创业板股票中英文对照外文翻译文献文档格式.docx

创业板股票中英文对照外文翻译文献文档格式.docx

《创业板股票中英文对照外文翻译文献文档格式.docx》由会员分享，可在线阅读，更多相关《创业板股票中英文对照外文翻译文献文档格式.docx（16页珍藏版）》请在冰豆网上搜索。

神经网络应用于财务工程问题,如金融时间序列的赔率预测、交易制度设计、管理风险、股票价值等。

为什么他们如此受欢迎？

究其原因，它们可以处理大量的非线性数据，模拟它们之间的关系，并为这种难题提供一种适中的解决方案。

在我们的研究中，我们相信，高科技或高增长的股票价格一定受“新闻”因素的影响。

“新闻”因素中的一个就是纳斯达克指数。

虽然创业板股份可以只在香港交易，我们的工作也适用于其他高科技股票市场。

这将取得相似的结果。

2模型

我们提议的模型将神经网络应用于模拟股票价格之间的关系、股票的交易量和“新闻”效应。

这个复杂关系的数学表达式可以表示为：

Y（t）=fb（t-l）,y（t-2）,...,g（news（t-1））,g（news（t-2））,...,.,vol（t-1）,vol（t-2）,...）

（1）

当时刻t，y（t）的预测值是Y（t）时，y（r）是时刻r的输入值，g（x）是新闻因子的转化形式，“news（t-1）”是时刻t-1时的量的因子，它影响股票价格y（t），vol（u）是在u天的股票流量。

纳斯达克指数和指数变化被视为“新闻”因素。

对模式中的两种主要形式进行研究。

它们是神经序列模式和神经网络。

除了纳斯达克指数和指数的变化，我们的论文将观察两种不同形式的方法：

实际输出法（AO）和log微分输出法（DLO）。

对于实际输出法，y（t）等于在时刻t股票价格的实际输出。

Y（t）等于价格y（t）的预测值。

对于log微分输出法，y（t）等于在时刻t和t-1之间的实际股票价格的log微分产出。

Y（t）等于y（t）的预测值。

为了简单起见，只调查了领先一步法的预测。

实际输出法和log微分输出法即可表示为下列方超，分别为：

Predicted-price（t）=Y（t）

（2）

Predicted-price（t）=price（t-1）*exp（Y（t））（3）

3时间序列模型

在这一节中，研究了两种类型的时间序列模型。

第一个是回归模型；

第二个是地推最小二乘模型。

由于前五种预测股票行情忽视了最初的影响，根据第六个预测的股票价格计算出最后股票价格的误差方差。

两个模型都是用了第四秩序的回归模型，而创业板指数和“T”（一种创业板股票）的价格都被测试。

“T”的不同模型的误差方差现实在表1。

对于样本测试，最好的模型是基于模型应用的DLO方法。

利用纳斯达克误差方差的减少量是0.529.对于递推最小二乘模型，将纳斯达克指数指数作为外部输入的误差方差的减少量是0.1374。

对于处于样本检验，最好的模型是以纳斯达克指数作为外生输入的AR模型。

减少的误差方差为0.0626。

以纳斯达克指数作为外生输入的RLS模型减少的误差方差为0.1528。

这表明，对使用纳斯达克指数的两种模型，误差方差的减少量是显而易见的。

对于创业板指数，纳斯达克中的指数中的内含物，提供了最好的解决方案。

对于样本检验和非样本检验使用AR模型的方差减少量分别是0.1635和0.3064。

使用RLS模型的减少量分别是0.1405和0.3884.

