股票价格预测范文

股票价格预测范文（精选10篇）

股票价格预测 第1篇

目前, 对股票价格趋势预测有两种方法:基本分析法和技术分析法。基本分析法, 就是尽可能的找出所有影响股票价格波动的因素 (如:国际经济和政治局势、国内经济和政治局势、宏观经济政策、公司财务指标、管理团队指标等等) , 建立这些因素与股票价格之间的模型, 对股票价格进行预测。这种方法有很强的理论根据, 但是我国金融市场中广泛存在的炒作现象经常使股票的价格严重背离其基本价值, 使基本分析在实务中被认同的程度不高。技术分析法, 就是从证券市场的历史数据, 通过图表、技术指标等寻求股票价格变化的规律进行预测。这种方法假设基础是:证券的市场行为已经包括了宏观、微观经济的一切信息;价格总是按照某种运动趋势运动;价格的运行方式往往会重复历史。国内学者研究表明, 中国股市存在非线性与混沌。根据Takens定理可知, 只需单独考察股票市场的价格时间序列, 便可获得其背后的动力系统。因而可以通过股票价格时间序列重构股票市场非线性动力系统, 给定一组股票价格迭代序列, 构造非线性映射, 最后得到股票价格预测模型。

传统的股市技术分析法如K线图法, 移动平均线法对股价的预测不够理想。而神经网络在非线性建模中具有优势, 不必建立复杂的数学模型即可完成预测。在神经网络算法当中, B P算法应用很普遍, 有很多文献已经将其应用在股票价格的预测中, 但是由于B P算法权值的调节采用的是负梯度下降法, 容易陷入局部极小点, 收敛速度慢。因此, 本文利用蚁群算法训练人工神经网络的权值, 再将蚁群神经网络用于股票价格的短期负荷预测, 提出了一种蚁群神经网络预测模型, 提高了B P神经网络预测模型的精度。

一、蚁群神经网络预测模型

1. 股票价格短期预测模型

股票的价格是按时间的先后顺序采集的, 由于影响股市交易的因素很多, 比如银行的利率、国家政策、物价指数、上市公司的业绩以及人们心理的影响, 股价的时间序列表现出复杂性和不确定性, 是一个非线性时间序列。

股票价格是一个一维时间序列, 本文使用文献构造的多输入单输出的网络拓扑图, 通过股票价格时间序列重构股票市场非线性动力系统, 根据给定的一组股票价格迭代序列, 通过神经网络构造非线性映射。又由于个股走势与大盘指数的变化是具有一定联系的, 因此得到股票价格预测模型, 如图1所示。

2. 神经网络模型

神经网络是由处理单元组成的一种并行的分布式信息处理结构, 处理单元之间由单向信道相互连接。人工神经元是神经网络的基本计算单元, 模拟了人脑中神经元的基本特征, 一般是多输入/单输出的非线性单元, 可以有一定的内部状态和阀值。图2所示为本文使用的神经网络模型。

3. 蚁群神经网络

(1) 蚁群算法

蚁群算法是一种基于模拟蚂蚁群行为的随机搜索优化算法。蚁群算法充分利用了蚁群的优化机制:选择机制 (分泌物越多的路径, 被选择的概率越大) 、更新机制 (路径上面的分泌物会随蚂蚁的经过而增长, 而且同时也随时间的推移逐渐挥发消失) 、协调机制 (蚂蚁间实际上是通过分泌物来互相通信、协同工作的) , 通过个体之间的信息交流与相互协作最终找到最优解, 使它具有很强的发现全局最优解的能力。文献的计算实例表明该算法具有良好的克服局部极值、取得全局极值的能力。

(2) 蚁群算法训练神经网络的过程

将蚁群算法用于训练前向神经网络, 可按以下步骤进行:

(1) 系统初始化, 包括系统参数的设定以及初始蚁群的产生。

(2) 分别对每只蚂蚁的第i个分量进行子区间信息量的更新;以及在子区间候选组中进行遗传操作, 生成第i个分量的新值。然后计算m只蚂蚁新解的函数值。

(3) 修改各条边上的信息量;更新候选组, 取函数值小的n u m个解将其各分量值插入相应的子区间的候选组中。

(4) 如果蚁群全部收敛到一条路径, 或达到结束条件 (如N C≥NCmax) , 则循环结束, 输出最佳解;否则, 转步骤 (2) 。

4. 蚁神经网络的具体实现

(1) 基本思想及参数定义

首先, 每只蚂蚁代表一个前向神经网络, 前向神经网络的欲寻优变量X为两个权值矩阵 , 和两个阀值向量 , X即为一只蚂蚁的解向量。然后, 利用蚁群算法对分析指标函数F (X) (函数的表达式根据具体情况定义) 进行寻优操作, 直到满足给定停止条件 (比如:F (X) 或达到规定训练次数) 为止。

(2) 实现过程

规定寻优变量X的各分量取值范围 , 将的各分量分为个子区域。设系统中有m只蚂蚁, 我们将解的n个分量看成n个顶点, 第i个顶点代表第i个分量, 在第i个顶点到第i+1个顶点之间有e条连线, 代表第i个分量的取值可能在个不同的子区间。我们记其中第j条连线上在i时刻的信息量为 。每只蚂蚁要从第1个顶点出发, 按照一定的策略选择某一条连线到达第2个顶点, 再从第2个顶点出发, …, 在到达第n个顶点后, 在条连线中选取某一条连线到达终点。每个蚂蚁所走过的路径代表一个解的初始方案, 它指出解的每一个分量所在的子区间。

可根据下列公式选取第i个分量所在的子区间号j (即从第i个顶点出发, 选择第j条连线) :

其中q值均匀分布在 (0, 1) 内随机选取, 是每个分量的ki个子区间中信息量最大的子区间被选种的概率。 表示分量的信息量最大的子区间号。j0按如下概率分布在[1, ]内取值:

其中表示分量i的第j个子区间的信息量, 它在动态地变化。

为了确定解的具体值, 可在各个子区间已有的取值中保存若干个函数值较小的解的相应分量作为候选组, 为了加快收敛速度, 参考具有变异特征的蚁群算法提出的具有变异特征的蚁群算法, 使用遗传操作在候选组中确定新解的相应分量的值。首先可随机在候选组中选择两个值, 然后对他们实行交叉变换、变异变换, 以得到新值作为解的相应分量。该候选组中的值在动态更新, 一旦有一个更好的解的分量在该子区间中, 就用这个值替换其中的较差者。

在m只蚂蚁得到m个解后, 要根据它们函数值的大小更新各条边上的信息量。要根据下式对各路径上的信息量作更新:

其中

。其中W为一个常数, 表示蚂蚁k在本次循环中在区间i和j之间留下的信息量。

设第k个个体的第i个分量选中第j个子区间, 则按下式局部更新子区间j的信息量:

。重复这样的迭代过程, 直至满足停止条件。

候选组里的遗传操作如下:

(1) 若候选组里的候选值的个数i=0, 既候选组里没有候选值, 此时则产生一个 间的随即数作为解分量xi j的值, 跳过选择、交叉、变异遗传操作。

(2) 若i=1, 即候选组里只有一个候选值xik, 则跳过交叉、选择操作, 直接对这个候选值, 进行变异操作。

(3) 若i=2, 即候选组里有两个候选值, 则跳过选择操作, 直接对这两个候选值进行交叉、变异操作。

(4) 否则, 选择两个分量后进行交叉、变异操作。

在选择操作中, 用“赌轮”的方法选取两个值, 第j个值被选中的概率为 。

在交叉操作中, 设所选择的两个值为xij和xij, 其对应函数值分别为E1, E2, 且E1Pcross, 则进行交叉操作。取随机数 , 交叉结果值 ;若, 则不进行交叉操作, 取。 。

在变异阶段, 以概率Pmutate对交叉操作结果xcross进行变异操作得到xmutate。第i个分量的第k个子区间为 设 , 产生随机数 , 取 这样可以保证遗传操作的结果仍然在子区间中。

在所有蚂蚁都得到解以后, 按式 (1) 和式 (2) 相应地更新各子区间上的信息量。

2.蚁群神经网络预测模型应用实例

本文利用了股票代码为000070的股票在2007年11月5日~1 2月1 3日的历史数据来进行建模、训练并验证本文提出的方法, 编程环境为VC++6.0。

为了便于神经网络的计算, 首先对股票价格数据x按 (3) 式进行预处理, 式中x为股票价格值;a和b分别为x的最小、最大值。

神经网络输入层神经元个数为8, 隐层神经元的个数为12, 输出层神经元个数为1。输入向量 , 其中 为前j天第时i刻的x’值。

本文采用均方误差E作为分析指标函数F (X) , 定义如下:

式中y’为预测价格值, y为实际价格值。本例中蚂蚁的数量m=100;q0=0.8;W=1; 。

对1 2月1 4日的预测结果如表所示, 从中可以看出, 蚁群神经网络预测模型的预测精度较B P神经网络预测模型有较大的提高, 并且前者的实际运行速度明显快于后者。图3中, 蚁群神经网络预测模型的百分误差变化也较均匀。

三、结束语

预测股票价格走势一直是人们关心的问题。本文利用蚁群算法训练前向神经网络, 克服了BP算法的一些固有缺陷, 并用于了股票价格短期预测上。实例表明蚁群神经网络预测模型有很好的预测精度和较快的预测速度, 与传统B P神经网络模型的比较表明本文模型有更好的特性, 因此, 蚁群神经网络预测模型是有效的。

参考文献

[1]汪少华:应用投资学导论:证券投资、项目投资、产权投资、创业投资[M].北京:经济科学出版社, 2004

[2]徐绪松:复杂科学、资本市场、项目评价[M].北京:科学出版社, 2003

[3]付成宏傅明阙建荣:基于RBF神经网络的股票价格预测[J].企业技术开发, 2004, 4第23卷第4期:14～15, 38

[4]陈陵沈洁秦玲:蚁群算法求解连续空间优化问题的一种方法[J].软件学报, 2002/13 (12) 2317～07

[5]Dorigo, M., Luca, M.A study of some properties of Ant-Q[R].Technical Report, TR/IRIDIA/1996-4, IRIDIA, University Libre de Bruxelles, 1996

