神经网络预测金融时间序列实战

为什么金融时间序列预测是投资的核心

预测金融时间序列是任何投资活动的必备元素。投资本身的概念是投入现有的资金以在未来获利，而这个概念又基于预测未来的概念。因此，预测金融时间序列是整个投资行业包括所有有组织的交易所和其他证券交易系统的投资活动的基础。美国股市日成交量超100亿美元，全球外汇日收益超1万亿美元，而其中99%为投机交易，基于参与者对利率变化的相反预测。这种差异实际上衡量了金融时间序列的不可预测性。

1900年Louis Bachelier提出有效市场假说，认为投机利润随机如赌博。但大部分市场参与者相信隐藏规律存在。30年代Elliott尝试找出经验规律，80年代动态混沌理论支持该观点：混沌序列短期可预测，可预测范围受预测周期限制但足以盈利。本文用具体实例证明部分可预测性并数字评估。

技术分析与神经网络预测的逻辑

技术分析基于市场行为指标的经验规则，研究个体证券行为。Alexander Elder从心理学解读：价格曲线是市场群体意识的领导者。据此，要预测曲线需开发基于先前行为评估的赌博系统并严格执行，不受情绪干扰。从90年代起，神经网络因两大优势吸引追随者。

• 对输入数据性质无限制，可混合多证券信息，适合机构组合投资
• 可针对给定证券找最佳指标与可调策略，随市场变化，对年轻市场至关重要

神经网络单独建模仅基于数据，无先验因素，既是长处也是弱点：数据不足或输入维数过高。本文演示如何借技术分析经验克服。

浸入技术与Tackens定理

使用神经网络预测时间序列的一般方案是将预测归为多变量函数逼近，通过浸入多维空间实现。时间序列维度滞后空间由连续瞬时值组成。Tackens定理证明：若序列由动态系统生成，可找出浸入深度约等于有效自由度数，明确预测下一个值。选较大滞后值后，保证未来值与过去值明确依存，问题归为插值。

对于随机时间序列，过去信息无用于未来。有效市场理论下浸入滞后空间时预测值散布不变。图2显示混沌动态与随机动态在浸入期差异：混沌形成低维集合，随机一致散布。

// 伪代码：滞后空间构造
int lag = 15;
double x[lag];
for(int i=0;i<lag;i++) x[i] = series[time-i];
// 用x预测series[time+1]

经验证明市场可预测性

浸入法可量化实际证券可预测性。若有效市场为真，滞后空间点一致散布；混沌动力学则实验样本组成维度小于空间的集合。用盒维数法：集合维度D，分边为ε立方体数量增至1/ε^D。以S&P500的679个月为例，15维浸入空间内点集维数约4，远小于独立随机值应有的15，证明存在可预测元素。

互熵测量可预测性：S&P500增量对浸入深度，超过25后可预测性下降。理论可预测不保证盈利，需评估互熵水平下实际利润。

形成属性输入空间的关键方法

不使用报价本身作输入输出，用变动或对数增量，避免强关联。长期序列用相关增量对数消除通胀单位影响。滞后浸入窗口受限，远处极值信息丢失；扩展窗口增维降准确度。替代编码如小波分解：时间越久细节越少，总体外观不变，50维窗口可用10小波系数重构概貌。

减少输入维数：从海量变量提取属性。小波法是良好编码范例。也可用MetaStock等指标作候选，挑选最有效组合输入网络。

• 报价变动替代报价值
• 对数增量处理长期通胀
• 小波分解压缩历史精度
• 技术指标属性筛选

提示法扩增学习样本

金融预测弱点之一是缺乏范例，市场非静止。用不变量先验增样本：如沿报价轴拉伸时间序列，例数翻倍且限制解函数类。S&P500实验：100维空间取30主成分，选7属性，仅用提示才显可预测性，从0.12位升至0.17位。外汇隐藏对称性：DM/$与$/DM互逆，示例翻倍，年利润从5%升至10%。

误差函数与利润最大化关联

均方根误差无经济意义。目的为最大利润而非减方差。日常入市利润取决于变更信号精度。定义资本C，相对变更s，输出置信p。资本收益与场上份额f相关。正确预测概率q，错误1-q，利润对数最大时f*=(2q-1)/(2q-2)·典型盈亏比。可预测性I位对应资本翻倍次数约exp(I·N)。

选择误差函数应依理想策略调参。可让网络输出份额f为额外输出，或限f∝p只优化全局参数。可变利率收益高于固定。

// 误差函数示例（伪）
double error = - (correct ? log(p) : log(1-p)) * f;
// p为信号概率，f为资本份额

coterie网络集成提升质量

不同初始权重的网络预测不同，组coterie取平均优于单体。柯西不等式证平均误差小于个体均方误差，L个不关联网络均方差小√L倍。实验：10网络coterie预测SP500最后100值，利润3.25倍，信号59:41。加权预测自适应选权重，25系统加权正确信号超错误约15，平均约12。

实际利润率需计佣金衰减。间隔越短可预测性越高。作者用50 coterie系统测卢克石油月、SP500日、期货小时，按置信选合约金额，结果短线前景好。自相似性下短周期单位时间利润更高，实时自动交易最优。

总结与对中文交易者的启示

市场序列部分可预测，神经分析需复杂数据预处理：特殊输入表示、输出选择与误差函数。coterie比单体盈利高。中文交易者可在MT5用MQL5实现EMA输入、小波库、coterie逻辑，但应先用历史盒维数估可预测性，再小资本验证。