试验结果表明，对于两种模型，纳斯达克指数的内含都很重要，降低了误差方差的估计。

4相关分析

相关关系部分在相应的创业板股票的基础上建立了纳斯达克的“影响”。

但是找到一个适合的“纳斯达克创业板股票模型”来预测创业板股票价格不是一件小事。

期望它可以是一个合理的合适的模型，对于股票，除了有一个“好的”相关关系之外可以被发现的。

因此，对所有创业板股票进行了考核，由于在纳斯达克和创业板之间不同的交易日，我们假设最近的纳斯达克指数会影响创业板股票价格或者是创业板指数。

因此，我们可以将纳斯达克指数和创业板股票价格或者是创业板指数进行搭配。

这个交易日从创业板在2000年6月5日上市的开始，包括各种股票。

神经网络的方差误差的减少量和股票价格与使用AO方法的纳斯达克指数的相关性之间的关系如图2所示。

我们观察到，所有的数据都是低于直线。

在此观察的基础上，我可以得出结论：

（1）如果纳斯达克指数和股票价格之间相关性较小，误差方差的减少量也会是比较小的。

（2）如果纳斯达克指数和股票价格之间相关性较大，误差方差的减少量会显示一个较大的增高。

采用DLO方法，得到相似的答案。

然而，采用AO方法得到的平均误差方差的减少量比采用DLO方法得到的更大一些。

这是为什么呢？

如果我们观察误差方差，会发现从AO方法到DLO方法有很多改进的地方。

因此，通过增加DLO方法中纳斯达克指数作为外生输入，深入提高是比较小的。

有两个特殊情况-H和中国科技。

对于H使用AO方法比使用DLO方法相关性更小。

对于中国科技，使用AO方法比使用DLO方法方差误差的减少量更小。

观察了纳斯达克指数和创业板股票价格的相关性之后，七大具有高度相关关系和高额方差减少量的创业板股票被提取出来进行进一步的测试。

为方便参考，余下的论文采用这七支股票的简称。

这些公司名称的缩写如图3所示。

基于以上的结果，我们观察到不同的创业板股票对于神经网络模型可能会给予不同的结果。

不同类型的神经网络对于采用不同的学习算法会在样本培训和非样本数据之间进行研究。

样本数据的误差方差对股票价格的神经网络模型具有很大的意义，非样本数的误差方差对神经网络预测股票价格也起到很大的作用。

5神经网络

简单的线性适用元神经网络、前馈神经网络采用不同反向传播学习算法。

放射基函数网络为预测股票价格进行研究。

神经网络的输入是在时刻t-1和t-2时的股票价格，是在时刻t-1纳斯达克指数或者是纳斯达克指数的变化。

神经网络的输出是在时刻t时的股票价格。

所有神经网络的输入和输出是标准化的，这样他们就有了零平均值，标准差为1。

七支股票的股票价格被检验和验证了。

股票价格的预测是可以从规范化预测股票价格来逆转的：

Y（t）=yn（t）*std-y+mean-y（4）

当Y（t）表示股票价格的预测时，yn（t）表示规范的预测股票价格，std-y是样本数据的标准差，mean-y表示样本数据的平均值。

5.1缉拿单的线性适应元神经网络

简单的神经网络的传递函数是线性的而不是无限的。

这就允许了输出可以承担任何价值。

七支股票的误差方差显示在表三。

对样本进行测试，利用纳斯达克指数作为外生输出产生的误差方差比使用纳斯达克指数的变化更好一些。

使用纳斯达克指数的变化的误差方差比武外源性投入更好一些。

使用纳斯达克指数变化的平均误差方差减少量是0.0809.使用纳斯达克指数的平均误差方差减少量是0.2108。

对于非样本检测，“ProstenTech”和“H”的方差误差非常小。

作为非样本数据，很接近样本数据，估计股票价格很接近实际的股票价格。

七支创业板股票中除了中国科技，使用纳斯达克指数作为外源输入的误差方差比使用纳斯达克指数变化更好。

同时，使用纳斯达克指数的平均误差方差比没有外源输入的更好一些。

没有外源输入的平均误差方差比使用纳斯达克指数变化更好一些。

总之，使用纳斯达克指数作为外源输入的误差方差对简单的线性适用元神经网络来说是最好的模型。

5.2不同反向传播的学习算法下的前馈神经网络

为了股票预测，不同的用于前馈神经网络学习算法已经进行了研究。

它们自适应学习速率（BP1），与冲量有关的梯度下降（BP2），有弹力的反向传播（BP3）和基本的梯度下降（BP4）。

自适应学习速率快于基本的梯度下降，但是可以用在批处理培训模式。

有动量的梯度下降快于基本的梯度下降，并可以用于增量模式的训练。

弹性估计使用简单的批处理方式训练，采用快速的算法收敛性，并且只需要很少的存储。

基本的梯度下降通常反映较慢，可以用于增量模式的训练。

这些学习算法的培训新纪元的数量是1000。

该神经元的传递函数是“TRANSIC”。

创业板股票的误差方差在表四中。

结果（表5）显示，弹性反向传播算法给出了样本检验的最小方差，给出了非样本检验的最大方差。

同时，对于样本检验和非样本检验，利用纳斯达克指数和纳斯达克指数变化的误差方差基本相同。

但是，对于样本检验最好的学习算法对非样本检验来说是最差的，反之亦然（表4）。

同时，对于样本检验来说，不同的学习算法的优点顺序与非样本检验是相反的。

通过比较样本检验和非样本检验中有和没有外源输入的误差方差，我们发现了没有外源输入的误差方差比有外源输入的误差方差更好。

5.3径向基函数网络

径向基函数网络（RBFN）与标准前馈神经网络或者简单的线性神经元网络相比，可能需要更多的神经元细胞。

然而，最后是许多训练矢量都容易得到。

同样，它非常迅速地收敛于解决方案，并且已经被应用到了不同的工程问题中了。

对于样本检验，误差方差是非常小的。

然而，RBFN的灵敏度是极高的。

在图4中，我们观察到，误差方差在股票价格趋于在第十天、二十三天、和二十五天变化时误差方差增加了。

此外，利用纳斯达克变化的误差方差比直接利用纳斯达克更合适。