[6]袁晓东:神经网络在股票价格中的应用[J].北京机械工业学院学报, 2002, (3) :71～77

[7]魏平熊伟青:用于一般函数优化的蚁群算法[J].宁波大学学报, 2001, 12 (4) :51～53

股票价格预测 第2篇

关键词：ARIMA；模型；股票价格；预测

一、引言

利率波动、收益率变化以及汇率的变化通常都是时间序列，但经济时间序列与横截面数据不同，存在重复抽样情况，它是一个随机事件的唯一记录，且过程不可重复，横截面数据中的随机变量能方便地通过其均值、方差或数据概率分布加以描述，但是时间序列中这种描述很不清楚，这就需要用一些特定的计量方法和手段，对其变化规律进行分析。

时间序列分析的基本思想是通过时间序列历史数据揭示现象随时间变化的规律，并向未来延伸，进而针对该现象的未来做预测。ARIMA模型是在ARMA模型基础上发展出来的，而ARMA模型在时间序列分析中发展的相当成熟，已被广泛应用。目前ARMA模型常用于拟合平稳序列，在金融及股票领域尤为重要。本文运用ARIMA模型，结合平安银行股票历史开盘价的数据来建立模型，预测了平安银行股票未来几天的开盘价，进而推断它未来的趋势。

二、ARIMA模型的理论介绍

（一）ARMA模型

一般的ARMA模型的形式表示为：

xt=0+1xt-1+…+pxt-p+εt-θ1εt-1-…-θqεt-q

{εt}是白噪声序列，具有有限均值和方差的独立同分布随机变量序列。p代表自回归成分的阶数，q代表移动平均成分的阶数，1，2，…，p是自回归系数，也称记忆系数，描述了滞后性对当期的影响程度，θ1，θ2，…，θq为移动平均系数。对于AR（p）和MA（q）只是ARMA（p，q）的一种特例，当p=0时，ARMA（p，q）= MA（q），当q=0时，ARMA（p，q）= AR（p）。

ARMA模型是针对平稳序列，需对其进行处理，产生一个平稳的新序列，才可以使用。常用的方法为对非平稳序列进行对数处理后差分产生平稳序列，此时引入自回归求和移动平均模型，记为ARIMA（p，d，q），模型方程为：

（1-B）d（1-1B-…-pBp）xt=（1-θ1B-…-θqBq）εt（2）

其中B为滞后因子，满足Bxt=xt-1，Bpxt=xt-p。

（二）时间序列分析的工具和方法

1. ARMA（p，q）模型平稳性检验方法：ADF检验

ADF检验的思想是：对于序列{xt}有Δxt=ct+βxt-1+∑p-1i=1γiΔxt-i+εi，其中ct为时间t的确定性函数，构造统计量ADF=β∧β∧的标准差，β∧为β的估计量，然后再查ADF临界表，看是否拒接原假设β=0，若统计量ADF的绝对值大于ADF临界值的绝对值，则认为时间序列是平稳的，否则是非平稳的，对于非平稳时间序列是不能用ARMA模型的，这时候就要通过其他的变换处理使得到的序列是平稳时间序列。

2. ARIMA模型的定阶方法

对于不平稳的序列我们不能直接建立ARMA模型，需要差分之后使得序列平稳，若d阶差分之后序列平稳了则可以使用ARMA模型，ARIMA模型主要有两种定阶方法：自相关、偏自相关函数定阶法和AIC准则。一般AIC准则确定模型的阶数，当p，d，q使得AIC达到最小时，则p，d，q是模型最佳阶数。

三、对平安银行股票的日开盘价进行实证分析及预测

本文数据选取的是平安银行股票2015年1月5号到2015年6月10号106个日开盘价样本，基于ARIMA模型对日开盘价进行拟合并预测，最后在与实际开盘价做对比并分析。在eviews7软件下运行模型。

（一）平稳性处理

由于股市的波动一般都比较大，开盘价基本都是非平稳的。

对日开盘价进行一阶差分处理，得到差分之后的序列图，差分之后的序列明显在零附近波动，可以猜想差分之后的序列是平稳的。

对差分之后的序列平稳性进行ADF检验，ADF检验结果显示，ADF的值小于1%的临界值，而且P值也接近于0，说明一阶差分之后的序列是平稳的。

（二）模型的选取及定阶

如图4，自相关和偏自相关均无明显截尾性，因此使用ARIMA模型，由结果看出在3阶的时候自相关和偏自相关系数超过了2倍标准差范围，所以在这里选取了9中模型进行尝试，分别为ARMA（3，1，3），ARMA（2，1，3），ARMA（1，1，3），ARMA（3，1，2），ARMA（3，1，1），ARMA（3，1，3），ARMA（（2，3），1，3），ARMA（3，1，（2，3）），ARMA（（2，3），1，（2，3））。最后根据t统计量和AIC信息准则这两项指标来判断模型ARMA（3，1，3）是最好的各系数显著通过检验，且AIC值最小。对ARMA（3，1，3）的估计结果分析计算，根据模型估计结果写出模型表达式：

（1-B）（1+0.91B-0.69B2-0.63B3）KPJt=0.03+（1+093B-0.92B2-0.94B3）εt

其中B为滞后因子，εt为残差项。

（三）对残差进行检验

参数估计后，需对残差序列进行白噪声检验，若残差不是白噪声序列，说明残差中还有有用信息未被提取，需进一步改进模型，若残差序列相关系数落入2倍标准差范围内，则表示残差序列已是纯随机的，即表明模型已符合要求。通过eviews7对残差序列检验。结果显示最右侧p值都大于0。05，说明所有Q值都小于检验水平为0。也就是说已建立的模型的随机随机误差项是白噪声序列，因此模型合适。

（四）对开盘价进行预测

下面用前面已经建立的ARIMA（3，1，3）模型对平安银行股票日开盘价进行预测，由于股票价格波动较大，因此短期内预测是有用的，而长期预测就会出现较大的偏差。所以本文只对股票开盘价进行短期预测，预测2015年6月11日，12日和15日的日开盘价，结果如下：2015年6月11日：开盘价预测值为16.77，开盘价实际值为16.68，预测误差为0.09；2015年6月12日：开盘价预测值为16.74，开盘价实际值为16.48，预测误差为0.26；2015年6月15日：开盘价预测值为16.60，开盘价实际值为16.53，预测误差为0.07。

可知预测的2015年6月11日、12日及15日的开盘价分别为16。77元，16。74元和16。60元，与实际值之间相差0。09元、0。26元和0。07元，差误相对较小，进一步说明了所建立的模型是准确的，因此对平安银行股票日开盘价有很好的预测意义。

四、结论

股票价格预测 第3篇

股票是金融市场最主要的金融工具之一,股票价格往往随时间变化而波动,股票的价格走势直接影响着投资者的经济利益,以及不同行业的景气状况,也影响和反映着国家的宏观经济政策。因此,股票价格能否预测及如何预测有着其重大的研究意义。

应用时间序列模型进行预测是较为常见的预测方法,正确的通过时间序列建立相关的模型进行股票价格预测有着重大意义,它在一定程度上能为国家的政策提供一个参考,给人们一个参考有利于公司的发展,有利于国家经济发展。

本文选择紫金矿业日收盘价、万科A日收盘价,采用ARIMA模型做短期预测。

二、数据

本文所采用的股票历史价格数据均来源于中证网http://www.cs.com.cn/,选取紫金矿业日收盘价、万科A日收盘价上证指数近3年的672个日收盘价的数据进行研究分析。

三、模型描述

Box-Jenkins方法(博克思-詹金斯法)--ARIMA模型

Box-Jenkins方法用变量XÁ自身的滞后项,以及随机误差来解释该变量,具体形式可表达成ARIMA(p,d,q)。其中p表示自回归过程阶数,d表示差分的阶数,q表示移动平均过程的阶数。ARIMA是自回归移动平均结合(Auto Regressive Integrated Moving Average)模型的简写形式,用于平稳序列通过差分而平稳的序列分析,简记为ARIMA(p,d,q)

若时间序列是平稳的,可直接运用ARIMA模型:

若时间序列是非平稳的,则需要经过d阶差分,将非平稳时间序列转换成平稳时间序列。平稳时间序列可表示成:Xt*=(1-B)dXt

对于下文出现的符号做简短说明:

Xt:从2008年4月25日算起的第t个交易日的收盘价(t=1,...,672)

Wt:原始的万科A的日收盘价数据

DWt:原始的万科A的日收盘价数据通过一阶差分处理后的时间序列

DDWt:原始的万科A的日收盘价数据通过二阶差分处理后的时间序列

Zt:原始的紫金矿业的日收盘价数据

DZt:原始的紫金矿业的日收盘价数据通过一阶差分处理后的时间序列

DDZt:原始的紫金矿业的日收盘价数据通过二阶差分处理后的时间序列

四、实证分析

(一)紫金矿业的日收盘价的分析及预测

1.采用SPSS软件做预测分析

(1)模型识别

首先根据ARIMA序列自相关函数及偏自相关函数的截尾、拖尾性质作模型识别(Identification or tentative specification)。

(1)上证指数紫金矿业的日收盘价的序列的特性通过绘制序列图(见图1)

从图1中可以看出:X{t}序列没有明显的周期性,可以初步断定该序列是非平稳的。因此,可对原始数据作一阶差分:Zt=(1-B)Xt,时,时间序列达到平稳。

(2)绘制的Xt自相关函数和偏自相关函数图。

根据图2、图3所给的图形,一阶差分后的ACF呈一阶后截尾,PACF呈一阶后截尾,可初步判X断Á适合ARIMA(1,1,1)模型。

(2)模型确定

据图4所示,不难发现残差序列接近于白噪声序列,是随机分布的,因此模型ARIMA(1,1,1)是合理的。

(3)对ARIMA(1,1,1)模型进行条件期望预测

根据所建立的ARIMA(1,1,1)模型对2011年2月25日至2011年3月11日的紫金矿业的日收盘价利用SPSS进行预测,可得到如下表所示的预测结果:

