财经论坛

基于 RBF 模型和可公度法的股指时间窗口期研究
文守逊，黄文明

（重庆大学经济与工商管理学院，重庆　　４０００４４）

摘 要：股指时间窗口期对投资者选择投资时点极为重要。本文以我国上证综合指数波浪曲
线底部和顶位时间窗口期为研究对象，利用可公度法和 RBF 神经网络模型分析自 1991 年以来的上
证综合指数的特性并对其底部和顶位的时间窗口期进行预测。
可公度法；RBF 神经网络；时间窗口期；预测
关键词：
中图分类号：
F224 文献标识码：
A 文章编号：
1002-6487（2011）22-0149-03

假定 < Q > =
息系。借鉴翁文波院士（1996）提出可公度理论，
1 相关理论综述 < Q1,Q2,⋯,QN > 为股票指数顶位和底部转折点的时间
窗口期，某一股票指数变化的幅度为 Q ，以 X 在中截取到
1.1 股市中的可公度性理论 股票指数顶位和底部转折点的时间窗口期，定义可公度信息
可公度性是自然现象周期性的客观外在反映，是一种信 为：

在第一节中，已经得到期权价值公式 很多投资者（尤其是实力雄厚的投资者）具有风险中性——
D - U S er + U - D 预期收益和现实收益相同的情况下，哪怕前者有风险，对其
0
SU
V= 来说也不会改变其投资决策，这就使得以套利为目的的定价
1 - er
方法失效。其次是求解困难，假设存在三种情况，股价涨、跌
可以在推导过程中假设只购买一股期权和 Y 股股票，则
或不变，那么求解投资组合系数从线性代数角度是不可能
可将此式子改为 V = YS 0 + (u - YS u)e-r ，将（14）式代入上
的，因为三个方程和两个变量无法相互迭代，Joseph(2004)为
式，
可以得到：
了解决这个难题，特构建类似于本文中资产组合复制技术的
er S0 - S D
V = e-r [qU + (1 - q)d] 其中 q = 股票——债券组合模型，通过引入两个初始利率和股票，得
SU - S D
到三个未知数和三个联立方程，但作出了非常苛刻的假设
可以将 q 看作一种概率，是一定小于 1 大于 0 的一个数
（这种假设实际当中并非成立）。最后，期权定价一般是事后
字，如果 e r S 0 < S D ，即 q<0，则表示即使股价下跌，购买期权
操作，即以历史数据的可观测性为基础，否则预测的期权最
也是稳赚的，这种情况基本不可能出现；e r S 0 < SU 也是一定
优价值 U 是不准确的，因为股市波动非常剧烈，规律性对一
成立的，否则没有投资者会冒着风险获取小于等于无风险利
般投资者来说不明显。笔者提出一个思路：如果摈弃有效市
率报酬。这里还是可以理解为一场赌博，以最差情况为基
场假设理论，极力通过股价的历史序列进行时间序列模型建
准，获取最高利润当然是最理想的状况，但目前最有保障的
模，探讨出股价运行规律，在方程拟合优度非常良好的情况
是无风险利率收益，两者比例可视为获利概率。
下，可以采用预测值为股票到期日最大价格，克服了事后观
测操作的缺陷，也避免了因不同涨跌情况带来的预期值计算
4 总结
困难。

本文通过对三种金融衍生期权定价模型的推导，揭示了
参考文献：
二叉树模型下的定价规律，发现都具有概率路径性质，目前
[1]（美）Joseph stampfli victor Goodman，蔡明超译，金融数学[M].北京：
代表性资产投资理论有均值——方差、资本资产定价、无风
机械工业出版社,2004.
险套利定价等方法。这些模型之间互有联系，或在假设上， [2]吴恒煜, 随机挽回率马尔可夫链模型下信用差价衍生品定价[J].
或在结果上。同时又存在着不同的优缺点，基于二叉树模型 系统工程,2006,(1).
的三种套利定价方法也不例外，首先是假设股票有两种情况 [3]郑振龙,金融衍生品的定价能力研究:以中国市场权证为例[J].商
——涨和跌，但在现实中不可能只有两种定价，可能有无数 业经济与管理,2010,(2).
种执行价格，那么简单的二叉树模型运用显得很局限；并且 （责任编辑/易永生）

