本报告基于ANFIS模型,利用自适应网络模糊推理系统结合遗传算法优化参数,构建股票价格涨跌的分类择时模型。通过68个输入变量组合择优,最佳模型样本外择时准确率最高达57.24%,模拟交易在考虑手续费后仍超过指数收益。通过自定义准确率为目标函数的改进模型,准确率提升至60.51%,并显著降低交易次数,实现收益及风险的优化平衡,展现了模糊逻辑在量化择时中的应用潜力
| 序号 | 输入变量1 | 输入变量2 | 输入变量3 |
|---|---|---|---|
| 1 | RSI | M1M2滞后1期 | 最高价滞后2期 |
| 2 | RSI | 收盘滞后2期 | 成交额滞后3期 |
| 3 | RSI | 最高滞后1期 | 成交额滞后3期 |
| 4 | RSI | 最高滞后2期 | 成交额滞后3期 |
| 5 | RSI | 最低滞后2期 | 成交额滞后3期 |
| 输入变量 | 择时总次数 | 正确次数 | 准确率 |
|---|---|---|---|
| RSI M1M2滞后1期 最高滞后2期 | 428 | 213 | 49.77% |
| RSI 收盘滞后2期 成交额滞后3期 | 428 | 245 | 57.24% |
| RSI 最高滞后1期 成交额滞后3期 | 428 | 234 | 54.67% |
| RSI 最高滞后2期 成交额滞后3期 | 428 | 240 | 56.07% |
| RSI 最低滞后2期 成交额滞后3期 | 428 | 238 | 55.61% |
| 输入变量 | 无交易费 | 有交易费 |
|---|---|---|
| RSI M1M2滞后1期 最高滞后2期 | -4.79 | -5.87 |
| RSI 收盘滞后2期 成交额滞后3期 | 5.80 | 1.02 |
| RSI 最高滞后1期 成交额滞后3期 | 3.63 | -2.75 |
| RSI 最高滞后2期 成交额滞后3期 | 4.53 | -2.51 |
| RSI 最低滞后2期 成交额滞后3期 | -0.01 | -5.77 |
| 模型 | 无交易费 | 有交易费 |
|---|---|---|
| 最佳输入(RSI收盘滞后2期成交额滞后3期) | 5.80 | 1.02 |
| 改进模型B | 6.13 | 2.24 |
核心论点与结论:
报告主要利用模糊逻辑结合人工智能的ANFIS模型,集成多种输入变量及算法参数,寻找预测准确率最高的组合;提出两种改进模型A、B,自定义优化目标函数以提高择时准确率和交易收益;改进模型B尤其在综合交易次数和准确率优化后,实现了显著的收益提升和交易成本控制,策略表现超过基准指数。
,1,3,22]
报告首先回顾了传统投资分析方法—基本面与技术分析;指出技术分析虽然广泛应用,但主观性强且历史数据过多,需利用人工智能手段辅助量化;此外回顾了常见的人工智能模型(如ANN、SVM、HMM),并介绍模糊逻辑与ANFIS模型的理论基础和优势,强调模糊推理能处理非精确边界下的变量状态,适合处理市场波动中的不确定性。,4]
模糊集合与隶属函数: 与传统布尔逻辑的0/1判断不同,模糊集合赋予每个元素属于某集合的隶属度(0~1),实现模糊分类,如年龄的“年轻”、“中年”、“老年”并无明确硬界限,由隶属函数平滑划分,模型中主要采用三角形、高斯型和钟形隶属函数。,5,6]
模糊推理系统:分模糊化(输入变隶属度)、模糊规则(if-then)、推理引擎和去模糊化几个步骤,报告重点运用Sugeno型函数式模糊推理系统(输出为线性函数,无需去模糊化,计算效率高)。,7]
ANFIS模型架构:结合神经网络和模糊推理,模型由五层组成:输入模糊化、规则激励强度计算、激励归一化、规则输出计算、输出加权求和。参数分为前提参数(隶属函数)和结论参数(线性权重),采用混合算法(梯度法+最小二乘法)优化。模型规模随输入变量和隶属函数数量指数增长,故限制输入到2或3个变量。,8,9]
