一、引言

在金融市场中，投资者的成功取决于支持他决策的信息质量，以及其做出决策的速度。在过去的几十年，研究人员通常把证券资产的历史行为作为一个时间序列来建模，并据此做出预测。金融时间序列预测的传统统计方法通常假设时间序列是线性产生的，其主要的预测模型包括时间序列回归法、指数平滑法、自回归移动平均（autoregressive integrated moving average，ARIMA）法、广义自回归条件异方差（generalized autoregressive conditional heteroskedasticity，GARCH）法等。然而，金融时间序列本质上是复杂的、高度噪声的，呈现出非线性行为，在每一时间点都观察不到相同的统计特性，这使得传统的统计方法难以有效地预测。随着计算技术的发展，一些软计算技术被用作预测金融市场的工具。所谓软计算技术是能处理不精确性、不确定性和部分真实数据的容忍技术，从而获得精确或不精确表述问题的近似解。由于其在解决复杂系统的建摸、优化、求解中起到不可替代的作用，近年来基于软计算技术的金融时间序列预测已成为预测领域的研究热点。

二、软计算技术在金融预测中的应用

Palit、Popovic（2005）[1]认为金融时间序列的预测过程包括以下步骤：数据准备、算法定义、自我训练学习、预测评估及优化。其中数据准备阶段是主要是数据获取、数据特征选择、数据去噪处理、时间序列分割、聚类等，为自我学习训练和预测评估及优化提供数据集；算法定义阶段包括确定预测模型和计算方法；自我训练学习阶段包括选择训练学习算法、执行训练学习过程和调整训练学习参数；预测评估及优化阶段包括定义反馈指标、根据预测结果对模型进行优化。本文将以Palit、Popovic（2005）[1]提出的金融时间序列预测过程为基本框架分析软计算技术的最新应用状况（见图1）。

整个下午，阿东都心情抑郁，他有一种对生活的无力感，他不知道自己应该怎么解决家里的事。他在办公室的电脑前，有些无聊地在网上转悠。处长让他查阅一点资料，他也做得不算尽心。处长翻着那些资料，目光敏锐，问他怎么回事，为什么会心不在焉？他犹豫片刻，还是说了父亲过地下通道摔倒的事。他说的时候，心内难过，声音低沉。

  

图1 Palit、Popovic的金融时间序列的预测步骤框架

（一）数据准备

1．数据特征选择

定义用于金融资产价格建模和自我学习的输入变量和输出变量，并对数据进行某些预处理可以提高金融预测的准确性。数据的特征选择机制，也称为特征子集选择，确定那些与建模数据无关的变量，并试图将原始特征集转换为低维特征的数据。数据特征选择的作用是，消除不相关的特征，减少机器学习的过度拟合和过度风险计算，以有利于提高预测的准确度。在文献中，对于金融资产价格建模的输入变量的类型有很多。其中基本面分析提供了公司和整个市场的宏观和微观经济属性，如公司规模、资本、市盈率、现金流量、杠杆率、盈利能力等。而技术面分析提供了一系列的技术属性，如移动平均线、波动性、平衡量、动量、相对强弱指标等。N Gould、P T Toint(2004)[2]指出，通过过滤和封装两种方法对数据进行预处理。过滤方法执行独立于任何机器学习方法的特征选择，该方法通常对输入数据的直接分析，包括判别分析、逐步筛选、主成分分析等。封装方法，依赖于机器学习算法来选择重要特征。即对不同特征子集的输入来评估算法的分类绩效，通过搜索不同特征的最佳子集来优化预测精度。G Creamer、Y Freund(2010)[3]提出了一种混合特征选择机制，用一个F值测量作为过滤工具来帮助决定既定功能集的最佳子集，再使用支持向量机（support vector machine）分类器作为封装工具预测，以改进由过滤方法得到初始选择，从而产生一组简化的特征。这一方法结合了过滤和封装方法的优点，使得计算量更低、精度更高。S Shen等（2012）[4]结合了主成分分析、遗传算法和回归决策树三种技术构建了一个特征选择器，同时还对特征选择器采用联合、交集、多个交叉选择三种组合策略的选择特征进行了比较。Sun J等(2011)[5]结合专家知识使用遗传算法选择最优特征来解决金融机构财务困境的预测问题。一组财务特征通过专家知识预先分类成几个主要类别，通过不同类别绩效的评估来找出最佳绩效的类别特征，从而极大地减少了搜索计算量，也有利于预测精度的提高。