统计与决策２０1 1 年第 22 期（总第 346 期） 149

 财经论坛
l 表1
X i + l = ∑ I j Xj
上证综指浪形底部的时间窗口期一览表
ln （1） 指数时间 时间 序 指数时间 时间
j=1 序号
（点位数） 窗口 号 （点位数） 窗口
若出现多组可公度的算术信息，表明系统存在这种信 F0 1990.12.19（100） 0 F14 2000.09.25（1874） 118
息，且呈现出周期性规律特征，对预测极为重要。 F1 1991.05.17（104） 5 F15 2002.01.29（1339） 134
1.2 股市中的 RBF 神经网络模型 F2 1991.09.30（180） 10 F16 2003.11.13（1307） 155
F3 1992.08.12（627） 20 F17 2004.09.13（1259） 165
RBF 神经网络模型广泛运用于数据分类和时间序列预
F4 1992.11.17（386） 23 F18 2005.06.06（998） 174
测等方面，我们借鉴此模型预测股市时间窗口期。假定 RBF F5 1993.04.01（916） 28 F19 2005.10.28（1067） 179
神经网络中有 q 个输入节点，M 个隐含层节点，一个输出层 F6 1993.10.25（774） 35 F20 2006.08.07（1541） 188
F7 1994.07.29（326） 44 F21 2007.07.06（3563） 199
节点，以高斯函数为 RBF 传递函数，则整个网络的输出可表
F8 1995.02.08（524） 50 F22 2007.11.28（4779） 204
示为：
F9 1996.01.19（513） 62 F23 2008.04.22（2991） 209
M

y = f (X) = w 0 + ∑ w i κ( X - r i )
F10 1996.09.13（752） 69 F24 2008.10.28（1664） 215
（2）
i=1 F11 1996.12.25（856） 73 F25 2009.09.01（2640） 225
式中：X 表示输入向量， ∙ 表示欧氏距离，w i 是隐含 F12 1997.09.23（1025） 82 F26 2010.07.02（2319） 235
F13 1999.05.17（1047） 101
层第 i 个节点与输出节点之间的权值，w 0 是输出节点的偏
移量，r i 是隐含层第 i 个节点的中心向量。RBF 神经网络的 的，由 F1～F25 外推 F26。计算可知股票时间窗口序列中三元

关键问题是径向基函数数据中心的选取以及输出权值的确 可公度频数非常大，其均值为 55.36。F26*=235 出现的频率

定。本文采用监督训练方法来确定 RBF 的中心以及网络的 的为 M=32/55.36=57.80%，说明该股票底部频数相当高即表

其他自由参数，具体算法如下。 现出较强可公度性。限于篇幅，可公度式略。
N 计算结果与实际基本吻合，且每个结果都有三个以上的
定义目标函数：Z = 1 ∑e2k （3）
2 k=1 可公度式，从而说明上证股票指数具有良好的可公度性，由
其中，N 表示训练样本的个数，e k 是误差信号。 F1～F26 的实际的浪形底部时间窗口期预测下一次股票市场

寻求网络自由参数 t i ，wi ，∑ i-1 使目标函数 Z 达到最 到达指数浪形底部的时间窗口期。以下是根据三元、四元、

五元可公度法推导 F27*的可公度式。
小，计算公式如下：
F27=F26+F15-F14=251 F27=F24+F14-F12=251
∂Z(n)
隐含层 RBF 中心 t i ：ti(n + 1) = ti(n) - λ2 （4） F27=F25+F22-F16-F4=251 F27=F26+F22-F17-F4=251
∂ti(n)
∂Z(n) F27=F25+F23-F16-F5=251 F27=F26+F23-F17-F5=251
隐含层 RBF 扩展：∑ -1(n + 1) = ∑ -1(n) - λ3
∂ ∑ -1(n) F27=F26+F3+F18-F16-F4=251 F27=F26+F3+F10-F8-F4=251