数据:选用1996年至2011年期间的沪市周线共775个样本,包含价格、成交额等12个技术指标与5个宏观指标,衍生出51个滞后变量,总共68个备选输入。
输入变量筛选:基于训练误差对2和3变量组合进行超过5万次不同组合误差计算(见图6)。结果显示3变量模型训练误差系统低于2变量,筛出5组误差最低的三输入组合,其中以“RSI、收盘滞后2期、成交额滞后3期”准确率最高达到57.24%(样本外),模拟交易年化信息比率无手续费为5.80,有手续费1.02。,10,12]
择时流程图说明(图7):采用滚动预测,分训练样本与训练检验样本,综合21个ANFIS模型(不同隶属函数和步长参数组成),取误差最小的9个模型输出均值作为最终结果,分类涨跌预测标识为1和-1。,11]
模拟交易表现:采用“涨时满仓,跌时空仓”的策略。不同输入组合在无/有交易费用下的累计收益曲线及信息比率数值表明第二组输入表现最佳。,12,13]
涨跌结构分析(表5与图12):所有输入组合预测上涨和预测下跌时的准确率均高于50%,且预测上涨准确率普遍优于预测下跌。,14]
改进模型A:直接以最大化训练样本内准确率为目标函数,通过遗传算法优化ANFIS参数,采用涨跌幅、滞后期涨跌幅作为输入,非滚动方式训练,样本外预测准确率提高至57.94%,略优于最佳输入模型。但交易次数多(121次),手续费后收益反而未超越基准指数。,15,16]
改进模型B:目标函数在准确率基础上加入交易次数惩罚,即准确率除以交易次数对数,减少过度交易带来的成本。交易次数减少到119次,样本外预测准确率提升至60.51%,模拟收益率同时超过基准指数和最佳输入模型,有无手续费信息比率分别提升至6.13及2.24,显著优于之前模型。,18,19,20]
遗传算法介绍:非导数优化方法,模拟生物进化过程,通过编码、适应度评价、选择、交叉、变异等步骤优化目标函数,灵活支持任意复杂优化目标,包括收益率与交易频次统一优化。存在计算耗时较长,具有随机性,较传统梯度优化更适合非线性复杂函数。报告中采用高斯隶属函数,参数初始化基于样本区间等分均值和标准差安排。,21,22]
本报告主要聚焦于模型开发与择时策略研究,不涉及公司股价估值或市盈率等传统估值方法。其估值角度为:
故本质上估值分析集中于模型评价及优化目标设计,而非传统公司财务估值。–21]
报告作者明确指出以下风险因素:
报告针对交易频率高的问题提出了通过交易次数约束的改进模型B,部分缓解了手续费影响。对于输出分类的不足,提出后续研究动态阈值的方向。
这些细微点提示模型的实用需配合市场判断及后续多元化改进。–22]
作者全面论证了基于ANFIS模型的股票择时研究方法,结合模糊逻辑理论与数据驱动方法,提出了继承并超越传统均方误差优化的创新型自定义目标函数,并采用遗传算法优化参数,成功提升模型实用性能。
推荐进一步拓展动态输出分类、频率适应性及多源指标输入,逐步完善交易信号稳定性与收益可持续性。这份研究为基于模糊推理的量化择时提供了坚实的理论基础与实证支持,是投资策略研究领域的重要贡献–23]。
图1:年轻、中年、年老模糊集合示意图
图2:三角形、高斯型、钟形隶属函数曲线
图4:三种模糊推理系统示意
图5:两输入单输出的ANFIS模型示意
图6:不同输入组合训练误差
图7:择时模型流程图
图8:最佳输入变量择时信号
图9、图10:模拟交易累计收益(无手续费/有手续费)
图11:最佳输入收益净值相对指数变化
图12:涨跌预测准确率对比图
图13:自定义优化目标模型流程图
图14-16:改进模型A表现
图17-20:改进模型B表现
该分析覆盖报告从理论基础、模型构建、输入变量选择、模型训练、实证结果、改进算法、风险评估到总结的所有重要论点与数据细节,结合所有主要图表展开,参照严谨金融分析标准撰写,客观全面,利于理解报告内容与拓展后续研究方向。
基于自适应网络模糊推理系统的择时研究:拨开云雾见月明.pdf