绝对误差=预测值-实际值,相对误差=绝对误差/实际值对于以上11个数据,根据平均相对误差的计算公式代入计算可得紫金矿业的日收盘价的相对误差为-0.0266=-2.66%,可见预测效果较好,这主要是所取的数据个数少,若预测的数据过多,则平均误差增大,预测效果会不那么理想。

2.利用Eviews软件做预测分析

(1)模型判断

(1)序列的平稳性判定

上证指数紫金矿业的日收盘价的序列的特性通过绘制时间序列图(见图5)

从图5可以看出:{Zt}序列有明显的较大的波动,没有明显的周期性,因此{Zt}是一个非平稳时间序列。对于非平稳时间序列我们可以通过差分或者去趋势来得到平稳时间序列,在这里我们对{Zt}序列做二阶差分序列{DDZt}。

如图6所示,我们可以认为二阶差分后的时间序列是平稳的。

(2)绘制二阶差分序列的自相关函数和偏自相关函数图来确定序列{DZt}的ARMA模型阶数如图7

由图7我们得到ARMA模型阶数p=2,q=5。

(2)模型预测

因本文所取的数据较小,故采用Eview软件的静态预测,如此所得结果比动态预测更加准确。静态预测是采用滞后因子变量的实际值而不是预测值来计算一步向前的结果。经过预测得到如下图形和数据(见图8)

根据所建立的ARIMA(2,2,5)模型对2011年2月25日至2011年3月11日的紫金矿业的日收盘价进行预测,对所得到的预测结果进行平均相对误差的计算:平均相对误差=-0.001594112499

(二)万科A的日收盘价的分析及预测

1.采用SPSS软件做预测分析

(1)模型识别

(1)上证指数万科A的日收盘价的序列的特性通过绘制序列图(见图9)

可以看出:{Xt}序列没有明显的周期性,可以初步断定序列是非平稳的。因此,可对原始数据作一阶差分:Wt=(1-B)Xt,此时,时间序列达到平稳。

(2)绘制Xt的自相关函数和偏自相关函数图。

根据图10所给的图形,一阶差分后的ACF呈一阶后截尾,PACF呈一阶后截尾,可初步判断Xt适合ARIMA(1,1,1)模型。

(2)模型确定

根据图11,不难发现残差序列接近于白噪声序列,是随机分布的,因此模型ARIMA(1,1,1)是合理的。

(3)对ARIMA(1,1,1)模型进行条件期望预测

根据所建立的ARIMA(1,1,1)模型对2011年2月25日至2011年3月11日的紫金矿业的日收盘价利用SPSS进行预测,可得到如下表所示的预测结果:

绝对误差=预测值-实际值,相对误差=绝对误差/实际值对于以上11个数据,根据平均相对误差的计算公式入计算可得万科A日收盘价的相对误差为1.33%,可见预测效果较好,主要是所取的数据个数少,若预测的数据过多,平均误差增大,预测效果会不那么理想。

2.利用Eviews软件做预测分析

(1)模型判断

(1)序列的平稳性判定

上证指数万科A的日收盘价的序列的特性通过绘制时间序列图(见图12)

从图12可以看出:{Wt}序列有明显的较大的波动,没有明显的周期性,因此{Wt}是一个非平稳时间序列。对于非平稳时间序列我们可以通过差分或者去趋势来得到平稳时间序列,在这里我们对{Wt}序列做二阶差分序列{DDWt}。

如图13,我们可以认为二阶差分后的时间序列是平稳的。

(2)绘制二阶差分序列的自相关函数和偏自相关函数图来确定序列{}的ARMA模型阶数如下:

从图14判断得ARIMA模型阶数p=1,q=5.

(2)模型预测

因本文所取的数据较小,故采用Eview软件的静态预测,如此所得结果比动态预测更加准确。静态预测是采用滞后因子变量的实际值而不是预测值来计算一步向前的结果。经过预测得到如下图形和数据:

根据所建立的ARIMA(1,1,1)模型对2011年2月25日至2011年3月11日的万科A的日收盘价进行预测,对所得到的预测结果进行平均相对误差的计算:平均相对误差=0.0000168557

四、结论

本文利用ARIMA模型,采用SPSS和Eviews两种软件对两种股票的日收盘价进行预测分析,从结果可知,对于短期预测来说,ARIMA模型具有一定的可行性,但其只限短期预测,对于长期趋势或者突发情形,就会表现出局限性,预测的偏差会比较大,因为影响股票价格波动的因素很复杂,有些也很难量化,包括如宏观经济政策因素、政府政策、国际环境影响等。这些因素在ARIMA模型中只能以随机扰动项表示,而在预期的期望值中却无法表现出来。另外,这种传统的多元回归模型均为齐方差性模型,且假定模型残差的均值为零、方差为常数,但实际上我国股价指数序列往往存在异方差现象。

鉴于此,我们可以采用其他用途更加广泛的模型,例如ARCH模型、GARCH模型、EGARCH模型等,这些模型考虑的综合因素更多更全面,从而得到的相关的预测结果更加贴近实际,能给人以更好的参考。

参考文献

[1]薛薇.Spss统计分析方法及应用.电子工业出版社,2004年9月

[2]何书元.应用时间序列分析.北京大学出版社,2009年10月

[3]童光荣,何耀.计量经济学实验教程.武汉大学出版社,2008年6月

股票价格由谁决定 第4篇

刚才说了，股市中开／收盘价的两个价格是由电脑像牵红线一样撮合而成，只有经过撮合的价格才能成为大家口中念念有词的“开盘价”、“收盘价”。不过电脑可不是什么时候都会为你牵线搭桥的，这要比时下流行的那些神马相亲节目靠谱多了。它老人家有固定的工作时间，而且每个工作日准时出现，早一分不行，晚一分也不行。如果你想抢先一步买卖股票，那就准时每天9点15～9点25分和14点57分～15点整，守在电脑前打开交易软件等着电脑给你撮合。电脑也不是那么智能那么高端，能猜透你的心意，除时间以外，还需要你提供中意股票的代码、价格、数量等信息，这样它才可以根据你的要求去进行撮合。当大家都向一支热门股票发动进攻，那这个时候就要看谁提供的价格和数量给力，这样才可以得到成交的机会。经过大家这样一番金钱攻势，可能会博能美人·红脸，也可能会博得美人一绿脸。当然众人最喜欢的还是红脸美人，毕竟这代表今天又是一个好收成。不过，你也要不要害怕绿脸鬼娃，说不这是今天最好的一个机会，以后她就会天天红脸。

可能有的童鞋觉得电脑它老人家每天工作也太轻松了，总共就努力撮合13分钟就可以收到N多的金钱，简直是比某些腐角还黑。但也不是说你送了钱钱就没有办法退，它还是很有人情味地将这早上的10分钟进行了划分。9点15分～9点20分你可以进行买卖报价申请，也可以退回报价申请：9点20分～9点25分就只可以进行买卖报价申请，而不能撤销申请。就算你的买卖没有成交，申请资金也要等到9点30分正式开始交易后才退给你，因此你会错过第一时间买卖股票的机会。至于下午的3分钟也是实行只申请不撤销的政策，要到15点整以后才会自动撤销。电脑就是通过这样不断撮合的方式决定了每支股票的开盘价和收盘价，小散们也给这个撮合配对的机制取了_一个灰常和谐的名字“集合竞价”，说白了这就是大家博股票红脸、绿脸的关键因素。

集合竞价决定原则

说完了电脑要做些什么事之后，再来说说它是通过什么方式进行撮合配对，让大家可以买到或卖出自己手中的股票。当交易所电脑每天9点15分开始工作的时候，全国那些痴情股友提出的买卖申请都会像潮水一样涌向它。每个买卖的股票都不一样，而且提交的申请价格和数量也不一样。哪怎么决定今天谁的买卖能成，谁的不能成呢?说到这就要表扬一下交易所的超级电脑了，早就将咱们这些YD的心思猜了个一清二楚。古语有云：价高者得。但光是价高怎么行，要是你报个100W，但是交易数量却只有一手，也太不符合时下流行“大”的要求了。为了防止这种情况的出现，交易所只有果断出手，制定规则，这样就可以最大限度地避免意外的发生，除非你今天是踩着狗屎来的。咱们作为一个遵纪守法的好儿童，既然要参与玩这个博美人_红脸的游戏，就得依照着规矩办。

那咱们就来看看要玩转这个游戏，需要满足些什么要求。第一，当然是满足量的需求了。成交量是最大的，不然又要让某些钻牛角尖的人捡漏了。第二，高于昨天收盘价的买入申请和低于昨天收盘价的卖出申请，这些痴情郎的申请都可以进入拉红线的配对的考虑范围。第三，就是与收盘价相同的买进和卖出申请也是可以考虑的。当电脑收到了满足以上三个要求的报价申请后，就开始按照价格优先、时间优先的原则从高到低进行排序。价格相同的按照电脑收到的时间先后进行排序，排好序后就要在此基础上找出一个价格来做为开盘价。至于股票的开盘价是红脸，还是绿脸，那就看当然是买的多，还是卖的多。要是在大家报价申请的最后时刻出现了多个开盘价(一个以上)，而且都满足前面的三个要求，那这个时候就需要电脑的两个大佬出马来解决。沪(上海交易所)大佬则会选取这几个价格的中间价格为成交价格，深(深圳交易所)大佬则选取离昨天收盘价最近的价格为成交价格。收盘价格也是差不多的方式，只要时间一到(14点57)，电脑就会将这个时间段所有的交易视为集合竞价进行撮合，按照规则决出收盘价。这也是有些童鞋看到14点59分价格与15点整价格有着明显不同的原因。一般会高出一些或低一些，这都是因为在最后的时间段进行集合竞价，当满足三条件的价格形成后，就会直接显示在15点整这个时间上。

看着电脑撮合一段段好买卖，真是一件麻烦的事。咱们也不用太担心电脑它老人家忙不过来，毕竟它的处理能力是上亿级次的。也就是说，1秒钟可以处理1亿次以上的交易，所以大家就甭操心了。还是应该仔细研究一下，怎么在已经制定好的规则下进行对自己有利的交易吧!

