混合鲁棒模型预测投资基金净资产价值的研究

沙特国王大学学报开发新的混合和鲁棒自适应模型用于净资产价值预测Babita Majhia，C.M.阿尼什a、里坦贾利·马吉ba部。印度比拉斯布尔中央大学，Guru Ghasidas Vishwavidyalaya，495009b印度瓦朗加尔国立理工学院管理学院506004阿提奇莱因福奥文章历史记录：2017年11月10日收到2018年4月23日修订2018年4月24日接受2018年4月26日在线提供保留字：资产净值（NAV）预测自适应移动平均（AMA）自适应自回归移动平均（AARMA）函数连接人工神经网络BP算法与Wilcoxon范数A B S T R A C T有效地预测各类投资基金的净资产价值对于投资者和基金管理机构都是至关重要的。但由于不确定性和政治经济因素的影响，对这类复杂的金融序列进行预测是困难的。在本文中，一种新的混合自适应集成的开发和评估其性能在训练和测试阶段使用六个不同的NAV数据。此外，提出了一种鲁棒混合预测模型，使用鲁棒范数的最小化基于仿真的实验结果表明，所提出的集成混合模型的预测性能优于三个单独的组件模型。统计配对t检验进行比较，以确保所提出的模型的优越性，与其他三个模型。此外，据观察，所提出的鲁棒集成模型优于其混合对应的所有NAV和所有百分比的离群值高达10%的训练样本中存在的。同样的集合和鲁棒模型也可以应用于不同天的预测的各种NAV的有效预测©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍证券投资基金是现代市场经济中最常见的投资方式之一这是一个有组织的投资政策，吸引了许多投资者的储蓄基金经理将募集的资金投资于股票、债券、房地产、贵金属等各种资本市场资产，通过合理管理投资策略，以最小的风险提供低交易成本大多数流行的共同基金是开放式的，因此股票持有人可以单独管理他们的股票在任何时候购买或出售然而，对于普通投资者、经纪人等来说，预测共同基金发生的变化是一项困难的任务。由于金融部门是混乱的、不确定的，受经济、政治和心理因素的影响，很难用常规方法预测因此，需要开发新的方法来有效地预测它*通讯作者。电子邮件地址：babita. gmail.com（B. Majhi）。沙特国王大学负责同行审查近年来，相关文献报道了不同的机器学习技术已被用于预测各种金融数据，使投资者能够以较小的风险获得高这些方法中很少有遗传算法（GA）（Tsai等人，2011）、人工神经网络（ANN）（Majhi等人，2009 b）和支持向量机（SVM）（Pai和Lin，2005;Majhi等人，2009年c）。为了使用诸如神经网络的各种类型的自适应学习模型来预测投资基金的净资产价值（NAV）（Li等人，2010）、具有反向传播的神经网络（BPNN）（Yan等人，2010）和功能链接人工神经网络（FLANN）（Anish和Majhi，2016）。同时，多个预测模型的组合比单一预测模型具有更好的时间序列预测性能。许多研究人员报告了不同的集成技术，包括线性和非线性模型（Babu和Reddy，2014; Oliveira和Ludermir，2016）。基于ANFIS和集成非线性特征选择方法，提出了一种新的混合模糊时间序列模型（Su和Cheng，2016）在另一项工作中（Talarantti等人，2016），利用指数模糊时间序列的混合模型进行股票市场预测。一种由简单指数平滑滤波器、自回归积分移动平均（ARIMA）、自回归（AR）和支持向量回归（SVR）组成的混合进化系统（Oliveira和https://doi.org/10.1016/j.jksuci.2018.04.0111319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com648B. Majhi等人 /沙特国王大学学报-计算机与信息科学33（2021）647- 657Ludermir，2016）也被建议用于时间序列预测，其中PSO用于优化AR模型的阶数，SVR参数和时间序列的滞后数。混合模型（Rout等人，2014）已经采用了自回归移动平均块，其参数具有基于差分进化的训练方案用于汇率预测。据报告，各种回归神经网络模型和交易指标的混合物用于汇率预测（Ni和Yin，2009年）。在另一项研究（Khashei和Bijari，2011）中，报告了一种用于时间序列预测的人工神经网络和ARIMA的新型混合模型。本文提出了一种基于自适应差分进化算法和反馈神经网络的时间序列预测混合模型（Wang et al.， 2015年）。包络技术已经应用于各种时间序列预测，如煤混合预测（Cheng等人，2016），文本情感分类（Onan et al.，2016），黄金价格分析（Xianet al.，2016），滑坡易感性评估（Pham等人，2017年）和电力系统预 测 （ 江 和Ma ， 2016; Jose 和 Winkler ， 2008; Gooijer 和Hyndman，2006;Clemen，1989; Stock和Watson，2004），目的是提高预测精度。近年来，许多作者提出了许多混合模型，不仅用于时间序列预测，而且用于其它目的。提出了一种使用多智能体系统的新型分布式混合输出反馈协议（Hu和Cao，2017）。为了确保同步，已经提出了分数阶延迟耦合神经网络（Bao等人，2016年）。在（Yao etal.， 2016年）。最近，分布式参数一致性优化问题被研究并应用于分布式模型预测一致性问题（Shi等人， 2018年）。提出了加权投票叠 加 算 法 以 及 基 于 案例 的 推 理 方 法 ， 以 准 确 预 测 浮 油 的 存 在（Baruque等人，2010年）。