本文讲述了关于模糊决策与股市选股的内容，供大家参考，接下来我们一起阅读下吧。

摘 要 模糊决策是近年来国际运筹学界极其活跃的研究领域之一,也是模糊集理论诞生以来应用最为成功的领域之一。模糊决策应用范围十分广泛,以其在评价股票投资价值中的应用为例,说明了它在经济领域中的应用。

关键词 模糊决策 运筹学 模糊集 股票投资价值

1 股票技术分析及预测方法

1.1 股票技术分析方法

进行股票的预测,最直接和基本的方法是股票的技术分析,它依据统计图表和股市的图形研判股市的未来动向,技术分析方法可以分为三种类型:判断股价趋势为主的趋势分析,如道琼斯理论、趋势线法、移动平均线等;形状分析,如K线系统、整理与反转形态、支撑与阻力以及箱性理论,波浪理论等;人气指标,如成交量图、OBV指标等。虽然技术分析方法具有一定的准确性,但是由于技术指标分析方法众多,各种方法之间差别巨大,对于投资者来说学习不易,掌握更难,同时技术分析理论缺乏可靠的理论支持,分析结果仁者见仁、智者见智。虽然直到目前它仍然是大多数投资者在使用和依赖的分析预测方法,但是改进和发展它已经成为不可避免的事实。

1.2 基于统计学理论的预测方法

统计学理论的预测方法,主要是基于模型拟合和最小二乘原理建立各种回归、自回归、混合回归模型进行预测。此类方法,具有严格的数学基础,应用也最广泛,近年也有相当的发展。如Nelder,JA和 Wedderburn,R·W·M提出了广义线性模型,它放松了经典线性模型的假设,极大地丰富了回归分析的理论。Aaron Li和Duanleo对假设进一步放松,提出了一般回归模型,该领域研究具有十分惊人的前景。在计量经济研究中,Ichi二则提出了一类十分重要的模型——单指标模型。研究的重点在于使之更适合于实际社会经济系统建模。

1.3 基于人工智能技术的股票预测技术

由于计算机与人工智能技术的飞速发展,为股票市场建模与预测提供了众多的新技术、新方法,基于人工智能的股票预测技术进展迅速。基于神经网络的股票预测方法,主要使用神经网络进行股票价格数据的学习训练,然后使用训练模型进行股市预测。采用模糊模型技术进行预测,主要是依据专家经验或统计方法建立模糊模型进行预测;另外还可采用遗传算法进行神经网络的学习权值调节或模糊模型、模糊规则的调整,使神经网络模型或模糊模型更加逼近系统模型。

1.4 股票的组合预测方法研究

决策者面临决择的预测方式可能不只一种,且各有千秋,都能从一定程度上提供不同的有用信息,如何综合利用这些信息,解决多模式预测方式问题,正是组合预测的研究内容。在1989年,International Journal of Forecasting和Journal of Forecasting分别出版了组合预测专集,Granger和Clemen分别给出了精辟的综述与详论,Clemen从信息集合讨论了组合的实质,从而为进一步探讨获取最有用信息抛弃无用信息提供了指导。自Bates和Granger发表组合预测一文以来,组合预测有了很大的发展。组合的目的在于综合利用各种预测方法所提供的信息,尽可能地提高预测精度。从原理上说,组合预测结果是对各单个预测线性加权。组合预测研究主要是考虑组合机理、权值确定,主要从统计分析、贝叶斯分析和信息集合三个角度来考虑。

2 非模糊环境下投资组合分析

现在先介绍一下用传统的方法在非模糊环境下如何选择最优的投资组合。

设投资者将其资金投资于n项风险资产,xi为在风险资产i上的投资份额,Ri为风险资产i的收益率,它是一个随机变量,ri=E(Ri)是Ri的期望值,σij=cov(ri,rj)是第i,j两项资产的协方差i,j=1,…,n。ki是每单位风险资产的变化所需的交易费用,ki≥0;ci是第i项风险资产的交易费用。

给定投资组合x0=(x01,x02,…,x0n)和一个新投资组合x=(x1,…,xn),第i项风险资产的交易费用可表示为Ci=ki|xi-x0i|,i=1,…,n。

总交易费用为

■C■=■k■x■-x■■

总收益为

R(x)=E■Rixi-■k■x■-x■■

=■rixi-■k■x■-x■■

总风险为

V(x)=■E(Ri-E(Ri)xi)

一般地,投资者希望收益最大且风险最小。数学上可以表示为以下双目标规划模型

maxR(x)=■rixi-■kix■-x■■

minV(x)=■E(Ri-E(Ri)xi)

st■xi=1

用线性加权法求解多目标规划问题, 可得如下参数规划问题

Max(1-λ)■rixi-■kix■-x■■-λ

■E(Ri-E(Ri))xi

st■xi=1

xi≥0,i=1,…,n

其中,参数λ在[0,1]中取消,它被称为内险回避因子,λ取值越大,投次者风险加避意识越强。