（5） F27=F25+F10+F3-F6-F5=251 F27=F24+F21+F3-F16-F5=251

其中，i = 1,2,3.......,I , λ1 、λ2 、λ3 为学习速率。 根据三元、四元、五元可公度式预测下一次上证综合指

数出现底部时间窗口期为 F27*=251，即为 2011 年 11 月份，在
给定误差范围内，预测 2011 年 11-12 月将会到达上证综合
2 股票指数时间窗口期实例研究
指数浪形底部。假定 F27 =251 与上证指数浪形底部实际出现
的 时 间 一 致 ，用 F1-F27 外 推 F28*，得 ：F28* =260，即 2012 年 7
本文选取上证综合指数每个完整循环市场的升浪的拐
月。预测 2012 年 6-7 月将到达上证综合指数浪形的另一个
点为底部转折点（底部），跌浪的拐点为顶部转折点（顶位）。
底部。
起点取上证指数历史上第一个重要的转折点。
2.1.2 股票指数顶位时间窗口期预测
2.1 可公度法的股指时间窗口期预测
假定 1991 年 9 月 17 日为 0 点，顶位时间在当月 18 日之
2.1.1 股票指数底部时间窗口期预测
前的公式为：时间窗口期=（年份-1991）×12-9+月份，顶位
以 1990 年 12 月 19 日为分析基点，定义为 0，以一个月为
时间在当月 18 日之后的只要加 1 即可。
基本单位，低点时间在当月 18 日之前的公式为：时间窗口期
表 2 给出了自上证交易所成立以来的上证股票指数浪
=（年份-1990）×12-12+月份，低点时间在当月 18 日之后的
形顶部时间窗口期和相对应的股票点数。
只要再加 1 即可。
假定 P25 未知，用 P1～P24 的时间窗口期数值推算 P25*。计
表 1 为自上证交易所成立以来的上证股票指数浪形底
算可知上证综合指数时间窗口序列中三元可公度的频数非
部和时间窗口期及相对应的股票点数。
常大，其均值为 61.2，标准差为 12.06，P25* =223 出现的概率
假定 F24 未知，由 F1～F23 的三元可公度式外推 F24，得出
M=40/61.2=65.36%>50%。假定 P26 未知，用 P1～P25 推导 P26*，
F24=215 的频度数为 24，F24=213 的频度数为 24，F24=214 的频
得：P26*=230，这与实际时间窗口相符。鉴于此，上证指数顶
度数为 32，预测 214 点是股市的一个低点，误差值为-1，说明
位时间窗口期表现出较强可公度性。
该预测与实际结果极为接近。假定 F25 未知，由 F1～F24 外推
推算下一次顶位时间窗口期 P27*=236。算式如下。
F25，得：F25=224，与实际 F24=225 误差为-1。假定 F26 是未知