集合竞价撮合流程

怎么样，各位股友，在了解了集合竞价的游戏规则后，是不是已经变成蠢蠢欲动呢?不过，考虑到这大地上什么样的人都有，咱们在这儿还是有必要把电脑那1秒钟所干的事讲得更清楚一些。以免有些神人过得晕头转向，真是电脑1秒钟，现实10分钟。

废话少说，正式进入正题。假设某个股票G在开盘前分别有5笔买入的报价和6笔卖出的报价。根据价格优先的原则，按买人价格由高到低和卖出价格由低至高的顺序分别排列如下：

按不高于申买价和不低于申卖价的原则，首先可成交第一笔，即3.80元买入的报价和3.52元的卖出报价，若要同时符合申买人和申卖人的意愿，其成交价格必须是在3.52元与3.80元之间，但具体价格要视以后的成交情况而定。这对委托成交后其他的委托排序如下：

在第一次交易中，由于卖出委托的数量多于买入委托，按交易规则，序号1的买入委托2手全部成交，序号1的卖出委托还剩余3手。

第二笔报价申请的情况：序号2的买入委托报价为不高于3.76元，数量为6手。在卖出报价中，序号1～3的所有报价数量正好为6手，其价格也符合不高3.76元的要求，正好成交，成交价格在3.60元～3.76元的范围内，成交数量为6手。这里需要提醒各位的是，第二笔成交价格的范围是在第一笔成交价格的范围之内，且区间要小一些。第二笔成交完成后剩下的情况为：

由于第二笔买入报价数量刚好与前三笔剩余的卖出报价数量相等，所以卖出报价的前三笔就完全清空。

第三笔报价的申请情况：序号3的买入报价的要求是不超过3.65元，而卖出委托序号4的委托报价价格则刚好相等，这样序号3的买入报价与序号4的卖出报价就正好可以配对成交，价格为3.65元。因卖出报价数量大于买入报价数量，故序号4的卖出报价只成交了4手，还剩余2手需等待下次交易。第三笔成交后的委托情况如下：完成以上三笔买卖交易后，因最高买入报价为3.60元，而最低卖出价为3.65，买入价与卖出价之间再没有相交部分，所以这一次的集合竞价就已完成，最后一笔的成交价就为集合竞价

的平均价格。剩下的其他委托将自动进入开盘后的正常交易，正常交易后还能成交就会成交，不能成交就会退回或者一直显示在委托中。

在以上过程中，通过一次次撮合配对，成交的价格范围逐渐缩小，而成交的数量逐渐增大，直到最后确定一个具体的成交价格，并使成交量达到最大。在最后一笔配对中，如果买入报价和卖出报价不相等，其成交价就取两者的平均。在这次的集合竞价中，三笔委托共成交了12手，成交价格为3.65元，按照规定，所有这次成交的委托无论是买入还是卖出，其成交价格都定为3.65元，股票G的开盘价就显示为3.65元，成交量12手。

当申请股票的买入价格和卖出价格没有配对成功的时候，沪大佬就会将该股票的开盘价显示为空缺，并将9点30分正常交易产生的第一笔价格作为开盘价。而深大佬则不然：若最高申买价格高于前一交易日的收盘价，就选取该价格作为开盘价：若最低申卖价格低于前一交易日的收盘价，就选取该价格为开盘价；若最低申买价格不高于前一交易日的收盘价、最高申卖价不低于前一交易日的收盘价，则选取前一交易日的收盘价为今日开盘价格就可以了。

集合竞价中的猫腻

看到这么严谨的撮合原则和那么复杂的撮合流程，很多童鞋都已经直摇头，掐断了自己买卖股票去参与集合竞价的念头。某些黑手、高手需要的就是咱们不要去参加集合竞价，因为这样更有利于控制股票的开盘价和收盘价，让他们利用短短的13分钟赚取超乎想像的利润。

炒股的童鞋可能遇到过这样的情况，某股票今天全天都在下跌，而且交易数量也很少，但是到了收盘的集合竞价却交易活跃。虽然收盘的时候还是下跌5％，但是到了晚上股票所在公司却发布了一个特别利好的消息(重组或大分红)。按照咱们小散的眼光来看，遇到这种利好，第二天一早就都要去抢购这支股票，也希望能在上涨的过程中分得一杯羹。果然到了第二天集合竟价时，股票也不负众望以涨停开出开盘价，但是正式交易后，价格却节节败退，直到收盘时大跌。而在这样的一次交易中，却有人笑得异常的开心，因为他在这样两天的交易中就赚取了15％利润。准确的说，他是在13分钟的集合竞价中赚到的这15％，它就是利用了集合竞价中的价格优先、时间优先原则。早在一开始集合竞价的时候就打人以涨停价卖出的指令，并且报价数量也很多，当其他人的想买的报价纷纷而来时，就可以将他要卖的全部买入。这样就算开盘后股价如何波动，也与他没有半毛钱关系，因为他的交易已经在集合竞价的时候完成了。

股票价格预测 第5篇

一、股票价格预测模型原理

(一) BP神经网络

BP神经网络是一种多层前馈网络, 按误差逆传播算法训练, 是目前应用最广泛的神经网络之一。BP网络能学习和存贮大量的输入-输出模式映射关系, 它使用最速下降法, 通过反向传播调整网络的阈值和权值, 使网络的误差平方和最小。然而由于其收敛速度慢, 以及网络的学习和记忆具有不稳定性等缺陷, 影响了股票价格的预测精度。

(二) RBF神经网络

RBF神经网络是一种高效的前馈型局部逼近式网络, 它具有最佳逼近性能和全局最优特性, 训练速度快, 结构简单, 在时间预测、非线性函数逼近等领域具有广泛的应用。RBF神经网络由n个输入节点、m个隐含层节点和1个输出节点组成, 隐层节点是RBF函数。RBF神经网络隐含层节点的基函数通常选择高斯核函数, 输出层节点是简单的线性函数。

(三) GABP网络

基于遗传算法的BP网络模型将遗传算法和BP神经网络相结合可以充分利用两者优势。先用遗传算法在全局范围内搜索最优解的近似值, 再经BP网络训练最终得到全局最优解。基于遗传算法的BP网络模型用于预测主要由三个阶段构成。先用遗传算法在全局搜索BP神经网络的最优初始权值和阈值的近似值, 再将其赋值给BP网络训练, 逐步求精, 最终得到全局最优的权值和阈值, 最后用训练好的BP网络实现预测功能。

二、基于神经网络的股票价格预测

本文采用2011年7月1日以后105天的上证指数数据为样本数据。以影响股票价格的相关因素为输入层, 以收盘价为输出层。前100天的数据为训练样本, 预测后5天的收盘价。为消除数据间量纲级别, 加快网络训练速度, 对所有的原始数据进行归一化处理。采用遍历法, 以最小预测误差为目标确定各个相关参数。

三种神经网络模型对股票价格的预测结果及误差如下, 见表1。

由以上结果可知, 神经网络模型对股票价格的拟合与预测能力强, 预测精度很高, 能够满足股票价格预测的要求。在实际操作中发现, RBF神经网络的收敛速度最快, BP神经网络最慢。在预测精度方面, 基于遗传算法优化的GABP网络拟合精度更高, 能够更为准确的预测股票价格, 其误差率均低于千分之四, 误差率绝对值的平均值仅为0.00178, 误差绝对值之和仅为6.864, 较传统的BP与RBF网络更为有效。

三、结束语

本文提出BP、RBF神经网络, 以及基于遗传算法优化的GABP网络, 应用于股票价格的预测中。预测结果表明, 神经网络模型能够较好地拟合股票价格趋势, 并较准确地对股票价格进行预测。其中GABP神经网络比传统的BP和RBF神经网络有更好的全局收敛性、更高的学习效率和预测精度, 达到了更好的预测效果, 在股票价格预测的应用中有一定推广价值。

摘要：股票价格受到社会经济等多方面因素的影响, 价格变化大, 具有非线性和不稳定的特征, 采用传统的线性模型难以准确的预测。本文采用BP、RBF神经网络, 以及GABP神经网络进行股票价格预测, 比较分析了三种方法的预测精度。实证结果表明, 神经网络能够较好地对股票价格进行预测, 其中GABP网络比传统的BP和RBF网络有更好的全局收敛性及更高的预测精度。

关键词：股票价格,BP网络,RBF网络,遗传算法,GABP网络

参考文献

[1]郑睿颖, 伍应环.神经网络在股票价格预测中的研究[J].计算机仿真, 2011 (10) .

[2]陈杨, 王茹, 林辉.Matlab6.0版本中神经网络工具箱训练算法的使用与比较[J].电脑与信息技术科技, 2002 (03) :221-232.

[3]惠晓峰, 胡运权, 胡伟.基于遗传算法的BP神经网络在汇率预测中的应用研究[J].数量经济技术经济研究, 2002 (02) :43-46.