2．数据去噪处理

金融时间序列数据中包含的历史数据点往往是动态的和非线性的，这使得趋势分析和未来价值预测更加困难。为此，文献中常用的一种技术是时间序列的分割。分割是一个数据预处理的步骤，通常用来表示的时间序列某一部分，这比分析整个时间序列更容易识别其技术趋势。应用于金融时间序列的一些常用的分割方法是识别感知重要点（perceptually important points）和转折点（turning points）。这两种方法都被用来识别金融时间序列中的一些有意义的点，使用这些重要点来表示整个序列，而不会丢失信息。这个思路是基于一个事实，即时间序列中的波动、趋势和模式只由少量的数据点反映出来，这些数据点本身能够保持时间序列的整体形状。利用这些重要点，软计算技术可以更高效地对时间序列进行建模和预测，提高预测精度。Wu J L等(2012)认为感知重要点应用以下方式选择：第一个和最后一个观察数据被定义为感知重要点。随后的感知重要点被迭代计算为与先前确定的感知重要点的最大距离的点，通常用欧氏距离、垂直距离、纵向距离等指标来进行距离计量。Tsinaslanidis、Kugiumtzis(2014)[13]提出了一种基于感知重要点和动态时间规整算法（dynamic time warping）的预测方法。并据此分割成不同的子数据系列。动态时间规整算法用于找到相似的历史序列，认为类似的行为将在未来发生，基于最佳匹配历史序列的演变做出预测。Croce等(2009)[14]认为转折点基本上是一个时间序列的局部最小或最大值，或者实际意义上的波峰和波谷，其可以被解释为一段时间内金融时间序列的重要变化，用来识别一个交易周期的开始或结束。据此，Croce通过研究市场领先指标分析英国住房市场房价的转折点，取得了较好的预测效果。M Billio等(2012)[15]利用自回归和贝叶斯模型预测美国和欧洲经济，在模型中强调了商业周期转折点对经济预测的重要性，其认为明确转折点的时间序列能够更好地体现原始时间序列的发展趋势，从而有利于提高预测的准确性。

选取我院2016年1月～2018年1月收治的100例冠心病患者，所有患者年龄均超过60周岁，分介入组和药物组，各50例。药物组：男24例、女26例，年龄62～80岁，平均72.8±5.4岁；介入组：男26例、女24例，年龄60～78岁，平均70.8±6.4岁。两组患者的一般资料，无统计学差异性。

在过去的几十年里，人工神经网络在金融预测中变得非常流行，其主要原因是它能够处理非线性、不连续性和高频多维成分的数据，可以捕捉金融时间序列的非线性行为而不需要任何统计假设。KJ Kim(2004)[21]提出利用多层前馈神经网络（multi-layer feed-forward neural network）学习一些技术指标之间的关系，并预测每日最高和最低的股票价格。Dhar等(2010)[22]应用多层前馈神经网络预测印度证券交易所的股票指数收盘，具体采用三层网络训练的反向传播算法，通过输入神经元的数目、隐藏神经元和学习率等几种网络参数的组合，找到多层前馈神经网络的最优参数配置以提高预测精度。Oliveira等(2011)[23]使用多层前馈神经网络预测巴西石油公司的股票价格，用弹性反向传播算法（resilient backprogation）来训练多层前馈神经网络。KS Vaisla等(2010)[24]对外汇市场研究中利用基于如简单移动平均线、相对强弱指标、布林线等技术指标的多层前馈神经网络进行行情预测，取得了较好的预测效果。de Oliveira等(2013)[25]使用多层前馈神经网络分析上市公司的资产负债表及其各种财务比率，以巴西石油公司（PETR4）的股价预测为例进行了实证分析。Vanstone等(2009)[26]用多层前馈神经网络创造一个适用澳大利亚股市的股票自动交易系统，该系统以市盈率、账面价值、股本回报率、派息作为四个输入变量，将股票的预期收益作为输出的强度信号，并据此确定股票买入或卖出的时间。S Barak等(2015)[27]用人工神经网络学习K线图中的各种形态意义，如果识别K线图中早晨之星、黄昏之星等经典的价格反转信号，并根据这些反转信号来确定买入点或卖出点。

