是有監(jiān)督的學(xué)習(xí)模型.研究學(xué)者將支持向量機(jī)模型運(yùn)用于股票價(jià)格的預(yù)測.P.F.Pai等[12]充分利用ARIMA和SVM模型的優(yōu)點(diǎn),將兩個(gè)模型融合在一起提出ARIMA-SVM模型用于股票價(jià)格的預(yù)測.楊耀宇[13]基于主成分分析和支持向量回歸機(jī)股市預(yù)測模型對滬深300指數(shù)進(jìn)行驗(yàn)證研究,研究結(jié)果表明該模型的有效性.李坤等[14]將小波理論與支持向量機(jī)方法相結(jié)合,結(jié)合了二者的優(yōu)勢,提出了一種小波支持向量機(jī)回歸的股票預(yù)測模型.該模型引入小波基函數(shù)來構(gòu)造支持向量機(jī)的核函數(shù),得到了一個(gè)新的支持向量機(jī)模型,實(shí)驗(yàn)取得了良好的效果.陳彭冰等[15]基于時(shí)序數(shù)據(jù)的先驗(yàn)知識對傳統(tǒng)的支持向量機(jī)的回歸模型做了一定的改進(jìn),構(gòu)建了改進(jìn)的支持向量回歸機(jī)模型,并使用該模型對中國股票市場指數(shù)時(shí)間序列進(jìn)行了預(yù)測,預(yù)測結(jié)果表明了改進(jìn)模型的有效性.

(2)神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)不需要建立所要研究的問題的精確邏輯和數(shù)學(xué)模型,而是模仿人腦的思維方式構(gòu)造神經(jīng)網(wǎng)絡(luò)算法,只要直接輸入數(shù)據(jù)就可以得到結(jié)果,在解決具有復(fù)雜的不確定性的問題上具有良好效果,但是神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)是容易過擬合和得到局部最優(yōu)解.許多研究學(xué)者運(yùn)用神經(jīng)網(wǎng)絡(luò)對股市進(jìn)行預(yù)測.王上飛等[16]從非線性時(shí)間序列預(yù)測的角度出發(fā),將徑向基(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)應(yīng)用于股票預(yù)測,取得了較好的預(yù)測效果.杜愛玲等[17]設(shè)計(jì)BP (Back Propagation)網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)及廣義回歸神經(jīng)網(wǎng)絡(luò)(Genera-lized Regression Neural Network,GRNN),并對各種網(wǎng)絡(luò)在股市預(yù)測中的應(yīng)用進(jìn)行了比較分析.楊帆[18]研究了利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化,以提高預(yù)測的速度和精度.采用上證50指數(shù)進(jìn)行了驗(yàn)證分析.把指數(shù)價(jià)格前一天的收盤價(jià)和當(dāng)天的開盤價(jià)作為輸入樣本,預(yù)測當(dāng)天的收盤價(jià).李聰[19]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對股票指數(shù)期貨價(jià)格進(jìn)行預(yù)測.馬東宇[20]提出基于Gaussian型RBF神經(jīng)網(wǎng)絡(luò)模型對股市進(jìn)行預(yù)測.研究表明基于神經(jīng)網(wǎng)絡(luò)的股市預(yù)測模型是可行的且具有良好的應(yīng)用前景.綜上,將股市預(yù)測模型方法總結(jié)如表1所示.

表1 股市預(yù)測方法比較

這些模型均從股票指數(shù)本身因素出發(fā)研究股市的變化進(jìn)行預(yù)測,未充分結(jié)合外部因素.因此研究學(xué)者們還研究在上述模型之中融合各種影響股市的因素進(jìn)行股市的有效預(yù)測.隨著社交媒介的快速發(fā)展,基于情感分析的股市預(yù)測研究也引起了國內(nèi)外學(xué)者的廣泛關(guān)注.Gilbert和Karahalios等[21]利用LiveJournal博客數(shù)據(jù)構(gòu)建了評估大眾的恐慌情緒指數(shù),通過格蘭杰因果框架分析發(fā)現(xiàn)大眾恐慌情緒的增強(qiáng)可以預(yù)測標(biāo)普500指數(shù)的下降趨勢.通過研究結(jié)果表明結(jié)合社交情感分析的結(jié)果有利于股市的預(yù)測.因此本文將基于神經(jīng)網(wǎng)絡(luò)模型充分融合社交媒介分析的結(jié)果進(jìn)行股市預(yù)測的研究.