股票价格预测 第6篇

时间序列分析是指通过描述分析历史数据随时间变化的规律,预测事物的未来发展趋势,其在经济预测领域的研究过程中发挥着重要的作用。在股票市场上,时间序列分析可以用于对股票的未来价格趋势进行预测,其结果可为股票市场的管理者和投资者提供决策依据。

然而由于股票市场是一个比较复杂的非线性非平稳系统,它同时受多种因素的交互影响,有些因素较容易度量,而有些因素却难以量化。如果对其进行科学的计算和评价,仅用传统的统计理论和方法已不能满足对该领域进行深入研究的需要,迫切需要前沿理论和新技术的充实。

从股票预测方法的研究现状来看,国内外已有其他学者运用不同的方法对股票市场进行预测研究。Khashei等人[1]认为ARIMA模型能够较好地处理金融时间序列数据的非线性性质,将ARIMA应用于金融时间序列的分析。Sun等[2]使用RBF神经网络模型和K均值算法对上证股票价格指数进行预测。尚朝辉等[3]使用遗传规划构建了基于遗传编程理论的股票技术交易模型,证明该模型可以为股票买卖提供策略。Kazem等人[4]建立了基于支持向量机的预测模型来预测股票的市场价格,并以微软的收盘价进行实证研究。肖菁等[5]运用遗传算法优化神经网络的权值和阈值建立了改进的三层BP神经网络股票预测模型。Mirchandani等人[6]使用遗传算法优化神经网络,建立股票价格预测模型,并以孟买股票市场实证研究,结果显示预测准确率介于50% ~80 % 之间。

通过查阅分析相关文献,发现基于统计学的股票时间序列的研究一般是建立在股票收益率是独立的、符合正态分布的假设上; 支持向量机方法的长记忆性较差且实施大规模训练样本较难,比较适合对小样本数据进行学习和预测。文献中,关于遗传规划算法在股票价格预测领域的研究,大多数研究者是把遗传算法与神经网络相结合,构建出混合模型。但是通过分析发现,在使用遗传规划算法优化神经网络方法的过程中,需要对问题本身有深刻的了解和很好的判断,整个混合系统的性能要依赖于其他因素,难以使得所有因子达到最优化,一般比较难获得较好的ANN模型。且神经网络方法本身是一种黑盒的方法,对于表达并分析被预测系统的输入与输出之间的联系有一定的难度,所以也较难对最终的结果进行完整的解释和检验。

遗传规划( GP) 是从遗传算法( GA) 中演化和发展起来的一种搜索寻优技术[7]。两者的主要不同之处是个体表示结构和对数据的处理方式不同[8]。遗传算法是使用定长的字符串( 通常是二进制) 来描述问题,而遗传规划是用广义的层次化计算机程序来描述问题,遗传算法的这种固定的大小,限制了它的应用,使它无法描述一些大小结构变化的问题,缺乏动态可变性。同时由于要事先对字符串的长度进行估计,可能会使结果不够准确,甚至找不到全局最优解,而遗传规划恰好弥补了此方面不足。

基于遗传规划的自适应建模在很多领域均有应用价值。遗传规划方法有着强大的符号回归和处理非线性的能力,可以容易地显性表达输出变量与输入变量间的非线性关系。近年来许多学者对遗传规划算法及应用做了大量的研究工作,在实际的应用中取得了很大成功,如今它已成功地被应用于预测[9]、分类[10]、机器学习[11]、图像处理[12]以及数据挖掘[13]等领域。

本文首先介绍了基于遗传规划的自适应建模算法,将遗传规划与时间序列相结合,构建了基于遗传规划的时间序列自适应模型,并使用Java语言辅助GP自适应算法的实现。然后将GP算法模型应用于我国某支股票价格的预测,相比传统遗传规划算法和GA优化神经网络方法,该算法具有良好的结构逼近性能和较高的预测精度。

1 基于遗传规划的时间序列自适应建模

遗传规划的基本原理是,首先随机产生符合所要解决问题环境的初始群体,构成算法的搜索空间。该群体的每个个体都有一个适应度值,按照“优胜劣汰”的选择法则,用三种遗传算子依次处理拥有较高适应度值的个体,然后产生下一代群体,直到达到所设定的终止条件则结束循环。遗传规划最重要的特点是群体中的个体是用动态的树状结构组成,树状结构的层和节点都是可以动态变化的。

遗传规划方法的主要步骤如下:

( 1) 确定个体的表达方式。遗传规划算法最常见的编码形式为由列表和原子构成LISP的S表达式。其中,列表对应树结构的非叶子节点,原子对应树结构的叶子节点。非叶子节点由运算符和初等函数组成,叶子节点包含变量与常量,通常为适用于问题空间领域的最基本元素。

( 2) 随机生成初始群体。非叶子节点集和叶子节点集中的基本元素按一定的随机选择方法组合生成初始个体,初始个体达到规定的数目之后组成一个初始群体。本文对传统算法进行改进,采用平均值法生成初始群体: 即首先生成M个个体,求它们的平均适应度,当新生成个体的适应度比当前平均适应度值大的时候,个体即被保留下来。重复此过程,直到保留下来的个体数达到M个为止。此种产生初始群体的方法对于每组个体而言,组平均适应度是一个逐步提高的过程,可以提高初始种群个体的整体适应度和算法的整体收敛效率。

( 3) 个体适应度值计算。适应度值是衡量个体对环境适应能力强弱的指标,是个体表达式逼近真实解的近似程度。本文引入适应度函数:

其中yi表示第i个观测值,T表示观测值的个数,yi是根据函数表达式得到的与yi相对应的第i个预测值,u表示观测值的平均值。

( 4) 根据设定的遗传参数对群体中的个体进行复制、交叉和变异遗传算子操作,以此产生新一代的个体。本文把当前种群中具有最高适应度的函数直接保留到下一代,以保证每代中的最优个体不被破坏。其中,变异操作属于辅助算子,对保持种群的多样性功能起着重要的作用,在进化初期,个体的适应度相对较差,因此,本文在进化初期采用较大的变异概率对群体中适应度较差的个体进行变异以加快进化速度。

( 5) 重复( 3) 和( 4) ,直到满足设定的终止准则,终止准则一般有: 运行进化到规定迭代次数或进化达到规定的允许误差。

遗传规划的整体工作流程如图1 所示。

基于遗传规划算法的整个建模过程不依赖于具体问题领域的特定知识即可动态地生成搜索空间。从演化结果和外推与内插的特性方面来看,遗传规划建模方法比人工神经网络更优越的地方是其能得到简单的显式表达式。在这样的背景下,使用遗传规划算法进行数据拟合,可以不需要确定方程的具体结构,而只需将数据交给计算机,设定一个精度,然后在经过几十代甚至几百代后,就可以得到符合自由曲线变化规律的数学表达式。

我们根据如上所述的基于遗传规划的自适应建模算法,结合时间序列元素,建立股票价格预测模型。根据需求功能特性的描述,将算法的功能划分为四个模块: 模型个体的编码模块、基于遗传规划的算法模块、系统的控制界面以及数据接口模块。如图2 所示,算法的基本原理是通过遗传规划算法的搜索求解功能,通过研究对象自身的历史数据,来寻找符合研究对象特征的最优模型。

2 算法设计

遗传规划方法的任务是,从许多候选的自动生成求解实际问题的计算机程序所组成的搜索空间中,通过优化寻找出一个具有最佳适应度的计算机程序。Java语言是一种可以撰写跨平台应用软件的面向对象的程序设计语言。因此本文使用Java编程语言[14]辅助算法的实现,通过面向对象的思想和方式,帮助我们实现对所要解决的问题进行抽象与建模,也更利于用我们易理解的方式对算法进行分析、设计与编程。同时开发了My SQL数据库接口,建模采用的原始数据保存在My SQL数据库中,在安装了标准的Java 1. 7 虚拟机的电脑上运行。

2. 1 结构设计

( 1) 二叉树

本算法用到的典型的数据结构是二叉树结构。系统使用二叉树结构来描述模型,即: 树结构中的非终端节点为函数,包括简单的计算操作( ﹢、- 、* 、/) 、函数( sin,cos,tan,exp,power,log) 等。树结构的终端节点为变量或者常量,从而使得一棵二叉树即是一个模型表达式。

在上述结构中,简单的计算操作是二元的,函数有一元的,也有二元的。由这些元素组成的树结构中,每个节点至多有两个孩子节点。本文直接采用二叉树来表示。

( 2) 数组列表Array List

遗传规划算法的个体种群采用Array List结构。Array List结构是一种线性数据结构形式,它会在删除掉某些元素时自动缩小,这样就不必检查个体种群中所有的元素,只需要查询它是否带有要寻找中的值就好。

( 3) 矩阵Matrix

原始数据采用矩阵的数据结构来表示。不论是待拟合系统的输入数据,还是输出数据,均采用矩阵结构。采用矩阵结构来描述数据的另一个好处是可扩展性。例如对于多变量联立方程组模型,矩阵结构就能够很轻松实现,而对于向量式的数据结构就难以描述多变量联立方程组。

2. 2 数据接口设计

本算法通过主模型中的get Data方法。实现对外部数据的读取,在算法的主模型Gp Model类中,设计了一个方法get Data( ) ,该方法实现从数据库中读取数据,并且在模型的初始化方法init( ) 中调用,从而使得算法模型与外部数据关联。如果要使用系统应用于其他领域的建模,只需要重写get Data( ) 方法。

2. 3 并行算法设计

由于我们的算法需要大量的运算,通常群体的大小在几百以上,进化的代数也在几百以上,这仅是小规模的运算。因此,从性能上考虑,充分利用CPU以及多核,将能够提高算法的运行效率。基于以上考虑,我们在算法流程的核心计算环节,将适应度值的计算、两个个体的交叉操作、个体的变异操作、个体的复制操作都从线程的粒度来进行,从而使得算法能够充分利用多处理器、多核来进行计算。

算法的并行流程如下:

算法采用线程的方式来进行并行计算,使得多计算资源下解决问题的耗时少于单个计算资源下的耗时,因此提高了计算机系统的处理能力和计算速度,与此同时算法的效率大为提升。基于实际的运行效果可以看出,CPU多核运行是明显的,并且还没有达到饱和运行的状态。

2. 4 算法主程序设计

系统的主程序是GPMain Frame. java,这个类也是系统的主界面。在这个类中定义了遗传规划模型Gp Model. java的一个实例,从而进行基于遗传规划的算法操作。

算法主程序Gp Model. java中进行算法进化的主流程代码如下:

3 算法实现

从功能的角度,要实现基于遗传规划的时间序列自适应建模算法,需要实现以下几个方面的算法:

( 1) 数符号集与终端节点集的表达。系统需要定义好通用的数学表达式中的函数符号集、常数和变量集。除此以外,需要留有用户自定义变量集的接口,比如用户需定义n个变量,那么,系统能够很方便地实现具有n个变量的数学表达式的生成与进化。

( 2) 模型个体的编码与解码。模型个体是由二叉树结构组成,在生成模型个体的时候,直接以二叉树结构来表示,而解码则是通过遍历将二叉树个体以字符串方式,按照通常数学表达式的语法来输出。