对于非样本测试，误差方差特别大。

例如，对于中国科技来说，纳斯达克指数和纳斯达克指数的变化的误差方差是分别6.323le+3和2.7987。

对于样本检验，结果分别是2.6116e-13和2.7723e-9。

纳斯达克指数方差和纳斯达克指数的变化方差分别是0.0422和0.0964。

相比较而言，对样本检验，相应的值分别是4.0559e-4和5.2330e-5。

结果表明，为“H”、“ProstenTech”、“Vodatel”的股票预测，RBFN表现更好。

然而，它不是新意。

对于RBFN来说，使用外源输入的样本检验的误差方差比没有外源输入更加优质。

然而，对于RBFN，使用外源输入的非样本检验的误差方差比没有外源输入的更大一些。

5.4比较神经网络

对于样本数据，研究结果表明，在向模型中加入纳斯达克指数之后，预测误差的方差大大降低。

不同的神经网络对不同的输入有不同的反应。

在采用纳斯达克指数作为外源输入之后，简单的线性神经元神经网络和RBFN演示更为良好。

然而，股票价格预测精华的顺序分别是RBFN、学习算法的反向传播的神经网络和简单的线性神经元网络。

对于神经网络来说，误差方差可以在增加训练期时减少。

对于非样本检验数据，结果表明，误差方差比样本检验数据更大。

同时，股票价格预测的神经网络精华顺序分别是简单的线性神经元神经网络、学习算法的反向传播的FFNN和RBFN。

在样本培训时，RBFN给出了最低的方差预测误差。

然而，这个模型对于未知输入是非常敏感的。

在RBFN中，任一异常数据的输入都会给预测输出造成很大的误差。

令人惊讶的是，简单的线性神经元神经网络给出了最好的结果。

它的误差方差相比于其他神经网络来说，是相对较小的。

如果与股价学习算法的FFNN的误差方差较小，则对于非样本测试来说误差方差就相对较大。

在研究了不同的神经网络模型之后，简单的线性神经元神经网络是在众多的网络模型中最好的模型。

虽然在样本检验中，简单的线性神经元神经网络的结果在众多的神经网络中处于失重状态，在非样本检验中给出了最好的结果。

因此，在我们的测试案例股票预测中，它是最好的神经网络。

RBFN总是给出样本检验中最好的结果，但是在非样本检验中，给出的却是最差的结果。

这对于股票预测来说，RBFN的灵敏度是一个主要的问题。

它可能并不适用于预测股票价格，使用时要谨慎。

不同学习算法下的FFNN给以不同的结果。

然而，如果样本训练中的误差方差较小，非样本检验中的误差方差可能是巨大的。

如果样本训练的误差方差是适中的，则非样本检测的误差方差最好是有着不同学习算法的FFNN。

作为神经网络，可能是采用样本数据训练过度，样本检验的误差方差令人非常满意。

然而，这种神经网络可能对于非样本数据并不适应。

因此，非样本检验的误差方差可能会很大。

此外，利用交易量作为外源输入已经通过了检查。

其结果类似于使用纳斯达克指数作为外源输入。

因此，向神经网络模型中加入外源输入可以改善股票价格的误差方差。

6.结论

我们提出的模型中，使用了纳斯达克指数和纳斯达克指数的变化，这些作为“新闻”因素的不同神经网络，我们已经进行了研究。

同时，那斯达克指数时间序列模型和作为“新闻”因素的纳斯达克指数变化已经通过了检验。

这些模型显示，纳斯达克指数作为模型的外源输入，影响是重大的，误差方差也会随之减少。

MODELINGOF’NASDAQ-GEMSTOCKPRICERELATIONSHIPUSINGNEURALNETWORK

ABSTRACT

ItisbelievedthattheNASDAQindexhasbeenoneofthemajor“news”affectingtheGEMstockprices.InordertounderstandthecomplexrelationshipbetweenthisindexandtheGEMstockprices,thetime-seriesmodelsusingthisindexasexogenousinputarestudied.Inaddition,thecorrelationbetweenthisindexandtheGEMstockprices,andthereductionoferrorvarianceusingneuralnetworksareinvestigated.BasedonthesignificanceofthisNASDAQeffect,sevenGEMstocksareextractedandexaminedusingdifferentneuralnetworks.In-sampleandout-of-sampletestsareperformedusingthisindexorthechangeofthisindexastheexogenousinput.Acomparisonamongdifferentneuralnetworksisgiven.

Keyword：

NeuralNetworks；

GrowthEnterpriseMarket；

NASDAQindex；

Timeseriesmodels

1.INTRODUCTION

TheGrowthEnterpriseMarket（GEM）inHongKongstartedtradingonNovember25,1999.Itprovidesanopportunityforenterpriseswithgoodbusinessideasandgrowthpotential,butwithouttherequiredqualificationtobelistedinthemainboardoftheStockExchangeofHongKong.GEMoffersgrowthenterprisesanavenuetoraisecapital,andprovidesinvestorsanalternativeofinvestinginhighgrowth,highriskbusinesses.Itgivesafund-raisingvenueandastrongidentitytofosterthedevelopmentoftechnologyindustriesinHongKongandtheregion,andpromotesthedevelopmentofventurecapitalinvestment.