软计算技术通常面临在输入数据中的噪声和异常值的存在。噪声可能是由几个原因引起的，通常是由于机械故障、人为错误或仪器错误而导致的。由于数据系统行为、欺诈行为或自然偏差等异常情况，数据中会出现异常值。由于这些观察结果与数据的其余部分不一致，它们可能对数据建模造成一些损害。在金融方面，噪声和异常值的存在会导致糟糕的数据建模和导致不准确的预测结果。因此需要滤除输入数据中的不相关特征和噪声，检测和纠正异常值，提高预测精度。在文献中，一些学者对数据处理中过滤噪声和检测异常值提出了意见。Y M Cheung等(2001)[6]提出了利用非线性独立分量分析(nonlinear independent component analysis)与支持向量回归法（support vector regression）来预测股票价格。非线性独立分量分析更适合于财务数据分析，将原始时间序列中主要特征的较少数据成分视为噪声而将其过滤掉。K J Kim(2003)[7]比较了非线性独立分量分析和支持向量回归法（support vector regression）分别与多层感知器（multilayer perceptron）结合形成反向传播算法训练的绩效，结果表明，非线性独立分量分析作为一个数据预处理步骤能取得更好的结果预测。George等(2008)[8]研究了如何利用小波变换（wavelet transform）作为预处理机制提高多层感知器的预测精度。作为一种广泛应用于信号分析的方法，小波变换被用于去除学习训练数据中的噪声。在股票价格预测的研究过程中，George利用低通高通滤波器对股票收盘价时间序列进行分解，由低通滤波器(low-pass filters)过滤的数据代表信号的主要数据，而高通滤波器(high-pass filters)过滤的数据代表噪声，然后利用低频数据通过反向传播算法(backpropagation algorithm)训练多层感知器。Lu（2010）[9]将独立分量分析和小波变换应用于金融数据的预处理，分别分析了独立分量分析与多层感知器相结合、小波变换与多层感知器相结合、单一多层感知器、随机游走四种方法的降噪的效果。实验结果表明，独立分量分析与多层感知器相结合的降噪效果最好，小波变换与多层感知器相结合的降噪效果次之。周博、严洪森（2013）[10]提出了基于小波和多维泰勒网(multi-dimensional taylor network)的金融时间序列预测方法，利用算法分别对不同频率的时间序列建立多维泰勒网动力学模型进行预测，然后将各模型的预测结果进行叠加，最终得到原始序列的预测值。实验结果表明，这种预测方法具有较高的预测精度和预测方向正确率。S Upadhyaya等(2012)[11]研究使用小波变换作为一个异常值检测和校正的方法，其可以应用于GARCH模型和自回归随机波动模型（autoregressive stochastic volatility model，ARSV模型）等各种误差模型的残差，且误差可以服从任何已知分布。WU Z等（2009）[12]提出了一种基于维诺图(Voronoi Diagram)的非参数异常值检测方法。在该方法中，为数据集构造了一个维诺图，然后计算图中每个点到其最近邻居的平均距离。具有较大的平均距离的点被认为是异常值，其与其他点显著不同，可以从输入数据集中消除。

4)在不对支铰座结构进行修改的情况下采用10.9级M36高强度螺栓并施加2 400 N·m预紧力矩，可以使支铰座结构强度满足要求。

尽管多层前馈神经网络在预测金融时间序列方面有很多优点，但该模型对输入输出变量、神经结构（前馈或递归）、隐层层数、隐神经元个数、学习率、传递函数、训练算法等多个网络参数具有很高的敏感性。为了解决这个问题，Lasfer等(2013)[28]研究了多层前馈神经网络用于金融时间序列预测的最佳参数的问题，其通过大量实验统计分析了各个网络参数之间的关系以及对预测精度带来的影响。Majhi等(2009)[29]设计了函数链接型神经网络（functional link artificial neural network）和级联函数链接型神经网络（cascaded functional link artificial neural network）用于预测外汇汇率。通过实证数据对比发现，相较于反向传播训练的多层前馈神经网络，这两种神经网络健壮性更好，计算成本更低。Shahpazov等(2013)[30]用径向基函数（radial basis function）神经网络、广义回归神经网络（general regression neural network）、反向传播算法训练的多层前馈神经网络三种神经网络模型来预测保加利亚股票市场，他发现使用径向基函数神经网络预测短期趋势有较高的预测精度，而广义回归神经网络预测长期趋势有较高的预测精度。Lu等(2011)[31]构造了小脑模型关节控制器神经网络（cerebellar model articulation controller neural network），通过与传统的多层前馈神经网络的比较发现，其在预测股票指数方面具有更高的预测精度和更短的训练学习时间。孙彬、李铁克、张文学（2009）[32]采用动态模糊神经网络(Dynamic Fuzzy Neural Network)进行金融股指预测，其能够实现参数估计与结构辨识同时进行，通过采用误差下降率(Error Reduction Rate)修剪技术，避免了过拟合及过训练现象，提高了模型的泛化能力。对上证指数的预测实证分析表明，利用该方法上证指数的预测偏差较小，预测的方向准确性较高。黄腾飞等（2013）[33]提出了一个递归预测器神经网络，其能用遗传算法优化网络的阈值、权值以及激发函数的幅值和斜率。通过对国内股票、期货和黄金市场中几个有代表性的品种进行实证检验发现，在预测均方根误差和预测精度方面，该模型相对于传统多层前馈神经网络、径向基函数神经网络具有更好的预测效果。Ticknor(2013)[34]提出将贝叶斯网络应用于股票价格预测。将贝叶斯网络的链路权重值视为随机变量，并根据贝叶斯规则进行密度函数定义，在其学习过程中权重值的调整包括确定每个权重值的概率密度函数。当预测股票价格波动时，采用三层前馈神经网络，以九个技术指标作为输入变量，预测次日股价为输出变量。Wang等（2015）[35]提出的基于主成分分析的随机时间有效函数神经网络（stochastic time effective function neural networks）来预测上证指数、香港恒生指数、道琼斯工业平均指数、标普500指数等。该方法利用主成分分析法从输入数据进行预处理，然而采用多层前馈神经网络、反向传播算法、随机时间有效函数的集成模型进行预测。随机过程是基于漂移函数和布朗运动来计算每个时间序列的影响程度。研究结果表明，该方法在预测精度方面比传统的多层前馈神经网络或简单随机时间有效函数神经网络更高。