3 融合社交情感分析的神經(jīng)網(wǎng)絡(luò)預(yù)測

3.1 情感量化

文獻(xiàn)[22]中分析了不同情感量化的方法,并基于前人研究的基礎(chǔ)提出了異構(gòu)圖模型對微博等短文本進(jìn)行情感量化,充分融合上下文的信息,通過真實(shí)的數(shù)據(jù)也證實(shí)了方法的有效性.因此本文采用異構(gòu)圖模型對社交媒介的帖子進(jìn)行情感量化.該方法的核心關(guān)鍵是計(jì)算證券情感詞的權(quán)重,為了獲取證券領(lǐng)域的情感傾向,在利用該方法進(jìn)行帖子的情感量化時(shí),所基于的傾向性文檔集采用了證券領(lǐng)域帶有傾向性的文檔.證券情感量化具體過程按如下步驟進(jìn)行:

1)預(yù)處理:對證券傾向性文檔進(jìn)行預(yù)處理,包括去除標(biāo)點(diǎn)符號、網(wǎng)頁鏈接、表情符號、特殊符號等噪聲,分詞,去除停用詞.

2)基于異構(gòu)圖的證券情感詞賦權(quán):為了獲取證券領(lǐng)域特定情感詞的權(quán)重,通過二分連接圖采用迭代計(jì)算的方式獲得證券情感詞權(quán)重.

3)情感量化:基于情感詞統(tǒng)計(jì)的方法量化每個(gè)文檔帖子中的情感.

3.2 預(yù)測模型構(gòu)建

本文構(gòu)建了融合社交情感分析的自組織模糊神經(jīng)網(wǎng)絡(luò)模型(IS_SOFNN)應(yīng)用于股指的預(yù)測,充分利用模型自組織、自適應(yīng)的特性,挖掘多源情感指數(shù)的內(nèi)在規(guī)律,提升股指預(yù)測的精確度.

圖1 自組織模糊神經(jīng)網(wǎng)絡(luò)預(yù)測流程

融合股吧情感量化的結(jié)果采用自組織模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行股指的預(yù)測,其整個(gè)預(yù)測流程如圖1所示.輸入的時(shí)間序列為歷史股票指數(shù)、基于股吧情感量化的情感指數(shù),經(jīng)過自組織模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)預(yù)測,輸出預(yù)測的股票指數(shù).其中自組織神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示.

圖2 融合情感指數(shù)的自組織模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第一層為輸入層,輸入歷史的股票指數(shù)和情感指數(shù),通過式(1)計(jì)算,其中股票指數(shù)以及情感指數(shù)表示成向量X(t),τ表示延時(shí)天數(shù).

第二層為模糊化層,這一層節(jié)點(diǎn)被分為多個(gè)組,每一組代表一條模糊規(guī)則的前件部分,每一節(jié)點(diǎn)通過式(2)計(jì)算輸入變量的隸屬度值,其中mij和σij分別表示節(jié)點(diǎn)的均值和方差.

第三層用于實(shí)現(xiàn)模糊邏輯規(guī)則的前提匹配,規(guī)則節(jié)點(diǎn)完成模糊“與”運(yùn)算,如式(3)所示,其中,λk(X(t))表示連接模糊規(guī)則k的乘積,o表示第o個(gè)隸屬函數(shù),與規(guī)則k相連.

第四層連接實(shí)現(xiàn)模糊“或”運(yùn)算,把具有同樣結(jié)果的激發(fā)規(guī)則通過式(4)和式(5)進(jìn)行集成,其中μ和σ分別為輸出的均值和方差,wμk和wσk為權(quán)重,初始設(shè)置值由o確定,在訓(xùn)練過程不斷地被更新.

第五層為輸出層,輸出預(yù)測值,如式(6)所示,其中W表示權(quán)重,為預(yù)測股指的結(jié)果.

融合社交情感分析的自組織模糊神經(jīng)網(wǎng)絡(luò)預(yù)測算法如表2所示.