150 统计与决策２０1 1 年第 22 期（总第 346 期）

 财经论坛
表2 上证综合指数浪形顶位的时间窗口期一览表 次）出现上证指数波浪曲线的底部分别为 F27 =249.6，F28=
指数时间 时间 指数时间 时间窗 261，顶位为 P27=238.5，P28=243.7，这用可公度法预测结果相
序号 序号
（点位） 窗口 （点位） 口
差不大。通过 RBF 神经网络模型预测我国股市指数波浪曲
P0 1991.09.17（191） 0 P14 2001.06.14（2245） 117
P1 1992.05.26（1429） 9 P15 2002.07.03（1736） 130 线的时间窗口期具有一定精确性。
P2 1992.08.18（1000） 11 P16 2003.04.16（1650） 139
P3 1993.02.16（1559） 17 P17 2004.04.07（1783） 151
3 研究结论及局限性
P4 1993.04.29（1993） 20 P18 2005.09.20（1324） 169
P5 1993.12.08（1045） 27 P19 2006.07.05（1757） 178
P6 1994.09.13（1053） 36 P20 2007.05.29（4335） 188 股票指数的运行趋势由于波动趋势复杂、所包含的信息
P7 1995.05.22（926） 45 P21 2007.10.16（6124） 193 众多、以及政策导向等因素的综合影响，因而难以建模预
P8 1996.07.24（894） 59 P22 2008.01.14（5523） 196
测。本文以上证综合指数为例，通过艾略波浪理论对上证综
P9 1996.12.11（1259） 63 P23 2008.05.06（3786） 200
P10 1997.05.12（1510） 68 P24 2009.08.04（3478） 215 合指数波浪曲线出现的底部和顶位时间窗口期进行选取，并
P11 1998.06.04（1423） 81 P25 2010.04.15（3182） 223 将选取的时间变换为月份，以便更好的计算和预测。而后，
P12 1999.06.30（1756） 94 P26 2010.11.11（3187） 230 综合利用可公度法和 RBF 神经网络模型对上证综合指数波
P13 2000.08.22（2114） 108
浪出现顶位和底部的时间序列进行预测研究。一方面，运用
P27=P26+P5-P5=239 P27=P23+P11-P7=239 可公度法对上证综合指数波浪曲线下一次（或几次）出现浪
P27=P16+P13-P2=239 P27=P26+P6-P4-P1=239 行顶位和底部的时间窗口期；另一方面，利用 RBF 神经网络
P27=P22+P10-P3-P2=239 P27=P25+P23-P19-P1=239 模型对我国上证综合指数波浪曲线进行仿真模拟，然后再运
P27=P21+P9-P2-P1=239 P27=P24+P22+P2-P3-P18=239 用仿真函数预测下一次或下几次出现浪行顶位和底部的时
P27=P24+P18+P4-P3-P17=239 P27=P23+P12+P5-P3-P10=239 间窗口期。研究发现：①我国上证综合指数波浪曲线运行的
计算可得：频度数为 54，P1-P26 频度数平均值为 70.44，标 下一次顶位时间窗口期为 2011 年 8-9 月，下一次底部时间
准差为 13.35，M=54/70.44=76.66%>50%。结果表明上证综 窗口期为 2011 年 11-12 月；②综合利用 RBF 神经网络模型
指下一次顶位时间窗口期为 P27*=239，即 2011 年 8 月。在给 和可公度法对股票指数时间窗口期的预测可提高预测精度。
定误差范围内，2011 年 8-9 月为上证综指顶位时间窗口期。 综合利用“可公度法”和 RBF 神经网络模型对股票指数
假定 P27=239 已知，用 P1-P27 预测 P28*=245，即 2012 年 2-3 月 顶位和底部时间窗口期的预测是一种新的尝试，有一定的正
出现上证综指的另一个顶位。 确性和科学性，但本文局限数据和实际情况，未能对股票指
2.2 RBF 模型的股指时间窗口期预测 数的点数进行预测，这是今后值得探究的方向。
2.2.1 预测思路
我们通过建立一个径向基函数 RBF 神经网络模型，利 参考文献：
用表 1 和表 3 中上证指数波浪曲线的时间窗口值预测下一次 [1]GeorgeS.Atsalakis, Kimon P.Valavanis. Forecasting Stock Market
（或下几次）出现波浪底部和顶位的时间窗口期，函数表达式 Short-term Trends Using A Neuron-fuzzy Based Methodology [J].Ex-
为 f (X1,X2,X3) → X n + 1 。本研究将样本数据先分为两组， pert Systems with Applications,2009,(36).
[2]Kyoung-jae Kim, Ingoo Han.Genetic Algorithms Approach to Feature
用前 24 个样本点（表 1 和表 3 中的 F1-F24 和 P1- P24）进行网络
Discretization in Artificial Neural Networks for the Prediction of Stock
训练，剩余两个样本点（F25，F26）和（P25，P26）进行检验，再根据
Price Index [J].Expert Systems with Applications, 2000,(19).
所有样本点数据对股票指数波浪曲线下一次或下几次（F27，
[3]马军海,齐二石.混沌时序重构及上海股票指数预测的应用研究
F28）和（P27 ，P28）的底部和顶位进行预测。
（训练软件为 MAT-
[J].系统工程理论与实践,2003,(12).
LAB7.0）
[4]陈佐,谢赤，李晓东.基于相空间重构技术的 EM 聚类模糊神经网络
2.2.2 预测结果 预测模型及其应用[J].中国软科学,2006,(8).
为使数据更加符合实际和模型要求，本文将指数出现底 [5]陈增辉.基于马尔科夫链模型的沪综指数预测[J].金融经济,2008,
部和顶位的时间窗口期进行差值处理，即后一个数值减去前 (14).
一个数值（F2-F1，F3-F2，…，依此类推），将得到的差额值作为 [6]王志刚,曾勇,李平.中国股票市场技术分析非线性预测能力的实
模型训练的输入样本，分别对股指波浪曲线底部（F25，F26）和 证检验[J].管理工程学报,2009,(1).
顶位（P25，P26）预测。通过仿真分析发现 RBF 神经网络模型 [7]翁文波.预测学[M].北京:石油工业出版社,1996.
预测股票指数波浪曲线底部和顶位的失时间窗口的准确性 [8]龙小霞,延军平,孙虎.基于可公度方法的川滇地区地震趋势研究

相对较高，误差率相对较小。因此，可用 RBF 模型预测股票 [J].灾害学,2006,(3).

[9]杜贤利,姚洪兴.基于 LS-MWSVM 的股票价格预测[J].统计与决策,
指数下一次底部和顶位的时间窗口期。运用底部（F1-F26）
2008, (19).
和 顶位（P1- P26）的实际时间值预测（F27，F28）和（P27 ，
P28）。
（责任编辑/易永生）
预测结果：运用 RBF 神经网络模型预测的下一次（或两

统计与决策２０1 1 年第 22 期（总第 346 期） 151