管件安装的方向一定要正确，管件支管进入干管的连接处不是垂直相交，而是一小段圆弧顺水的流向进行连接，这样才能使支管的水很顺畅的流向干管，也就是说消音速流管件安装要注意圆弧的方向向下，否则将起不到消音速流的效果，反而对排水起到了反作用。

尽管人工神经网络具有很好的非线性逼近能力，已被广泛用于预测金融时间序列，但这些方法在学习模式上仍然存在一些局限性，如模型结构难以确定、易于出现过度训练和训练不足、过度依赖设计技巧等。支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势，广泛应用于人工神经网络的模式识别任务中，能有效弥补人工神经网络的不足。支持向量机可以形成一个考虑经验误差和基于结构风险最小化原则的正则项（regularized term）的风险函数，构造了一个超平面作为决策面，使得不同类之间的点之间的界限最大化。吴江、李太勇（2010）[36]认为支持向量机可以降低维特征空间的非线性回归问题转化为高维特征空间线性回归问题解决，可以有效地逼近时间序列难以定量描述的相互关系，为金融时间序列预测提供了一种更为有效的方法。根据A Hossain等(2011)[37]的研究，支持向量机的解可能是全局最优的，而传统的人工神经网络往往只产生局部最优解。由于其强大的非线性逼近能力，支持向量机可应用于分类和回归问题。Fong等(2016)[38]利用粒子群优化算法(Particle Swarm Optimization)优化支持向量回归机的参数，从而提高未来三天的股票收盘价预测精度。J Patel等(2015)[20]利用多项式和径向基函数对几种不同的多层前馈神经网络结构进行了比较，并用以预测印度股票指数涨跌变化。姚宏亮、周光辉、李俊照(2016)[39]引入股价波动的生命期概念，根据K线特征产生时的涨跌幅、成交量、资金流入流出情况判定股价所处的生命期的阶段，将K线形态特征作为先验知识加入支持向量机模型，提出了股价生命期和支持向量机相结合的股价预测算法。Liang等(2010)[40]根据有效市场假说中金融信息对市场波动性方面起着关键作用的观点，利用支持向量回归机研究了网络信息与股票价格波动之间的关系。通过每天股票文章中词的情感值来构建网络信息时间序列，利用支持向量回归机建立该时间序列与股票价格之间的映射。实证结果表明，与单一支持向量回归机相比，使用网页信息能有效地提高预测精度。

（二）算法模型

在过去的几十年中，已经提出了几种算法模型来预测金融市场。软计算技术如人工神经网络、支持向量机等算法模型已经在金融时间序列建模和预测中得到了成功应用。许多软计算技术能够捕捉市场相关因素之间的非线性关系，不需要先验知识和统计假设。与传统的统计方法相比，软计算技术具有非参数的和自适应特点，它们比传统的统计模型需要较少的历史数据，具有更好的自适应性和灵活性，从而极大地提高了预测精度。

1．人工神经网络（Artificial neural networks）

3．时间序列分割

4．聚类（Clustering）

聚类有利于模式识别和数据挖掘，其目的是形成不同的分组，使各分组内数据具有高的相似性。在金融预测方面，对时间序列聚类的重要目的是确定同一分组内的证券价格表现出类似的行为。证券市场共同运动是非常普遍的，比如一个国家的股票市场的变动受另一个国家股票市场走势的影响。这也可能发生在相关的市场部门。相似的时间序列有助于预测证券价格，并做出有利可图的投资决策。S Ismail等(2011)[16]研究了结合自组织特征映射（selforganizing feature map）与基于过滤的特征选择方法的股票指数预测工具，其首先使用自组织特征映射将样本分组，再使用支持向量回归模型对每个聚类进行学习和预测。Divya Joseph等(2013)[17]提出了一种聚类方法，其能够利用动态时间规整算法对具有相似特征的时间序列识别。该聚类方法分以三个阶段进行：首先，时间序列进行预处理，然后利用kmodes聚类算法分组；其次，利用欧氏距离对相似的时间序列进行聚类，实现预聚类分组的细化；再次，所产生的聚类融合构建成最终的组。D’Urso等(2013)[18]利用模糊方法提出了两种基于距离测度的聚类算法。第一种是基于GARCH模型的自回归表示，通过计算自回归系数比较每对时间序列之间的差异性。第二种是采用基于参数化的方法，使用GARCH参数估计的协方差进行分析。D’Urso等人通过外汇市场汇率的实证分析发现，这两种方法都能够识别不同汇率之间每日收益波动的相似性，并根据其稳定性对汇率进行分类。DL Ikenberry等人(2008)[19]研究了金融多元时间序列数据的聚类问题。金融数据通常表现为高价格、低价格、开盘价、收盘价、交易量等多项技术指标组成的多变量时间序列。在该方法中，局部线性嵌入技术用于多变量时间序列数据的预处理，它能够使降维后的数据保持原有拓扑结构。J Patel等(2015)[20]也提出将股票指数预测分为股票指数时间序列的自组织映射和支持向量回归法两个步骤。首先，利用的自组织映射将金融异质数据分解为具有相似统计分布的同质区域，以捕捉数据的非平稳特性。其次，支持向量回归模型用于学习每个同质区域的数据，进而做出预测。

