会计年报信息在股价运动趋势预测中应用.docVIP

会计年报信息在股价运动趋势预测中的应用 　　[摘 要] 本文运用基于统计学习理论的新型机器学习方法――支持向量机(SVM)，通过我国上市公司年报信息对股价运动趋 势进行预测。实证结果显示，支持向量机对股价运动趋势具有良好的预测能力，特别是表现出对小样本的适应性。然 而，支持向量在股价运动趋势预测中也存在着一定的误识率，证明某些上市公司的年报信息存在着某种程度的粉饰 和虚假，从而误导投资者的决策行为。 　　[关键词] 年报信息；股价运动趋势；支持向量机 　　[中图分类号] F830.91 [文献标识码] A [文章编号] 1006-5024(2008)01-0169-03 　　[作者简介] 黄 梅，重庆市女劳教所会计师，研究方向为财务管理；(重庆 400021) 　　唐德祥，重庆工学院经济与贸易学院副教授，研究方向为证券投资； 　　邓成超，重庆工学院教务处副研究员，研究方向为教育管理。(重庆 400050) 　　 　　一、引言 　　 　　股票价格运动预测，一直是投资界和理论界倍感兴趣和努力探索的问题。但是，股票市场是一种影响因素众多的复杂系统，导致股价运动规律难以测定和预测结果难尽人意。有效市场理论认为，证券价格在市场有效条件下随机游走，是不可预测的。然而，大量研究发现股价运动存在着某种规律，具有一定的可预测性，所以国内、外学者对股价预测的研究从未间断过。由于传统时间序列预测技术很难揭示股价运动内在规律，近年来发展并形成了一些非线性动态系统的预测新理论，如机器学习理论、混沌和分形理论、系统理论等方法。 　　支持向量机(Support Vector Machine，SVM)是近年来发展起来的一种新型机器学习方法，目前国外对支持向量机的研究方兴未艾、发展迅猛，已经成功应用于人脸识别、语音识别、医疗诊断、数据挖掘等方面。国内对支持向量机的研究是最近几年开始的，然而在经济管理中的应用研究(特别是复杂的股票市场)甚少。本文目的在于运用支持向量机通过上市公司年报信息对其股价运动趋势进行预测，从而对股票投资决策和股市政策制定起到一定的参考作用。 　　 　　二、支持向量机的基本思想及其模式识别模型 　　 　　传统机器学习方法(如神经网络等)的重要理论基础是传统统计学的样本数目趋于无穷大的渐近理论，采用经验风险最小化(ERM)准则，结果不可避免地产生经验依赖性、局部最优解和“过拟合”现象，从而导致学习性和推广性弱化等缺陷。针对此缺陷，以研究小样本机器学习规律的统计学习理论(SLT)应运而生。20世纪60、70年代，Vapnik等人系统地研究了机器学习问题，尤其是在有限样本情况下的统计学习问题，于1995年形成了较为成熟的理论框架《统计学习理论的本质》，其核心概念是VC维(VC维越大则学习机器越复杂)，并由此得出了统计学习的一致性、收敛速度、泛化能力等重要结论。 　　对于有限样本的两分类问题，预测函数集中所有函数的经验风险Remp(w)和实际风险R(w)之间以至少1-η的概率满足：R(w)≤Remp(w)+?(h/n)，其中w为机器学习参数，h是函数集的VC维，n是样本数，?为置信函数。可见，学习机器的实际风险R(w)是由经验风险Remp(w)(训练误差)和置信范围?(h/n)两部分组成。传统的经验风险最小化(ERM)准则因无法计算期望风险，只有通过样本定义经验风险，并设计算法使其最小化。针对该缺陷， 　　统计学习理论提出了结构风险最小化(SRM)准则，目标是使经验风险与置信范围之和最小化，并采用有序风险最小化策略，来实现实际风险R(w)最小化。 　　支持向量机采用结构风险最小化准则，具有良好推广性和分类精确性，在小样本学习中优势更为突出，能够较好地解决小样本、非线性和高维数等实际问题，可以广泛应用于模式识别、回归分析和函数逼近等领域，其基本思想是：通过输入训练样本，寻找尽可能将两类样本正确分类(分类识别标号分别为“+1”和“-1”)，同时使分类间隔最大的分类超平面作为最优分类超平面，同时将最优化问题转化为存在全局唯一最优解的凸二次规划问题，再将得到的最优分类超平面转化为分类符号函数以实现对预测样本的正确分类。支持向量机包括模式识别模型和回归估计模型。由于本文是运用公司年报信息对股票价格运动趋势进行预测，所以属于模式识别问题。 　　支持向量机的模式识别模型一般分为三种情形：①样本集线性可分情形；②样本集线性不可分情形；③样本集非线性情形。由于现实社会经济现象的复杂性，其关系一般表现为非线性情形，它通过非线性变换将输入空间变换到一个高维特征空间，并构建最优分类超平面，通过引入核函数(Kerner Function)方法来避免“维数灾难”。目前主要常用4类核函数K(xi，xj)：①线性核函数：K(xi，xj)=x