( 3) 遗传规划算法的进化。实现模型个体的适应值评价、各遗传算子( 复制、交叉和变异) 的操作。

( 4) 基本的算法控制界面。包括算法进化的开始、暂停进化和输出算法当前搜索的结果。算法进化的开始包括群体的初始化、进化循环启动功能; 暂停进化主要是将进化循环条件置为false; 当前结果的输出则是以文本的方式展示当前群体。

( 5) 算法与模拟系统的数据接口。系统能够读取数据库中设定的数据,然后根据算法来完成建模。

我们的主要任务是实现算法的过程,不需要复杂的操作界面。由于基于文本的命令行界面,需要操作者掌握很多复杂的命令语句与参数,非计算机专业的使用者很难接受这种使用起来不直观的界面。随着人际交互技术的日益发展,界面友好的图形用户接口( GUI) 越来越受到大家欢迎。因此,当前为算法过程的监控和实现设计了一个简单的图形用户界面。在界面中左侧有“开始”、“刷新”、“继续”和“暂停”四个按钮,右侧是一个显示算法演化过程中生成的模型情况的文本框。其中“开始”按钮用于启动建模算法,“刷新”按钮则将在界面的右边的文本框中添加当前的模型进化情况,“暂停”按钮则可以中止当前的算法循环,“继续”按钮可以恢复由于“暂停”按钮所中止的循环。

算法的软件包如图3 所示。

4 应用研究

4. 1 样本数据

由于算法的灵活性,我们可以对任意一只股票的每日收盘价在任意区段内的时间序列进行建模。使用CSMAR数据库查询系统,本文选取了中信银行( 代码601998) 从2011 年1 月4 日至2011 年12 月30 日区间的股票收盘价作为建模的样本数据,共234 个工作日数据,选取前224 个收盘价作为训练样本,通过分析这些历史数据建立遗传规划模型,然后预测后10 天的收盘价。

4. 2 参数选择

算法的基本参数设置如表1 所示。

为了保证模型的复杂度,避免群体中产生大量的Xt - 1及类似的个体,我们在初始群体生成时人为地增加了函数节点产生的概率,并且随着个体生成时二叉树的层级的增加使用线性递减函数来降低函数节点的生成概率。

4. 3 结果分析

一般的股票价格预测模型需要事先设定具体的函数形式及具备一些假设前提条件,而遗传规划方法从数据出发,无需对初始数据进行预处理,能自动生成并寻找函数关系。将所确定的模型用简单明了的结构形式显式表达,具有很强的解释性,在对输入输出数据进行无需大量预处理的情况下,即能准确找到适合数据所呈现的规律的模型。这里所说的无需大量预处理即是无需对输入输出数据进行归一化和平稳化处理。表2 列出了经10 次运算后此支股票价格自适应建模算法得到适应度最好的模型。

对表2 模型进行简化,得到的模型如下:

GP模型:Xt-1-0.0017×Xt-4+0.0003×Xt-10

为了讨论上述模型的合理性,我们应用理论分析的方法,对该时间序列建立经遗传算法( GA) 优化的神经网络模型以及传统GP模型,以评价算法的可行性。

分别用本文改进的GP模型与文献[6]中提出的GA优化的神经网络方法以及传统GP算法3 个不同的算法对2011 年12 月16 日至2011 年12 月30 日共10 个工作日数据进行预测,其中对改进前后的GP算法各运行10 次,分析运算性能如表3所示。

从表3 可以看出,相对传统GP算法,经改进的GP并行算法收敛次数较多,且平均CPU耗时较少。

三种方法的实际预测结果如表4 和图4 所示。

计算各个模型预测值与实际值的相对误差如表5 所示。

由表5 可以看出,GP模型中预测值的相对误差普遍较低,最小是0. 00% ,预测值均在实际值附近浮动,GA优化神经网络次之,传统GP算法模型中的相对误差较大。

为了更加全面地描述三个不同模型对股票价格的预测效果,本文采用平均绝对百分比误差( MAPE) 和均方根误差( RMSE)两个指标来衡量模型预测效果的好坏( 第一个指标是相对指标,第二个指标是绝对指标) 。两个评价指标的定义分别为:

其中,yi表示第i个观测值,N表示观测值的个数,y'i是与yi相对应的第i个预测值。MAPE和RMSE越小,说明模型预测精度越高,误差越小。各模型预测结果如表6 所示。

从表6 可以看出,无论是MAPE还是RMSE,改进遗传规划模型的预测误差都小于GA优化神经网络模型和传统GP模型,表明改进遗传规划方法预测效果优于另外两种模型,而GA优化神经网络模型的预测效果又优于传统GP模型。

进一步分析GP模型的结构: Xt - 1- 0. 0017 × Xt - 4+ 0. 0003 ×Xt - 10,包含元素Xt - 1,Xt - 4,Xt - 10,分别代表N天前的收盘价。这说明第t - 1 天,t - 4 天,和t - 10 天对第t天股票价格的关联和影响比较大,即是说股票价格的历史数据对未来的价格产生着一定程度影响,股票价格并不完全是随机的。另一方面,遗传规划自适应建模的结果中含有Xt - 10元素,证明遗传规划方法具有较强的自适应搜索能力,可以准确地找出影响股票价格变化的因素。

5 结语

本文通过Java实现的遗传规划并行算法具有强大的启发式搜索寻优能力。从运行过程看到,算法具有较快的运算速度和结构逼近性能,证明该算法在处理股票价格数据这种非线性时间序列预测方面具有较好的应用价值。在股票预测领域运用遗传规划方法的自适应搜索特性建模,能很快找到影响股票价格变化的影响因子,提高预测的精度,从另一个角度证实了遗传规划的自适应建模在预测领域的优越性。而且在处理历史数据中,采用遗传规划进行数据拟合时,不需要预先确定方程的结构形式,不需对数据进行预处理,大大减轻了我们在数据处理方面的工作量。相比神经网络的黑箱方法,GP方法建模结果具有多样性,可以比较容易且直观地表达并分析被预测系统的输入与输出之间的联系。从预测结果还可以看出股票市场的未来价格变化并不能认为是完全随机的,其有受到过去一段时间历史价格的影响。因此,投资者在股票市场投资时,把过去的价格变化因素考虑在内,有助于股票投资者在一定程度上做出正确的决策。

摘要：针对如何将遗传规划方法与时间序列有效结合,构建基于遗传规划的时间序列自适应模型,并通过Java语言辅助算法的实现。相比之前遗传规划算法,采用平均值法改进初始群体的生成方式,使变异概率随着进化代数的增加而递减,且加入并行计算思想。在算法流程的核心计算环节,将适应度值的计算、个体的复制、交叉、变异操作都从线程的粒度来进行,基于实际运行效果来看,CPU多核运行明显,算法能够充分利用多处理器、多核进行计算,提高了运行效率。将改进的遗传规划模型应用于我国股票市场上股票价格的预测,将预测结果与经遗传算法优化的神经网络方法和传统遗传规划方法进行比较,结果证明改进遗传规划方法的预测精度更高,且能够更直观地表达输入与输出之间的关系。

股票价格内部影响因素实证研究 第7篇

影响股票价格的因素众多, 国内外学者对股票价格的研究也颇多, 最早可追溯到20世纪60年代。涉及股票价格影响因素的研究归纳起来, 主流线有:一是从股票价格内在的影响因素出发, 如公司业绩和风险、会计程序选择、资金结构及规模、会计信息等;二是股票价格的外在因素出发, 如宏观经济因素、市场交易因素、政策因素等。进一步了解, 可以发现, “因果”、“果因”并没有明确的界限, 既可以是公司业绩影响了股票价格, 也可以是股票价格激励了管理层提高公司业绩。

我国股市起步较晚、不够稳定。2005年开始的股权分置改革和2006年颁布的新会计准则表明了我国股市的进一步发展。随着外部环境日益完善, 投资者水平的日益提高, 证券市场的秩序化, 可以完善对股票价格的研究。本文选取有具有代表性的四个财务指标, 从内部因素分析与股票价格的关系。

2 研究假设

根据杨善林 (2006) 等人的研究表明, 股改提高了上市公司内在价值的价格相关性, 同时市场中其它因素对股票价格的影响有所下降。胡继之、于华 (1999) 对我国股市价格波动若干因素的实证研究, 充分的说明了公司业绩、资金结构及风险对股价的内在影响。因此, 本文提出假设:

假设1:每股净资产越高, 股票价格越高。

假设2:净资产收益率越高, 股票价格越高。

假设3:每股收益与股票价格正相关。

假设4:每股经营现金净流量与股票价格正相关。

3 研究设计

3.1 样本选择及数据范围

本文选取2010年沪深股市上市公司A股为样本, 不包括当年上市的公司及金融保险业、房地产业。因为金融保险业报表及业务性质与其他行业存在较大的差异;房地产业的宏观因素影响较大, 而本文主要研究内部影响因素对股票价格的影响。数据来源为国泰安数据库和上海证券交易所公开数据, 剔除一些异常数据后, 得到的样本数据为941家。

3.2 相关变量的解释

本文研究目的是影响股票价格内在原因的相关性分析, 因变量股票市场价格 (P) 选取年度报告报出日后4月末的股价;自变量有每股净资产 (BV) , 净资产收益率 (ROE) 、每股收益 (EPS) , 每股经营现金净流量 (MGXJ) ;控制变量公司规模 (SIZE) 为公司期末总资产的对数, 公司风险指标用资产负债率 (LEV) 衡量, 审计意见 (AO) 区分为标准和非标, 标准无保留审计意见和无保留意见为1, 其他为0, 投资者日换手率 (TO) , 其计算公司换手率=日成交股数/日流通股数。

3.3 构建模型

对于股票价格的估量模型, 较为流行的有计量观和信息观, 本文建立在F-O计量模型上, 建立如下回归模型:

Pit=β0+β1BVit+β2ROEit+β3EPSit+β4MGXJit+β5SIZEit+β6LEVit+β7AOit +β8TOit+ εit。

4 实证结果及分析

4.1 相关性分析

表1的相关系数表示, 样本上市公司的每股净资产 (BV) 、净资产收益率 (ROE) 、每股收益 (EPS) 、每股经营现金净流量 (MGXJ) 都与股票价格呈正相关, 与本文的预期结果一致。对于解释变量的多重共线性, 检验方差膨胀因子, 方差膨胀因子 (VIF) 小于10, 说明回归模型不存在严重的多重共线性问题。

4.2 多元回归结果分析

实证结果表明, 模型在总体上通过了F检验, F值=196.23, 在1%的水平上显著, 说明被解释变量和解释变量全体之间存在线性关系, 线性模型成立。调整后的可决系数为0.5150, 模型的拟合优度较好。

根据价值规律, 价格总是围绕价值上下波动的, 每股净资产与股票价格同向变化。从表2中可以看出, 每股净资产与股票价格存在正相关, 且通过了显著性检验, 假设1得到支持。公司业绩越好, 股票价格越稳定。净资产收益率与股票价格正相关, 而且显著, 假设2得到支持。每股收益与股票价格正相关, 通过了显著性检验, 假设3得到支持。每股经营现金净流量系数为1.29, t值为3.39, 通过显著性检验, 假设4得到支持, 说明现在的投资者开始关注上市公司的现金流。

此外, 常数项系数为72.87, 通过了显著性检验。这一实证分析表明, 还有其他因素影响着股票价格。

参考文献

[1]张腾文, 黄友.经营利润率、股东收益与股票价格的价值相关性研究[J].会计研究, 2008, (4) .