2．支持向量机（Support Vector Machine,SVM）

前一节中针对非均匀的衰减性无限介质，导出了空间自相关法和地震波干涉法的理论关系式。本节将基于上述结果来了解Prieto等（2009）中的算式。

3．混合机制

前面几种算法模型在金融预测任务存在局部最优、过度拟合、参数选择困难等缺点，同时这些方法在不同行为的时间序列预测会取得不同的预测效果。因此选择单一的算法模型进行金融预测时，可能会有局限性。为了解决这个问题，一些研究者提出了混合机制的运用，结合不同的算法模型提出个性化解决方案。不同算法模型的组合可以在自我学习训练中减少参数的调整不确定性和随机性，并提高预测精度的目的。Ince H等(2006)[41]研究了结合三种算法模型的混合机制来预测第二天的汇率价格，具备步骤为：首先，采用外生变量的自回归移动平均模型确定股票的历史回报率以及其他解释变量之间的线性关系；其次，使用GARCH模型识别ARMAX模型残差的异方差特征；再次，将自适应小波神经网络（adaptive wavelet neural network）用于预测的GARCH残差。王巍等(2008)[42]提出了一种新的基于经验模式分解(empirical mode decomposition)、支持向量回归和粒子群优化的混合智能预测模型，金融时间序列通过经验模式分解分解为多个基本模式分量,每个分量选择不同的核函数进行支持向量回归预测，最后通过粒子群优化算法对各预测分量进行加权组合，得到原始序列的准确预测值。对A股上证指数时间序列预测实例表明,该模型的单步和多步预测性能均好于单一支持向量回归预测模型。李祥飞、张再生(2014)[43]提出了基于误差同步预测的支持向量机金融时间序列预测方法，将经验模态分解和支持向量机方法结合引入金融时间序列的误差预测中，所得到的误差序列分解为若干固有模态分量，并根据其不同尺度的特点，选择不同的参数对其进行预测，最终合成原始序列的误差预测值，再将所预测到的误差与初步原始序列预测值结合，得到最终的预测值。仿真结果表明，该方法相对于普通的支持向量机预测方法具有更好的预测精度。Catalina Cocianu等(2013)[44]提出了一种支持向量机与k-最近邻算法（K-Nearest Neighbor）相结合的混合模型对股票市场指数的预测方法，不仅注重收盘价的预测，还关注股票市场的趋势、波动率、动量等。Patel等(2015)[45]提出了两阶段方案来预测未来的股票市场指数。在第一阶段，用支持向量回归机为预测模型做输入准备。第二阶段使用人工神经网络、随机森林（Random Forest）、支持向量回归机预测未来股票市场的走势。戴稳胜等（2007）[46]提出一个结合小波分解（discrete wavelet decomposition）与支持向量回归的两阶段金融时间序列预测模式，先通过小波分解对数据进行预处理以凸显预测变量内含的信息，再使用支持向量回归模型构建二阶段预测模型。根据Nikkei 225开盘价的实证分析结果，无论是从预测误差角度或从预测准确率角度衡量,两阶段结合模型的预测效果都比单纯使用支持向量回归模型以及随机漫步模型要好。

（三）自我训练学习

近年来，机器自我训练学习方法的主要目的是利用现实世界的数据提取获取相关信息，一般是通过非线性网络的拓扑结构、堆叠创造深度学习网络等对数据进行复杂结构建模。自我训练学习方法已成功应用于分类、语音识别、降维等。主流自我训练学习方法包括卷积神经网络（convolutional neural networks）、深信念网络（deep belief network）、栈式自编码神经网络（stacked auto-encoders）。然而，将自我训练学习方法应用于金融预测领域仍然是一个相对未被探索的领域。应用自我训练学习法进行金融预测的主要挑战是通过多维数据来模拟复杂、高维和嘈杂的真实世界时间序列。Yoshihara等(2014)[47]分析了将受限玻尔兹曼机(Restricted Boltzmann Machine)和深信念网络相结合用于处理市场数据的时间效应。该方法着眼于长期影响的新闻事件，可用于学习日经证券交易所股票价格走势。Ding等(2015)[48]也进行了类似的研究，通过神经张量网络（neural tensor network）和深层卷积神经网络相结合，以模拟事件对股票价格变动的短期和长期影响。R Hrasko等人(2015)提出了一种改进的深度信念网络和共轭梯度法相结合的汇率走势预测自我训练学习法。通过与传统的前馈神经网络进行了比较发现，该自我训练学习法在大批量金融数据时间序列预测的训练时间、训练次数和预测误差等方面都有了明显提高，对复杂金融时间序列具有较好的预测效果。Kuremoto等(2014)对金融时间序列建模的自我训练学习法是由深度信念网络结合两个受限玻尔兹曼机构建。通过对混沌时间序列的建模，该方法的预测结果表明，与多层前馈神经网络和自回归移动平均法相比，其具有更高的预测精度。一般来说，金融时间序列预测领域的一个重要方向是研究是否可以用堆叠结构来捕捉原始数据展现的交易模式。时间序列的深层表示问题类似于静态数据的无监督特征学习。T Hirata等(2016)对自我训练学习的相关方法进行了分析，认为无监督特征学习应用于金融数据的主要挑战是采用降维技术，而又不会丢失有价值的信息。为此，需要对金融时间序列的特征学习方法进行调整。以股票预测为例，应将股票市场中获得的信息分成多个层次结构，利用自我深层学习训练来学习与股票本身过去的某些值相关的特征。JF Torres等(2017)提出类似的方法，深层信念网络结合支持向量回归法相结合应用于基准数据的时间序列学习。