对于分类问题，提出了前馈神经网络的隐藏层中的传递函数和核函数的不同组合，其中进化算法用于更新（Gutiérrez等人，2009年）。提出了一种基于神经网络（NN）和支持向量回归（SVR）的有效的非参数预测方法，用于期权价格（Liang等人， 2009年）。 将深度学习和度量学习集成到用于点击诱饵检测的基于案例的推理方法中（López-Sánchez et al.，2017年）。已经研究了自组织映射和径向基函数神经网络的加权投票汇总的增强以预测企业失败以及财务危机（Borrajo 等人， 2011年）。文献回顾表明，很少有报道的工作是在净资产价值（NAV）预测领域中，特别是通过使用集合模型或混合模型。因此，我们有动机开发一种新的混合模型，使用线性模型，如自适应移动平均（AMA）和两个非线性模型，如自适应自回归移动平均（AARMA）和自适应FLANN模型预测各种NAV。所提出的混合模型的参数更新使用类似于反向传播算法的算法。这种组合背后的动机是展示线性和非线性模型的优点，从而期望提高预测精度。这是因为NAV时间序列通常包含相对于时间的线性和非线性变化。在这个意义上，所提出的自适应预测模型不同于其他已发表的工作。当训练样本中存在离群值时，同一模型不能准确预测NAV。文献中报道了许多鲁棒学习算法，用于在存在离群值的情况下学习参数。对于双线性系统的辨识，已经发展和使用了一种鲁棒递归最小二乘方法（Dai和Sinha，1989）。一种鲁棒学习方法使用RBF网络并在（Sanchez，1995）中报道。已经报道了两种不同的机制（Liano，1996），其中离群值影响监督神经网络模型。提出了一种鲁棒的支持向量回归网络（Chuang等人，2002），以提高模型在离群值存在下的学习性能。对于鲁棒学习方案的设计，在（Hsieh）中使用Wilcoxon范数例如， 2008）作为成本函数。基于Wilcoxon范数开发了一种鲁棒的最小均方算法，用于识别训练样本被离群值污染的参数（Majhi等人，2009年a）。在另一项通信中（Majhi和Panda，2011年），使用基于Wilcoxon范数的成本函数开发了一种新的自适应方法，该方法在存在强离群值时具有鲁棒性，并已用于稳健的汇率预测。目前的研究已经引入了一个强大的混合模型，称为Wilcoxon范数为基础的混合神经网络（WNHNN）的预测NAV的存在离群值。因此，提出的模型的发展包括两个新颖性：线性和非线性自适应模型的组合和使用鲁棒学习算法来处理训练样本中的离群值本文的其余部分组织如下。第二节讨论了集成方案中使用的线性和非线性自适应预报模型.第三部分介绍了基于集合的混合模型在NAV预报中的发展。第4节讨论了集合稳健预报模式的发展。在第五节中，进行了基于计算机模拟的实验，以获得预测结果。 在第6节中，对所获得的结果进行了讨论和分析。最后，第7节给出了调查结论。2. 用于混合预测方案的线性和非线性自适应模型2.1. 基于自适应移动平均（AMA）的预测模型第一自适应模型是自适应移动平均（AMA）模型，并且具有如图1中的AMA所示的简单前馈部分。模型输出由特征向量元素的加权和计算。输入特征模式从过去的数据中获得，并用于预测模型的输出。MA模型中权重的数量取决于用于预测任务的输入特征的数量在这种情况下，预测输出仅取决于当前输入特征。2.2. 基于自适应自回归滑动平均（AARMA）的预测模型第二个自适应模型是自回归移动平均（AARMA）（Widrow和Strearns，1985）模型，线性组合前馈和反馈路径的输出，如图1中AARMA所示。移动平均（MA）部分作为前馈部分，自回归（AR）部分作为反馈部分。模型在第n时刻的输出取决于第n特征集和该时刻的输出值。MA部分的权值数目等于模式中输入特征的数目，而AR部分的权值数目通过试错法设置，使得模型的均方误差在训练期间逐渐减小，并达到最小值。2.3. 基于函数链人工神经网络的预测模型函数链接人工神经网络（FLANN），如图所示。 1是由（Pao，ð Þð þÞB. Majhi等人 /沙特国王大学学报-计算机与信息科学33（2021）647-657649Fig. 1. 架构所提出的自适应混合模型预测的NAV。1989）并且由具有N1个节点的输入层和一个输出节点组成，但是不包含任何隐藏层。FLANN中的非线性由每个输入向量x n的三角展开来提供，以生成非线性元素和输出神经元。在这种情况下，三角展开方案是优选的，因为已经报道了这些基于展开的模型在各种其他应用中提供改进的性能（Anish& Majhi，2016; Patra等人，1994;Patra等人，1999年）。这种扩展使预测模型成为一种非线性模型，适用于非线性时间序列的预测。3. 基于集合的混合预测模型3.1. 提出了一种基于BP的混合神经网络模型为了提高预测精度，混合模型已被采用与线性和非线性模型的适当组合。在所提出的工作中，一个线性模型，选择两个非线性模型建立了一个预测净资产价值的混合模型。AMA作为线性模型，而AARMA和FLANN被用作非线性模型。使用反向传播算法更新混合模型的参数（Haykin，2009）。所提出的基于反向传播（BP）算法的混合模型有三层：输入层，隐藏层和输出层，如图所示。1.一、拟定混合模型开发中使用的符号和标记为：成分自适应模型的数量=M用于训练混合模型的特征模式的数量=P每个图案中的特征数量=N在ARMA模型的前馈和反馈路径中的权重数分别为N和K。Number的权重在的AR模型=用于FLANN模型的每个特征的三角展开的数量=RðÞðÞðÞ-y2X0 ð Þð●ÞXXXð●Þð Þ<650年Majhi等人 /沙特国王大学学报-计算机与信息科学33（2021）647- 657x p;n=第n输入特征的pth模式，使得P2ðn6N;1

下载后可阅读完整内容，剩余1页未读，立即下载