[2]于海燕, 黄一鸣.会计信息对上海证券市场股票价格影响作用的实证分析[J].商业研究, 2005, (4) .

[3]金智.新会计准则、会计信息质量与股价同步性[J].会计研究, 2010, (7) .

影响股票价格变动的因素分析 第8篇

首先来看国家政策。能够影响到股票价格变动的国家政策主要有国家税收政策、金融与财政政策、产业政策和政府政策等等。第一, 税收政策。国家减少或者增加对企业的税收, 那么企业的税后利润就会相应地增加或者减少, 同时企业能够用来支付股息和红利的部分也会相应地出现增减, 由此牵动了股票的价格, 产生变动。另外, 国家的税收政策对于企业是税后付息还是税前付息的不同规定, 也会对股票持有人的收益产生直接的影响。假如是税前付息的话, 那么股票持有人的利益就会得到保障, 这支股票的价格就会比较高;假如是税后付息, 那么相应地股票的价格就会低一些。另外, 国家对印花税税率的调整也会影响股票价格的变动, 某些时候甚至会具有冲击效应。第二, 金融与财政政策。在银根紧缩的时候, 中央银行为了更有效地进行融资, 往往会对股票的发行价格做出一些限制, 以此要求企业更加谨慎经营, 在这种状况下可能会造成股票的价格下降。相反, 央行如果采取的是货币放松政策, 那么新增加的货币也会在一定程度上使得物价上涨, 此时企业名义上的销售收入就会增加, 由此股票收益增加, 股价就随之上扬。第三, 产业政策。对于需要重点支持的产业, 国家往往会通过财政与货币政策给予重点支持, 这些企业的股票价格当然也会在长期内出现上升趋势;相反, 国家限制发展的产业, 其股票价格难以上涨。第四, 政府政策。政府会根据国情进行宏观调控, 股市的走势被打乱的例子屡见不鲜, 因此也有很多股民称中国的股市是政策市。

其次, 经济状况。通常来说, 经济繁荣时期, 企业利润较丰厚, 就可以用较好的股息吸引股票投资者;经济危机来临的时候, 企业生产急速下降导致盈利减少, 股票价格随之下跌, 如果遭遇股票的大量抛售, 股市的崩溃就会加速发生;而经济一旦萧条, 企业生产停滞, 商品销售出现困难, 残余的资金就会慢慢注入股市, 股价相对稳定不再下跌;经济进入复苏回暖阶段时, 投资逐渐增加, 企业利润增加资金周转加速, 投资者对企业估价只高不低, 股价就会攀升。另外要注意的是通货膨胀, 不管是哪种通胀, 只要发生就会给股市带来巨大的影响。一方面在通胀过程中总体物价水平的上升会强化人们的投资保值心态, 而此时的银行储蓄总是低于股票投资, 股票价格就会上升 (但如果是恶性的通胀, 则有可能导致股市的混乱甚至崩溃) 。另一方面通胀会使各种原材料、商品等涨价, 它们的涨幅却不一致, 因此不同行业所受的影响不相同, 企业的股票价格随之变化。最后, 根据通胀的实际情况, 政府就会做出相应的调控, 从货币、投资等入手进行减缩从而影响人们的投资行为, 引起股票价格的波动。

再次, 政治与社会环境。第一, 政局的变化。政局稳定时期, 经济往往比较平和, 股市会较为平稳。而一旦发生战争, 一国的政局不稳, 经济出现倒退, 民心随之不安, 股市必定发生动荡。要注意的是, 战争对不同行业的股票影响的正负相关是不同的, 比如战争期间军工业会益常繁荣, 而房地产则会被重创。第二, 灾害。一旦发生灾害, 企业生产设备的破坏会影响其运转, 间接影响股票价格。我国1998年的特大洪水和2003年的“非典”, 国内股市都发生了大幅下跌, 即使是央行降息也不能阻止这种惨状。第三, 国家领导班子的变动。重大的国家人事变动可能会使经济政策的预测发生思变, 从而造成股价动荡。要记得邓小平逝世的当日, 我国沪深股市开盘就暴跌。

最后, 心理因素。股票买卖带着强烈的投机性色彩, 那么心理因素是不可忽视的。大多数投资者或多或少有从众的盲目心理, 一听到什么传闻或者谣言, 就会作出抢购或抛售的行为, 引起股票价格的暴涨或暴跌。我国股市还处于极不规范的情况, 这方面的影响表现得极为突出。同时, 心理因素影响股市也和前文提到的国家政策是相关的, 颁布的某一项新政策或者法令, 会使投资者重新考虑投资前景, 从而造成股票价格的变动。另外, 由于某些不可排斥的投资因素, 如违规的内幕交易、串通合谋, 恶意炒作, 联合做庄、锁仓、倒仓等, 都会不同程度地造成股票价格变动。

影响股价的内部因素, 首先是上市公司。第一, 企业的盈利。考虑长期因素, 股票价格的变动从根本上是与其上市公司的利润相关的, 对一支股票进行价值估算, 必然要分析其公司的预期利润和长期发展趋势。第二, 企业增资。面额增资和无偿增资有利于股票价格, 如果企业以市场价格形式进行增资, 其经营状况良好, 这就会给投资者带来良好的印象, 对于股票的价格是非常有益的。同时也需要注意股票数量, 原因是, 流通的股票数量增加过多可能会造成股价的下跌。第三, 企业的囤积与套利。有些公司为了加强和其他公司的联系, 或者并购其他公司, 就会大量购买这些公司的股票, 此时这支股票会在短时间内急剧上升, 但随着囤积者的抛出或者该公司的购回, 股票价格又会暴跌。然后是证券公司。一般来说, 保险公司、投资信托公司、信用金库等机构的投资者, 都会把证券投资作为资产保值和增值的重要一环, 金融法人与社团法人对于证券投资都会非常严肃认真地对待。这些机构投资者的多少对证券行情会产生比较大的影响。证券公司的不同动向往往会使股民对股票市场的行情作出不同的预测, 中小散户更多地会参考大机构的动向, 因为他们相信大机构入市之前肯定是做了万全的调查准备的。证券管理部门与证券交易所要维持股票价格的公正, 当他们发现股价出现不正常的波动时, 就会采取相应的措施。股市政策在一定程度上调节了股价指数, 对股市陷入低迷或者过于火爆, 都可以针对具体行情使股市能够以平稳的状态运转。

综上所述, 由于前文所提到的多种因素的综合作用, 股票价格不断地变动。股票投资者要综合考虑各种因素, 做出正确的判断与投资决定。

摘要：股票价格直接关系到投资者的经济利益, 股票价格变动的预测就非常重要。那么影响股票价格变动的因素必须被提炼出来, 并进行深入的分析。本文试图分析出这些因素, 以便为投资者参考。

关键词：股票价格,变动因素,市场

参考文献

[1]曾令全.证券投资学.中国财政经济出版社, 2004[1]曾令全.证券投资学.中国财政经济出版社, 2004

[2]傅广宛.证券投资管理.经济管理出版社, 2001[2]傅广宛.证券投资管理.经济管理出版社, 2001

股票价格预测 第9篇

关键词：股票；HP滤波；混合分布假说

中图分类号：F830.91 文献标识码：A doi：10.3969/j.issn.1672-3309（x）.2013.12.70 文章编号：1672-3309（2013）12-161-02

一、前言

股票市场中股票的价格变动与交易量的关系一直是学术界关注的问题，因为量价变化关系是反应股票市场供需变化的一个重要途径，同时对其二者的变动趋势研究及其内在分析也是研究套利机会和市场有效的重要方面。目前对于股票的量价关系研究结论并不统一，主要表现为：股票交易量与价格波动存在正相关关系，Osborn等人研究股票交易量与价格之间的波动关系表明两者存在显著地相关关系，Smirlock 与Starks研究也支持Osborn等人的观点，赵留彦、王一鸣的研究表明在证券市场日交易量与价格变化的之间存在显著的正相关关系^[1]。

另外，股票价格与交易变化之间还存在因果关系。Lee和Rui利用格兰杰因果检验方法对美、日、英三国股价与交易量进行分析发现交易量并非股价变动的格兰杰原因，美国的交易量却对英、日市场具有先导性。尹为醇对沪深市场研究发现量价变化不仅存在静态关系，且存在显著动态依存关系^[2]。本文将采取格兰杰因果检验方法，对采用HP滤波分解的股票价格与交易量进行动态分析，研究其内在的动态关系。