（四）预测评估及优化

为了提高某些智能机制的预测精度，一些文献采用了预测评估及优化算法。Hsieh等(2012)以预测值均方根误差为输出反馈信号，并提出了一种基于K-近邻算法（KNN algorithm）和进化人工蜂群算法（evolutionary artificial bee colony）组合的优化算法作为预测模型的优化手段。其中，K-近邻算法被用来决定股票买卖的最佳时机，人工蜂群算法用于选择最佳时间滞后和调整K-近邻算法参数，从而实现预测值的均方根误差最小化。实证表明，该方法相比于多层前馈神经网络模型在预测金融危机方面具有更高的准确度。孙彬等（2010）[49]构建了一种基于椭圆基函数的广义动态模糊神经网络，将与股票市场密切相关的宏观经济指标引入模型预测指标体系，采用对称点距离的蚂蚁聚类算法来优化网络，并通过模型提取的模糊规则对A股上证指数运行模式进行分析表明，该方法缩短了算法的执行时间，也大大提高了预测准确度。Pulido等(2014)提出了粒子群优化算法用于优化多层前馈神经网络的参数，包括神经网络层数和每一层的神经元数，以找到最优的模型架构。Groth等(2011)提出了一种文本挖掘方法，认为在金融风险管理方面的非结构化数据是一个有价值的信息来源，其对上市公司的披露信息集合为数据源进行分析，并通过朴素贝叶斯、K-近邻算法、多层前馈神经网络、支持向量机四个分类器将未确知新闻作为公司的正面或负面信息进行分类。实证结果表明，支持向量机在预测精度方面优于其他分类器。Gunduz等(2015)提出了一种结合新闻和股票价格的预测方法来分析未来的市场走势。在该方法中，使用文本挖掘技术将金融网站中实时获得的新闻文章转换为反馈信号。考虑到这些反馈信号由数以百千计的特征组成，因此选择一种平衡互信息（balanced mutual information）来识别相关特征，然后使用朴素贝叶斯算法对反馈信号和股票价格进行建模，并根据预测效果不断调整模型参数。朱梦珺等（2016）[50]提出了一种基于金融微博文本情感挖掘和语义分析的预测模型，对相关的股票价格进行预测。该预测模型分析微博转播过程中转发情绪吸收、微博内容影响力、微博作者影响力、微博发布时间、用户分类、微博滞后期等因素，并能根据拟合效果对模型的影响因素权重不断进行调整优化。研究结果表明，该预测模型在股市上升期预测效果最好，下降期次之，平稳振荡期效果最差。

中国经济正在进入新常态，明显存在着巨大的提升原始创新能力的制度潜力和改革红利。只要我们及早重视原始创新型人力资本的制度建设，培育越来越多的原始创新型人力资本，用越来越完善的制度激励原始创新型人力资本从事原始创新，我们就可以极大地缩短中国科学技术与世界先进水平的差距，实现中国产业结构的升级和经济发展模式的转型。在20世纪初，中国科技在知识水平上与世界先进水平相比大约落后300年，而中国主要采用了西方的科技、教育方式后，在体制水平上大约仅落后50年。正是由于这个体制原因，中国把知识水平上几百年的差距很快缩短为几十年。

三、总结

金融数据的复杂性、噪声性和混沌性要求非参数方法，将软计算技术运用于股票市场的研究具有巨大的优势和潜力，其特殊的思想和方法能说明一些用传统统计方法所不能解决的问题和现象。软计算技术在金融方面应用的目的是尽可能准确地预测市场未来的行为，并用于支持金融资产买卖的决定，以最大限度地提高投资者的利润。本文主要对软计算技术在金融预测应用的进展情况进行综述，从而便于研究者对已有软计算技术进行改进和研究新的预测算法。然而，需要指出的是，目前大多数相关研究还仅仅停留在对金融时间序列进行实证检验的阶段。很多文献中的软计算技术没有考虑到金融时间序列经常存在概念漂移的特点，即输入数据和目标变量的关系随时间的变化而变化。例如，由于政策的改变或投资者心理改变时，公司股票价格的时间序列可能会改变其走势。可见，软计算技术在金融时间序列预测方面的应用还有待于进一步发展。

参考文献：

[1] Palit A K,Popovic D.Computational Intelligence in Time Series Forecasting:Theory and Engineering Applications[M].Springer-verlag,2005.