4 模型驗(yàn)證

4.1 數(shù)據(jù)集

東方財(cái)富網(wǎng)以其用戶量、活躍度和影響力等成為股民最常用的社交媒介,因而本文股吧數(shù)據(jù)采自于東方財(cái)富網(wǎng)股吧(http://guba.eastmoney.com).同時(shí)采用最被廣泛運(yùn)用的情感詞匯——知網(wǎng)來作為本文情感分析的詞典基礎(chǔ).為了驗(yàn)證本文所量化情感對股市變化影響的作用,以及融合該情感神經(jīng)網(wǎng)絡(luò)模型的有效性,在股吧的數(shù)據(jù)集上進(jìn)行驗(yàn)證.

4.2 評價(jià)指標(biāo)

本文采用評價(jià)預(yù)測結(jié)果好壞的評價(jià)指標(biāo)分別為平均絕對百分比誤差和漲跌準(zhǔn)確率,其中漲跌準(zhǔn)確率衡量的是股市趨勢預(yù)測的準(zhǔn)確性,當(dāng)預(yù)測的指數(shù)與實(shí)際指數(shù)變化方向一致時(shí),表明預(yù)測正確,而后統(tǒng)計(jì)預(yù)測正確的次數(shù)占總預(yù)測次數(shù)的比例,以此衡量預(yù)測精度.當(dāng)預(yù)測結(jié)果與真實(shí)結(jié)果越接近時(shí),平均絕對百分比誤差越小,其漲跌準(zhǔn)確率越高.這兩個(gè)指標(biāo)通過式(7)和式(8)計(jì)算.

1)平均絕對百分比誤差:Mean Absolute Percentage Error (MAPE)

其中N表示統(tǒng)計(jì)天數(shù),yi為第i天的預(yù)測指數(shù),GZi為第i天的股票指數(shù).

2)漲跌準(zhǔn)確率:Direction accuracy (up or down)

其中,N表示統(tǒng)計(jì)的天數(shù),θ表示漲跌方向是否一致,通過式(9)計(jì)算.

其中yi為第i天的預(yù)測指數(shù),GZi為第i天的滬深300指數(shù).

利用文獻(xiàn)[22]中的異構(gòu)圖模型對東方財(cái)富網(wǎng)股吧的短文本內(nèi)容進(jìn)行情感量化,得到的情感序列曲線與滬深300指數(shù)的疊加圖如圖3所示.由圖3可以看出基于股吧數(shù)據(jù)的情感指數(shù)曲線與滬深300指數(shù)的曲線升降趨勢較為一致,表明了在這一段時(shí)間內(nèi)大眾在股吧所表現(xiàn)的情感較好地反映在了股票指數(shù)上.

圖3 基于股吧數(shù)據(jù)的情感曲線圖

對股吧情感指數(shù)與滬深300指數(shù)進(jìn)行格蘭杰因果檢驗(yàn)分析,格蘭杰因果檢驗(yàn)結(jié)果如表2所示.

表2 股吧情感指數(shù)的格蘭杰因果檢驗(yàn)結(jié)果

由表2可知P=0.012,P<0.05,因此通過上述計(jì)算的情緒指數(shù)是引起滬深300指數(shù)變化的格蘭杰原因.其分析結(jié)果更進(jìn)一步表明了基于股吧的大眾情感指數(shù)與滬深300指數(shù)具有緊密聯(lián)系.

為了驗(yàn)證本文提出的預(yù)測模型的有效性,本文同樣采用融合情感指數(shù)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型(IS_BP)進(jìn)行預(yù)測實(shí)驗(yàn),針對實(shí)驗(yàn)結(jié)果進(jìn)行比較.基于IS_BP模型對滬深300指數(shù)進(jìn)行預(yù)測的實(shí)驗(yàn)結(jié)果如圖4所示,基于IS_SOFNN模型對滬深300指數(shù)進(jìn)行預(yù)測的實(shí)驗(yàn)結(jié)果如圖5所示.通過圖5和圖6對比,可以看出在5月11日至5月28日期間以及6月10日至6月17日期間,IS_SOFNN模型預(yù)測出的指數(shù)與真實(shí)的滬深300指數(shù)較為接近,而在其他時(shí)間段預(yù)測結(jié)果卻有一定偏差.通過圖6可知,基于股吧數(shù)據(jù)預(yù)測的指數(shù)曲線大部分點(diǎn)圍繞在真實(shí)滬深300指數(shù)曲線上,表明本文所提出的模型具有一定的預(yù)測效果.

