量化金融中的概率模型文献综述

1. 文献综述（或调研报告）：

文献综述

摘要 本综述结合所阅文献，阐述了量化投资的大环境背景以及中国股市的特殊性，探讨了在股票预测这一领域中，国际上的一些学术机构或个人的针对金融时间序列进行分析预测的一些研究方法以及相关工作，例如。这些相关工作为接下来的毕设指出了大概工作方向。

关键词：量化投资；股票预测；蜡烛图；统计学习方法

1. 概述

投资股票离不开股票的分析预测，准确预测股票价格在现代商业世界中是一项吸引人而又困难的活动。许多因素影响股票市场的行为，包括经济和非经济。因此，股票市场预测经过多年发展在基础和技术分析中建立了如基本分析法和技术分析法等分析方法以及大量的概念和技术，投资分析专家使用的股市预测方法除了基本分析法和技术分析法外,还有时间序列分析法、经济计量方法、灰色预测方法、神经网络预测方法等[1]。然而，由于股票价格和期货指数的数值性和连续性，它们需要特别的准备和转换数据，这在许多情况下，成功地将数据挖掘、机器学习或模式识别技术应用于金融预测是至关重要的。而且在计算机性能高速发展的今天使用这些技术成为可能，从而产生了量化投资的领域。

1. 背景

量化投资是综合利用金融、数学、物理学、计算机等知识和工具，通过建立模型进行投资决策。作为一种较新的投资方式，量化投资从20世纪70年代逐渐兴起，尤其在期权等复杂的金融工具诞生后，量化发挥了不可替代的作用。

中国的股票市场成长经历很短,但是发展速度却不容忽视。总体上,我国证券市场在政府的推动下在十二年来取得了巨大的成绩。当前政府的管制功能有从微观向宏观管制发展的趋势,政府逐渐从证券的定价和上市资格的审查中放松行政监管力度,从行政管制向市场管制转化。另一方面,从监管部门的角度上讲,我国政府主导型监管形式(市场的自我完善机制不通畅)没有发生实质性的变化。所以对中国股市进行股票预测可能需要依照实际情况对国际上流行的方法进行微调[2]。

1. 相关工作

在国际上，有许多现有工具试图帮助用户预测股票价格或期货指数。在这些工具中使用的方法包括人工神经网络（ANN）[3]，[4]，神经模糊，遗传算法（GA），分类和回归树，朴素贝叶斯，支持向量机（SVM）[5]，模糊时间序列。但是会有一些问题导致这些方法不太可能直接被投资者运用。首先，训练预测系统是一项非平凡的任务，即使在同一个领域中，训练结果也不能进一步用于其他目标。第二，预测结果是不可理解的。第三，预测结果和投资决策之间存在差距。受上述观察的启发，Lee，Liu和Chen提出了一种基于知识的方法来表示金融时间序列，并促进时间序列的知识发现过程[6]。

如何表示时间序列是时间序列研究中最重要的挑战之一。从以往的文献中，确定语言间隔的长度和从时间序列挖掘模糊逻辑关系（FLR）被认为是影响模糊时间序列模型的预测精度的重要过程。因此，在最近的研究中，一些先进的算法如遗传算法[7]和神经网络被应用于改进这些过程。Chen提出了一种新的方法，通过使用遗传算法，处理基于高阶模糊时间序列的大学入学预测问题，采用多周期适应模型来提高预测精度，该多期适应模型可以有效地提高常规模糊时间序列模型的预测性能，其中语言间隔的长度被调整[8]。此外，Yu应用反向传播神经网络来处理股票价格预测中的非线性预测问题，提出了两个模型，一个基本模型和一个混合模型，使用神经网络方法来预测TAIEX [9]。

虽然这些使用先进算法的模糊时间序列模型对预测性能有了很大的改进，但是只有非线性关系如模糊逻辑关系在预测中被最为关注，并且挖掘模糊逻辑关系的过程不像黑盒子那样容易理解。此外，股票投资者通常根据最近的股票信息，如最新的市场新闻，技术分析报告和价格波动，做出他们的短期决策。

模糊时间序列模型已被用于处理各种领域预测问题，如大学入学预测，股票价格预测和温度预测。在股票价格预测领域，Huarng从股票价格时间序列提供启发式模型，通过将问题特定的启发式知识与Chen的模型相结合来提高预测性能，该模型被用来预测大学入学率。在以下研究中，Huarng提出了N阶启发式模糊时间序列模型来预测TAIEX [10]。此外，研究人员发现，论域的时间间隔长度影响预测结果，并提出两种语言间隔分割方法，基于分布和基于平均长度，来解决这个问题。