[2] N Gould and P T Toint.Preprocessing for Quadratic Programming[J].Mathematical Programming,2004,100(1):95-132.

[3] G Creamer,Y Freund.Automated Trading with Boosting and Expert Weighting[J].Quantitative Finance,2010,10(4):401-420.

[4] S Shen,H Jiang,and T Zhang.Stock Market Forecasting using Machine Learning Algorithms[D].Stanford University,2012.

[5] Sun J and Li H.Dynamic Financial Distress Prediction using Instance Selection for the Disposal of Concept Drift[J].Expert Systems with Applications,2011,38(3):2566-2576.

[6] Y M Cheung,L Xu.Independent Component Ordering in ICA Time Series Analysis[J].Neurocomputing,2001,41(1):145-152.

[7] K J Kim.Financial Time Series Forecasting using Support Vector Machines[J].Neurocomputing,2003,55(1):307-319.

[8] George E P Box,Gwilym M Jenkins,Gregory C Reinsel.Time Series Analysis:Forecasting And Control 4th Edition[M].John Wiley&Sons,Inc.,2008.

[9] CJ Lu.Integrating IndependentComponent Analysis-Based Denoising Scheme with Neural Network for Stock Price Prediction[J].Expert Systems with Applications,2010,37(10):7056-7064.

[10] 周博，严洪森．基于小波和多维泰勒网动力学模型的金融时间序列预测[J]．系统工程理论与实践，2013，33（10）：2654-2662．

[11] S Upadhyaya and K Singh.Classification based Outlier Detection Techniques[J].International Journal of Computer Trends and Technology,2012,3(2):294-298.

[12] Wu Z,and Huang N E.Ensemble Empirical mode Decomposition:A Noise-assisted Data Analysis Method[J].Advances in Adaptive Data Analysis,2009,1(1):1-41.

[13] Tsinaslanidis P E,&Kugiumtzis D.A Prediction Scheme using Perceptually Important Points and Dynamic Time Warping[J].Expert Systems with Applications,2014,41(15):6848-6860.

[14] Croce R M,&Haurin D R.Predicting Turning Points in the Housing Market[J].Journal of Housing Economics,2009,18(4):281-293.

[15] M Billio,R Casarin,F Ravazzolo,HKV Dijk Combination Schemes for Turning Point Predictions[J].Quarterly Review of Economics&Finance,2012,52(4):402-412.

[16] S Ismail,A Shabri,R Samsudin A Hybrid Model of Self-organizing Maps(SOM)and Least Square Support Vector Machine(LSSVM)for Time-series Forecasting[J].ExpertSystems with Applications,2011,38(8):10574-10578.

[17] Divya Joseph,Vinai George Biju.A Review of Classifying High Dimensional Data to Small Subspaces[Z].Proceedings of International Conference on Business Intelligence at IIM Bangalore,2013.

[18] D’Urso P,Cappelli C,Di Lallo D,&Massari R.Clustering of Financial Time Series[J].Physica A:Statistical Mechanics and its Applications,2013,392(9):2114-2129.

[19] DL Ikenberry，JP Weston.Clustering in US Stock Prices after Decimalisation[J].European Financial Management,2008,14(1):30-54.

[20] J Patel,S Shah,P Thakkar,K Kotecha.Predicting Stock and Stock Price Index Movement using Trend Deterministic Data Preparation and Machine Learning Techniques[J].Expert Systems with Applications An International Journal,2015,42(1):259-268.

[21] KJ Kim.Artificial Neural Networks with Feature Transformation based on Domain Knowledge for the Prediction of Stock Index Futures[J].Intelligent Systems in Accounting Finance&Management,2004,12(3):167-176.

[22] Dhar S,Mukherjee T,&Ghoshal A K.Performance Evaluation of Neural Network Approach in Financial Prediction:Evidence from Indian Market[A].In International Conference on Communication and Computational Intelligence,2011:597-602.

[23] Oliveira F A d,Zarate L E,de Azevedo Reis M,&Nobre C N.The Use of Artificial Neural Networks in the Analysis and Prediction of Stock Prices[A].In IEEE International Conference on Systems,Man,and Cybernetics,2011,32(14):2151-2155.

[24] KS Vaisla,AK Bhatt.An Analysis of the Performance of Artificial Neural Network Technique for Stock Market Forecasting[J].International Journal on Computer Science&Engineering,2010,2(6):103-111.

[25] De Oliveira F A,Nobre C N,Zarate L E.Applying Artificial NeuralNetworksto Prediction of Stock Price and Improvement of the Directional Prediction Index-Case Study of PETR4,Petrobras,Brazil[J].Expert Systems with Applications.2013,40(18):7596-7606.

