基于动态剪枝算法的神经网络预测模型基于动态剪枝算法的神经网络预测模型.pdf

第 54卷 第 3期 复 旦 学 报 (自然科学版) Vo1．54No．3 20l5年G月 lournaIofFudaI1UniverdW (NaturaiScience) Jun．2015 文章编号：0427—71o4(2o15)o3—0313—07 基于动态剪枝算法的神经网络预测模型 张 瀛 ’。 (1．华东师范大学 金融与统计学院，上海 200241；2．复旦大学经济学院，上海 200433) 摘 要：提出一种针对径向基函数网络动态剪枝算法，该方法根据统计贡献度动态确定核函数最优数量，在递 归估计参数的同时根据核函数贡献度的大小动态消除冗余节点，以达到最佳网络结构．利用中国月度信贷数据 进行实证分析表明，新提出的模型与SARIMA和SVR等其他基准模型相比，具有更好的预测稳健性和准确性． 关键词：统计贡献度 ；自回归单整移动平均季节模型；支持向量回归 中图分类号：F224．9；F201 文献标志码：A 随着中国对外开放程度的加深，对政策部门决策水平提出了更高要求，正确决策的前提是对客观情 况做出科学准确的预测．信贷政策是我国宏观经济政策的重要组成部分，是中国人民银行根据国家宏观 调控和产业政策要求对金融机构信贷总量和投向实施引导、调控和监督，促使信贷投向不断优化，实现信 贷资金优化配置并促进经济结构调整的重要手段，在支持和促进国民经济又好又快发展中发挥 日益重要 的作用．2009年受国际次贷危机的影响，中国中外资金融机构人民币各项贷款呈现爆发性增长，货币信贷 规模高速增长是维持实体经济平稳发展的客观需要，但也为未来可能出现的资产价格泡沫、通货膨胀以 及不 良贷款等问题埋下隐患．由于中国信贷政策 自身的特性和传导机制，其实施效果与预期 目标往往存 在较大差异，信贷政策的有效性受到各种因素制约，因此，研究中外资金融机构人民币贷款的发展变化规 律，进而对未来变化做出准确的预测，这对提高 目前我国信贷政策的前瞻性和有效性具有重要的意义． 目前，实际应用的预测方法不下几百种，包括传统线性时间序列模型、传统的非线性模型(如门限自 回归和马尔科夫链)、灰色预测方法、计量经济学模型以及一些如人工神经网络 (ArtificialNeural Networks，ANN)、支持向量机(SupportVectorMachine，SVM)等新的智能技术．与其他国家不同，信贷 渠道是我国货币政策传导的重要路径，我国中外资金融机构人民币贷款数据的主要特点，一是信贷数据 为月度数据，属于低频数据，数据时间跨度短，样本数量较少；二是由于国际和国内经济形势的多变，尤其 是国际金融危机对我国信贷政策产生冲击，信贷数据呈现突变特征，而传统时间序列模型和计量经济学 模型仅适用于渐变的、线性的时间序列，上述特点使得传统预测模型无法取得令人满意的结果．传统预测 方法大多是对因果关系回归模型和时间序列模型进行分析，但由于系统内部关系十分复杂，加之外界环 境的多变性，人们在预测时存在着正确选择模型的困难 ，使得这些需要对系统运行机理有彻底 了解 的预 测方法的应用受到很大限制 ，从而带来预测失误 ，因此 ，人们逐渐转 向了只利用现存历史数据去构造模型 进而推测未来的非参数预测方法——基于神经网络的预测方法． 信贷规模是中国中央银行密切关注的经济变量，但 目前对我国信贷预测的研究较少且预测精度较 低，不少文献[1]指出中央银行的预测存在较大误差和系统性偏差，为此，本文采用单变量时间序列和非 参数计量方法建立中国的信贷规模预测模型，利用单变量时间序列进行预测需要的数据信息较少，预测 结果更为稳定和精确[3]．神经网络和支持向量机是近年来发展较快的非参数计量模型，ANN克服了经 济计量模型常犯的模型设定错误[5]，但 ANN模型的预测结果并不稳定，有时优于 SVM 和 ARMA (AutoregRessiveMovingAverage)模型，但也有研究表明ANN预测精度劣于SVM 等模型[引．预测结果 收稿 日期 ：2013—03—15 基金项 目：国家 自然科学基金面上项 目；上海市教育委员会科研创新项 目(11ZS09) 作者简介：张 瀛(1971一)，男，副教授，E-mail：zywelcomeu@sina．com． 314