TheU.S.NASDAQStockMarketstartedtradingin1971.Itsetsaprecedentfortechnologicaltradinginnovationthatisunrivaled,andbecomestheworld‘sfirsttrulyglobalmarket.Itisthemarketofchoiceforbusinessindustryleadersworldwide,andhashelpedthousandsofcompaniesachievetheirdesiredgrowthandsuccessfullymaketheleapintopublicownership.AstheNASDAQMarkethasbeenestablishedforabout30years,theNASDAQstockspioneermajorhi-techindustriessuchascomputerhardwareandsoftware,telecommunication,Internet,retail/wholesaleandbiotechnology.Manynewspapersdescribethetrendofhigh-growthenterprisesandtechnologieswithreferencetoNASDAQ.Theriseandfallofstockpriceofmajorhi-techstockshavealwaysbeenfoundtobemuchrelatedtoNASDAQ.AsshowninFigure1,HongKong’sGrowthEnterpriseIndex（GEI）followsthetrendofNASDAQclosely.Giventhemarketsizedisparity,itisapparentthataone-waycausalrelationshipexistsbetweenNASDAQandGEM.However,thisrelationshipisobservedtobenon-trivial,indicatingthatasimplefunctionalrepresentationisnotadequate.Previousexperienceshowedthatneuralnetworkswereabletohandlehighlycomplicatednon-linearity.Hence,itwouldbeofmuchinteresttostudytheeffectofsuch“news”factorsusingneuralnetwork.

Neuralnetworkshavebeenappliedtofinancialengineeringproblemssuchasfinancialtime-seriesprediction,tradingsystemdesign,riskmanagement,stockvaluation.Whyaretheysopopular?

Thereasonsarethattheycanhandlethevastamountofnonlineardata,simulatetheirrelationshipsandgiveamoderatesolutionforthehardproblem.Inourstudy,webelievethatthestockpricesofhigh-techorhigh-growthstocksmustbeaffectedbythe“news”factors.Oneofthe“news”factorsistheNASDAQindex.AlthoughGEMstockscanbetradedinHongKongonly,ourworkshouldbeapplicabletootherhigh-techstocksmarketaswell.Similarresultswillbeobtained.

2.PROPOSEDMODEL

Ourproposedmodelappliestheneuralnetworkstosimulatetherelationshipamongthestockprices,thevolumeofthisstock,andthe“news”effect.Themathematicalformulaofthiscomplexrelationshipcanbeexpressedas

Y（t）=f（y（t-l）,y（t-2）,...,g（news（t-1））,g（news（t-2））,...,vol（t-1）,vol（t-2）,...）

（1）

whereY（t）isthepredictedvalueofy（t）attimet,y（r）istheinputvalueattimer,g（x）isthetransformationofnewsfactorsx,“news（t-1）”isthequantitativefactorattimet-1whichaffectsthestockpricey（t）,andvol（u）isthevolumeofthestockatdayu.TheNASDAQindexandthechangeof