數(shù)據(jù)預(yù)測結(jié)果如表3所示,基于IS_SOFNN模型預(yù)測結(jié)果的MAPE值和漲跌準(zhǔn)確率兩個(gè)評價(jià)指標(biāo)均優(yōu)于基于IS_BP模型預(yù)測的結(jié)果,說明了本文提出的模型能有效提升預(yù)測性能.

圖4 基于IS_BP模型預(yù)測股指與滬深300指數(shù)對比

圖5 基于IS_SOFNN模型預(yù)測股指與滬深300指數(shù)對比

圖6 銀行行業(yè)情感指數(shù)與銀行行業(yè)指數(shù)對比

表3 預(yù)測結(jié)果

現(xiàn)有基于社交媒介的股市預(yù)測研究中,大都基于宏觀的角度分析大眾情感用于預(yù)測,而對于行業(yè)板塊的分析較少.本文利用股吧數(shù)據(jù)的特性,將其分行業(yè)進(jìn)行研究.取申萬行業(yè)指數(shù)代表行業(yè)的整體狀況,運(yùn)用IS_SOFNN模型對銀行和非銀金融行業(yè)進(jìn)行預(yù)測.

銀行行業(yè)情感指數(shù)與銀行行業(yè)指數(shù)對比如圖6所示.銀行行業(yè)情感曲線和銀行行業(yè)指數(shù)曲線的走勢較為一致,股吧上有關(guān)銀行行業(yè)的情感較能反映股市中銀行行業(yè)整體的狀況.

基于情感指數(shù)預(yù)測的股指與銀行行業(yè)指數(shù)對比如圖7所示.由圖7可知,基于股吧銀行情感指數(shù)預(yù)測的股指曲線與銀行行業(yè)指數(shù)曲線升降趨勢較為一致,點(diǎn)數(shù)預(yù)測也較為接近.

圖7 基于情感指數(shù)預(yù)測的股指與銀行行業(yè)指數(shù)對比

銀行行業(yè)指數(shù)的預(yù)測結(jié)果如表4所示,其預(yù)測結(jié)果的MAPE值為3.3%,漲跌準(zhǔn)確率為76.19%,兩個(gè)評價(jià)指標(biāo)均優(yōu)于基于股吧整體數(shù)據(jù)預(yù)測的結(jié)果.

表4 銀行行業(yè)指數(shù)的預(yù)測結(jié)果

非銀金融行業(yè)情感指數(shù)與非銀金融行業(yè)指數(shù)對比如圖8所示.由圖8可以看出,非銀金融行業(yè)的情感曲線和非銀金融行業(yè)指數(shù)曲線的走勢較為一致,股吧上有關(guān)非銀金融行業(yè)的情感較能反映股市中非銀金融行業(yè)整體的狀況.

圖8 非銀金融行業(yè)情感指數(shù)與非銀金融行業(yè)指數(shù)對比

基于情感指數(shù)預(yù)測的股指與非銀金融行業(yè)指數(shù)對比如圖9所示.由圖9可知,基于股吧非銀金融情感指數(shù)預(yù)測的股指曲線與非銀金融行業(yè)指數(shù)曲線升降趨勢較為一致,點(diǎn)數(shù)預(yù)測也較為接近.

圖9 基于情感指數(shù)預(yù)測的股指與非銀金融行業(yè)指數(shù)對比

非銀金融行業(yè)指數(shù)的預(yù)測結(jié)果如表5所示,其預(yù)測結(jié)果的MAPE值為1.9%,漲跌準(zhǔn)確率為80.95%,兩個(gè)評價(jià)指標(biāo)均優(yōu)于基于股吧整體數(shù)據(jù)預(yù)測的結(jié)果.以上兩個(gè)分行業(yè)的驗(yàn)證研究表明,在股吧數(shù)據(jù)中分行業(yè)進(jìn)行預(yù)測研究,其針對性,主題性更強(qiáng),其預(yù)測的結(jié)果也更好.

表5 非銀金融行業(yè)指數(shù)的預(yù)測結(jié)果

5 結(jié)束語

本文針對以往研究對大眾情感的度量不夠全面的問題,通過研究社交媒介數(shù)據(jù)進(jìn)行大眾情感分析,并基于該情感指數(shù)利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行股票指數(shù)的預(yù)測研究,提出融合社交情感分析的自組織模糊神經(jīng)網(wǎng)絡(luò)模型.實(shí)驗(yàn)結(jié)果表明,與融合情感得分的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比,本文提出的模型能更好地預(yù)測股票指數(shù).最后本文從更加微觀的角度研究股市的預(yù)測,在銀行和非銀金融行業(yè)上進(jìn)行預(yù)測分析,其結(jié)果表明細(xì)粒度的情感分析對于行業(yè)指數(shù)的預(yù)測具有更佳的性能,其針對性更強(qiáng).