二、股票价格和股票交易量的内在理论分析

根据混合分布假说（MDH）的观点认为：潜在的、无法度量的信息流是股票价格与成交量变化的决定性因素，新的信息流将同时造成股票价格与交易量变化。在假设的条件下，新的信息能够及时被股票交易者捕获，然后同时做出理性抉择，在市场上进行交易活动，及时实现市场均衡。对于潜在的信息流，股票交易者能够及时捕获并做出相应的反应；但是对于无法度量的信息流人们很难捕获并作出相应的反应，这就使得股票市场容易偏离均衡点，造成股票市场非均衡波动。于是许多文献根据采取线性趋势与非线性趋势的方式对交易量进行分解。这样的分解方式认为不同时期的不同信息流对交易量的冲击影响是持续不变的；然而实际上信息流对交易量的冲击影响会随着时间的推移逐渐递减，即近期信息流对交易量的冲击影响最显著。完全理性人能够根据最近的信息流对股票价格及交易量变动做出及时理性的反应。本文认为对股票价格及其交易量运用HP滤波分解更加科学合理，也符合理性人分析问题与抉择的特征。

三、股票价格和股票交易量的实证关系

本文采用的5分线数据是上海指数数据，采集的数据从2013 年 4月 23日至 2013年 6月 6日，剔除节假日后共30个交易日的1440个有效数据。所采集的5分线数据主要包含日期、时间、开盘价、最高价、最低价、收盘价、成交量等指标，开盘价指的是在每5分钟时间区间内刚开始时上海指数的当前价；成交量指的是在每5分钟内上海指数的累积成交总量。本文把开盘价作为股票的交易价，且对其取对数P_t=lnP_ni，同样对交易量：v_t=lnv_ni（t=1，2，…，1440，n表示交易日，i表示交易时）。

通过Spss17.0可得P_t与v_t的Pearson相关系数R=0.375，对Pearson相关系数进行双侧检验可得P=0.000，这说明上海指数的股票价格与交易量存在显著的正相关关系。通过Eviews7.1对P_t与v_t进行格兰杰因果检验，可得P_t是v_t格兰杰原因，其对应的检验统计量F_t=6.922，其P=0.001；而vt不是P_t格兰杰原因。这说明股票价格的变化能够引起股票交易量的变化，股票交易量变化对股票价格的影响不显著。这也表明股票市场受到信息流冲击时，对其股票价格的受其直接冲击影响比较大，而其交易量受其直接冲击的影响比较小，更多的是通过股票价格作用受其间接冲击。

运用Eviews7.1对上证指数价格与交易量进行HP滤波法分解，分解时取平滑参数λ=100可以得到图1、2的分解图。

对无度量信息冲击引起的股票非预期价格与非预期交易量变动进行相关分析，可得R_vcs，pcs=0.011，其检验统计量的p值为0.669，正相关性不显著；对潜在信息量对股票潜在价格与潜在交易量变动进行相关分析，可得R_vts，pts=0.435，其检验统计量的p值为0.000，正相关性显著。这说明无度量信息流对股票价格与交易量变动冲击影响不是造成其正相关的原因，而是潜在信息流对股票价格与交易量的影响才造成了股票价格与交易量的正相关关系。这也表明了潜在信息流较无度量信息流对股票的影响更加显著。

对股票价格与交易量的分解变量进行格兰杰因果检验，检验结果如下表1。

通过表1，在置信度P=0.05下，只有PTS变量是VTS变量的格兰杰原因，而其它都不是。这说明潜在信息流对股票潜在价格与潜在交易量的冲击影响，造成了股票价格是股票潜在交易量的格兰杰原因；而无度量信息对股票价格是交易量的格兰杰原因的影响不显著。这也表明潜在信息流对股票价格与交易量影响显著，在股票市场的假设条件下，人们还是能够把握股票变动趋势的。

四、结论

通过对上证指数的分析，笔者可以得到，我国上证指数股票价格与交易量存在显著的正向相关关系，潜在信息流对股票的冲击影响较无度量信息流对股票的冲击影响显著，其股票潜在价格受到潜在信息流的直接作用明显，而股票潜在交易量相对于股票潜在价格具有滞后性，这也表现了股票潜在价格对股票潜在交易量具有先导性（股票潜在交易量受到股票潜在价格的影响）。 股票价格与股票交易量表现为正相关关系以及单向的格兰杰因果关系主要受潜在信息流的冲击影响。另外，无度量信息流对于股票非预期价格与交易量正相关性的影响不显著，这说明无度量信息流对非预期价格与非预期交易量变动方向影响并不太一致，这还需要对其进一步研究。非预期价格与非预期交易量的格兰杰因果关系不显著，这可能与无度量信息流能够同时对非预期价格与非预期交易量造成影响有关。

总之，无度量信息流对于股票市场的作用是难于预测的，但是只要把握住潜在信息流，还是能够把握股票市场变动的。

参考文献：

[1] 赵留彦、王一鸣. 沪深股市交易量与收益率及其波动的相关性：来自实证分析的证据[J]. 经济科学，2003，（02）：57-67.

中国股票市场价格反操纵研究 第10篇

根据有关专家的相关研究认为, 股票市场的运行情况决定了市场操纵的行为。我们国家的股市还未达到强势的有效市场。专家认为强势有效的股票市场中是不可能存在市场操纵的行为。正是因为这个原因, 中国的股市还是存在频繁的价格操纵行为。根据Fama的有效市场假说观点, 市场可以分为三类, 弱势有效市场、半强势有效市场、强势有效市场。在其弱势有效市场中, 信息只有包含历史价格, 投资者们无法利用过去的股票价格所包含的信息来获取利益, 并且股票价格随机游走, 所以技术策略无法获得有效的成果, 不能获取超额利润。在半强势有效市场中, 股票价格不仅包含历史的股价信息, 还包含现在所有公开的信息。例如季度报、年报等, 投资者不仅无法获取历史的信息获利。在强势有效市场中, 股价包含所有的信息, 所以投资者即使是利用内幕消息也无法获利, 最终个人或者一个团体都不存在垄断力量。根据这个理论现在的中国股票市场是弱势有效市场, 信息存在着不完全, 操纵者拥有信息优势的局面, 这就为市场创造了操纵的基础。

以下是主要的反操纵方法:

一、建立专业化的信息披露系统

目前, 中国上海证券交易所和深圳证券交易所采用的处理上市公司的财务报告信息是XBRL-Online系统, 例如半年报、年报、公司基本情况等。对于上市公司的突发性和日常信息, 没有可供投资者查询的简洁的信息平台。从美国、日本、伦敦等成熟的证券市场上看, 构造专门的上市公司信息披露系统, 使一般投资者能偶快捷地了解到上市公司的及时信息, 一方面可以缓解信息的不对称情况, 减少非理性投资者, 另一方面减少机构投资者或者大型公司的所有者利用信息不对称进行操纵的行为。

二、强化证券监管机构的事前预警和事中处治手段

我国现行对市场操纵的监管侧重以事后监管为主, 沿用了“线索获取、立案稽查、处罚惩戒”的模式, 成为操纵行为处罚的整体事后性和相对滞后性的直接原因。法律对证券监管机构事前预防和事中制止措施授权的不充分, 限制了监管机构作为日常专业性监管机构职能的发挥。从各国和地区的监管时间来看, 证券监管机构反操纵的事前预警和事中处治手段主要包括:对可能违法行为的弹性的调查权、向法院申请禁令、签发停止违法行为令等。SEC的调查分为非正式调查和正式调查两个阶段, 在执法过程中, 权力运用具有相对的灵活性和强制性。对可能的违法违规交易行为, 我国证券监管机构可以引入非正式调查程序, 在50个工作日之内作出结论。另外, 通过司法程序进一步为调查行为提供更大的强制性。

三、加强对中小型的冷门股的监管

一般庄家不会在盘子大的股票中做庄操纵, 以为盘子大意为着所要投入的资金量太大, 所以他们一般会选择中小型的冷门股, 在平时交投并不活跃的市场里, 做庄的痕迹特别容易显现。比如交易量突然变大。并且, 一般需要配合利好或者利空的消息才能骗到散户。所以要加强对这方面的监管。

四、建立实质上的做空机制

中国股市虽然有了股指期货, 但对几千万中小散户投资者来说, 其实是很难做空的。个人投资者只能买进, 只能在熊市情况下才能获得收入, 很难卖空, 这样就很糟糕。在欧美等其他国家, 当股市下的情况下可以通过卖空手段取得经济效益。就比如中国股票市场和中国期货市场而言, 股市里没有做空, 所以股民不变, 反而钱会有变动, 因为没有卖空, 所以大跌时期, 市值增发, 一些, 平仓不了的股民就突然发现自己账户里的钱小时掉, 而且也不知道到底增发到那里去了。但在期货市场里, 钱不会变, 投资者会有变动。在期货市场里, 因为有做空, 所以买多的人其实赚的是卖空者的钱。

五、建立合法的做市商制度

在美国纳斯达克、粉红单等市场上每种股票都有合法的庄家, 另一种说法就是做市商。这样中小型投资者可以同过庄家的放下买卖股票, 也稳定了市场。但是在中国股票市场中没有合法的做市商, 但一直有非法的做市商, 扰乱股市。其中最为典型的是广夏 (银川) 实业股份有限公司和中科创业。不停的上涨, 不停的填权, 但后来的事情发生后, 股价迅速跌倒1块钱, 对中小投资者的伤害程度极大。

六、适度加强国家的调控能力

现在的市场太大, 国家的调控影响力正在减少。例如汇金公司最近买进四大行的股票, 但作用就是不大。而不像当年的朱镕基时代, 国家看到牛市太火了就打压, 看到熊市太久了就救市。现在证监会竟表态:证监会不会去调控股市价格, 实际上就是明摆着讲放弃救市。政府应该适度的加强调控能力, 调节股价的稳定发展。

七、加强中国注册会计师的技术水平和自身的道德水准、风险素养

作为企业反舞弊的第四道防线的中国注册会计师行业, 应该努力的学习与借鉴国外先进的现代风险导向审计控制技术, 以提高他们发现客户会计报表重大报错的能力。并且同时, 应该努力的提高自身的道德水准和风险素养, 在执业过程中应该始终保持其独立、客观和公正性, 以提高独立审计师的价值。

八、建立公平的市场模式