[26] Vanstone B,&Finnie G.An Empirical Meth-odology for Developing Stock Market Trading Systems using Artificial Neural Ntworks[J].Expert Systems with Applications,2009,36(3):6668-6680.

[27] S Barak,JH Dahooie Wrapper ANFIS-ICA Method to Do Stock Market Timing and Feature Selection on the Basis of Japanese Candlestick[J].Expert Systems with Applications,2015,42(23):9221-9235.

[28] Lasfer A,El-Baz H,&Zualkernan I.Neural Network Design Parameters for Forecasting Financial Time Series[A].In 5th International Conference on Modeling,Simulation and Applied Optimization 2013,8(8):1-4.

[29] Majhi R,Panda G,&Sahoo G.Efficient Prediction of Exchange Rates with Low Complexity Artificial Neural Network Models[J].Expert Systems with Applications.2009,36(1):181-189.

[30] Shahpazov V L,Velev V B,&Doukovska L A.Design and Application of Artificial Neural Networks for Predicting the Values of Indexes on the Bulgarian Stock Market[A].In Signal processing symposium,2013:1-6.

[31] CJ Lu,JY Wu.An Efficient CMAC Neural Network for Stock Index Forecasting[J].Expert Systems with Applications,2011,38(12):15194-15201.

[32] 孙彬，李铁克，张文学．基于DFNN的金融股指预测及金融非线性系统辨识研究[J]．中国管理信息化，2009，12（21）：89-92．

[33] 黄腾飞，李帮义，熊季霞．递归预测器神经网络在中国金融市场的实证研究[J]．统计与信息论坛，2013，28（1）：14-21．

[34] Ticknor J L.A Bayesian Regularized Artificial Neural Network for Stock Market Forecasting[J].Expert Systems with Applications.2013,40(14):5501-5506.

[35] Wang J,&Wang J.Forecasting Stock Market Indexes using Principle Component Analysis and Stochastic Time Effective Neural Networks[J].Neurocomputing,2015,156(C):68-78.

[36] 吴江，李太勇．基于加权支持向量机的金融时间序列预测[J]．商业研究，2010（1）：138-140．

[37] A Hossain,M Nasser.Comparison of Finite Mixture of ARMA-GARCH,Back Propagation Neural Networks and Support-Vector Machines in Forecasting Financial Returns[J].Journal of Applied Statistics,2011,38(3):533-551.

[38] S Fong,R Wong，AV Vasilakos.Accelerated Pso Swarm Search Feature Selection for Data Stream Mining Big Data[J].IEEE Transactions on Services Computing,2016,9(1):33-45.

[39] 姚宏亮，周光辉，李俊照．K线能量计算的股市生命期态势预测方法[J]．计算机应用研究，2016，33（6）：1637-1641．

[40] Yang Y F,Bao Y K,Hu Z Y,&Zhang R.Crude Oil Price Prediction based on Empirical Mode Decomposition and Support Vector Machines[J].Chinese Journal of Management.2010,7(12):1884-1889.

[41] Ince H and Trafalis T B.A Hybrid Model for Exchange Rate Prediction[J].Decision Support Systems,2006,42(2):1054-1062.

[42] 王巍，赵国杰，毕星．金融时间序列混合智能预测模型及实证研究[J]．统计与决策，2008（17）：26-28．

[43] 李祥飞，张再生．基于误差同步预测的SVM金融时间序列预测方法[J]．天津大学学报（自然科学与工程技术版，2014（1）：86-94．

[44] Catalina Cocianu,Luminita State.Kernel-Based Methods for Learning Non-Linear SVM[J].Economic Computation and Economic Cybernetics Studies and Research,2013,47(1):41.

[45] Patel J,Shah S,Thakkar P,&Kotecha K.Predicting Stock Market Index using Fusion of Machine Learning Techniques[J].Expert Systems with Applications,2015,42(4):2162-2172.

[46] 戴稳胜，吕奇杰，David Pitt．金融时间序列预测模型：基于离散小波分解与支持向量回归的研究[J]．统计与决策，2007（14）：4-7．

[47] Yoshihara A,Fujikawa K,Seki K,&Uehara K.Predicting Stock Market Trends by Recurrent Deep Neural Networks[A].In PRICAI 2014:Trends in Artificial Intelligence[C].Springer,2014,8862:759-769.

[48] Ding X,Zhang,Y,Liu T,Duan,J.Deep Learning for Event-driven Stock Prediction[A].In Proceedings of the 24th International Conference on Artificial Intelligence,2015:2327-2333.

[49] 孙彬，李铁克，张文学．基于GD-FNN的金融股指预测模型[J]．计算机应用研究，2010（9）：3272-3278．

[50] 朱梦珺，蒋洪迅，许伟．基于金融微博情感与传播效果的股票价格预测[J]．山东大学学报（理学版），2016，51（11）：13-25．