1Bollen J,Mao HN,Zeng XJ.Twitter mood predicts the stock market.Journal of Computational Science,2011,2(1):1-8.[doi:10.1016/j.jocs.2010.12.007]

2魏巍賢,周曉明.中國股票市場波動(dòng)的非線性GARCH預(yù)測模型.預(yù)測,1999,(5):47-49.

3趙華,蔡建文.基于MRS-GARCH模型的中國股市波動(dòng)率估計(jì)與預(yù)測.數(shù)理統(tǒng)計(jì)與管理,2011,30(5):912-921.

4楊繼平,袁璐,張春會.基于結(jié)構(gòu)轉(zhuǎn)換非參數(shù)GARCH模型的VaR估計(jì).管理科學(xué)學(xué)報(bào),2014,17(2):69-80.

5曾慧.ARCH模型對上證指數(shù)收益波動(dòng)性的實(shí)證研究.統(tǒng)計(jì)與決策,2005,(6):97-98.

6Yu J.Forecasting volatility in the New Zealand stock market.Applied Financial Economics,2002,12(3):193-202.[doi:10.1080/09603100110090118]

7Durham GB.SV mixture models with application to S&P 500 index returns.Journal of Financial Economics,2007,85(3):822-856.[doi:10.1016/j.jfineco.2006.06.005]

8楊克磊,毛明來,徐正國.隨機(jī)波動(dòng)模型的滬深股市比較研究.天津大學(xué)學(xué)報(bào)(社會科學(xué)版),2004,6(4):334-338.

9周彥,張世英.基于MCMC方法的連續(xù)時(shí)間SV模型建模研究.工業(yè)工程,2007,10(1):83-86.

10梁艷,徐元華.基于不對稱SV模型的隔夜信息對股市影響研究.大連理工大學(xué)學(xué)報(bào)(社會科學(xué)版),2011,32(3):34-38.

11Cortes C,Vapnik V.Support-vector networks.Machine Learning,1995,20(3):273-297.

12Pai PF,Lin CS.A hybrid ARIMA and support vector machines model in stock price forecasting.Omega,2005,33(6):497-505.[doi:10.1016/j.omega.2004.07.024]

13楊耀宇.基于支持向量機(jī)的滬深300指數(shù)預(yù)測研究[碩士學(xué)位論文].上海:上海師范大學(xué),2014.

14李坤,譚夢羽.基于小波支持向量機(jī)回歸的股票預(yù)測.統(tǒng)計(jì)與決策,2014,(6):32-36.

15陳懿冰,張玲玲,聶廣禮,等.基于改進(jìn)的支持向量回歸機(jī)的金融時(shí)序預(yù)測.數(shù)學(xué)的實(shí)踐與認(rèn)識,2012,42(4):38-44.

16王上飛,周佩玲,吳耿峰,等.徑向基神經(jīng)網(wǎng)絡(luò)在股市預(yù)測中的應(yīng)用.預(yù)測,1998,(6):44-46.

17杜愛玲,武敬.神經(jīng)網(wǎng)絡(luò)在股市預(yù)測中的應(yīng)用——基于BP,RBF與GRNN.經(jīng)營管理者,2014,(11):394.

18楊帆.基于遺傳神經(jīng)網(wǎng)絡(luò)算法的股票預(yù)測研究[碩士學(xué)位論文].蘭州:蘭州大學(xué),2013.

19李聰.基于BP神經(jīng)網(wǎng)絡(luò)的股票指數(shù)期貨價(jià)格預(yù)測[碩士學(xué)位論文].青島:青島大學(xué),2012.

20馬東宇.基于Gaussian型RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近與應(yīng)用[碩士學(xué)位論文].長沙:中南大學(xué),2011.

21Gilbert E,Karahalios K.Widespread worry and the stock market.Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media.Washington,DC,USA.2010.58-65.

22Liao XW,Chen H,Wei JJ,et al.A weighted lexicon-based generative model for opinion retrieval.2014 International Conference on Machine Learning and Cybernetics (ICMLC).Lanzhou,China.2014.821-826.