（计算机应用技术专业论文）基于属性概念的金融智能决策模型的研究与实现.pdf

基于属性概念的金融智能决策模型的研究与实现 摘要 金融市场是个动态、复杂的系统，其价格序列有着本身固有的繁杂、非稳态 和混乱的形式，这使得金融市场决策模型类型多种多样，而且远未成熟。 随着人工智能技术的不断发展，特别是不确定性知识表示的人工智能理论技 术的发展，在金融市场决策模型中引入不确定性的知识表示与推理机制来建立和 演化决策规则，这突破了传统方法很难为金融市场这样复杂自适应系统构建具体 的数学因素模型的局限，带来了人工智能技术在金融市场分析领域的广泛应用趋 势。本文首先在复杂决策系统建模理论的基础上，采用不确定性知识表示的理论， 建立信息属性概念的建模与处理机制，随后在该机制基础上，通过采用不确定性 知识转换的云模型、不确定性推理贝叶斯概率推理网、以及信息融合的证据理论， 构建了新的金融决策模型。本文主要包括基于属性概念的建模与处理机制，基于 属性概念的金融智能决策模型，该金融决策模型原型的实现等三个方面，详细的 阐述了基于属性概念的金融智能决策模型( p r o p e r t i e s c o n c e p t sb a s e df i n a n c i a l i n t e l l i g e n c ed e c i s i o n m a k i n gm o d e l ，简称p c f i d m ) ，其主要内容如下： ( 1 ) 基于抽象的“dn ”理论，在不确定性知识表示和推理机制下，提出基 于属性概念的建模与处理机制，并讨论其实现原理。 ( 2 ) 在融合信息处理流程和属性概念的建模与处理机制的基础上，提出金融 决策模型。并详细介绍该模型的数据处理过程。 ( 3 ) 以贝叶斯概率推理网为基础，实现了该决策模型的原型系统。通过对现 有的涨跌相当时段的金融数据进行了处理和分析，验证了该模型的有效性。 与传统的金融决策模型的研究相比，本文在新的面对消息简约与提炼属性概 念的机制上构建了智能金融决策模型，其主要有以下方面的优势：属性概念的建 模与处理机制为金融决策构建了一个更合理的不确定性知识表述的决策模型框 架；由贝叶斯概率推理理论构建了历史概率情况下的推理，体现了复杂决策系统 的不确定性特征；由证据理论扩展了信息可信度融合的方式；在对金融数据进行 分析和处理后，该模型能得到具有一定信度的规则，并且这些规则能够很方便的 扩展与延伸。 关键词：属性概念；金融智能决策；证据理论；贝叶斯概率推理网 i l 硕士学位论文 a b s t r a c t f i n a n c i a lm a r k e ti sad y n a m i ca n dc o m p l e xs y s t e m t h ef o r mo fi t sp r i c e s e q u e n c ei s i n h e r e n tc o m p l e x l y , n o ts t e a d y ，a n dd i s o r d e r e d ，t h e r e f o r e ，t h ed e c i s i o n m a k i n gm o d e l so ft h ef i n a n c i a lm a r k e ta r ev a r i e da n df a rf r o mm a t u r e w i t ht h ed e v e l o p m e n to fa r t i f i c i a l i n t e l l i g e n c et e c h n i q u e s ，e s p e c i a l l y t h e u n c e r t a i n t yt h e o r yo fa r t i f i c i a li n t e l l i g e n c e ，u n c e r t a i n t yd e n o t a t i o na n dr e a s o n i n g m e c h a n i s mw e r ei n t r o d u c e di n t ot h ef i n a n c i a ld e c i s i o n m a k i n gm o d e lt oe s t a b l i s ha n d e v o l v ed e c i s i o n m a k i n gr u l e s t h i st e c h n o l o g yc a no v e r c o m et h ed i f f i c u l t i e so f b u i l d i n gs p e c i f i cm a t h e m a t i c a lf a c t o r sm o d e lt h a tb r o u g h tb yt h et r a d i t i o n a lm e t h o d s f o rt h ef i n a n c i a lm a r k e t ，w h i c hi sc o m p l e xa n da d a p t i v e i ta l s ob r i n g saw i d er a n g eo f a p p l i c a t i o n si n t ot h ef i n a n c i a lm a r k e tw i t ha r t i f i c i a li n t e l l i g e n c et e c h n i q u e s i nt h i s p a p e r ，b a s e d o nc o m p l e xd e c i s i o n m a k i n gs y s t e mm o d e l i n gt h e o r y , am e t h o do f m o d e l i n gi n f o r m a t i o np r o p e r t i e sc o n c e p t sa n dp r o c e s sm e c h a n i s mw a sb u i l t ；b a s e do n t h i s ，an e wf i n a n c i a ld e c i s i o n - m a k i n gm o d e l ，w h i c hu s e du n c e r t a i n t yk n o w l e d g e t r a n s f o r m i n gm o d e l - c l o u dm o d e l ；b a y e s i a np r o b a b i l i s t i cr e a s o n i n gn e t w o r k ；a n d e v i d e n c et h e o r yo fi n f o r m a t i o ni n t e g r a t i o n ，w a sb u i l t t h i sp a p e rm a i n l yi n c l u d e st h e f o l l o w i n gt h r e ea s p e c t s ：b a s e d o n p r o p e r t i e sc o n c e p t sm o d e l i n ga n dp r o c e s s m e c h a n i s m ；f i n a n c i a li n t e l l i g e n c ed e c i s i o n m a k i n gm o d e l ；a n dt h ei m p l e m e n t a t i o no f t h i sm o d e l t h ep r o p e r t i e sc o n c e p t sb a s e df i n a n c i a li n t e l l i g e n c ed e c i s i o n m a k i n g m o d e lb a s e do n ( p c f i d m ) w a sd e s c r i b e di nd e t a i l t h em a i nr e s e a r c hc o n t e n t sa r e a sf o l l o w s ： ( 1 ) b a s e do na b s t r a c t “d n ”t h e o r y , w ec a m eu pw i t ht h ep r o p e r t i e sc o n c e p t m o d e l i n ga n dp r o c e s sm e c h a n i s mw h i c hw a sb u i l tb yu n c e r t a i n t yd e n o t a t i o na n d r e a s o n i n gm e c h a n i s m ，i t si m p l e m e n t a t i o nw a sa l s od i s c u s s e d ( 2 ) t h ef r a m eo ft h ef i n a n c i a ld e c i s i o n m a k i n gm o d e lw a se s t a b l i s h e db y c o m b i n i n gt h ei n f o r m a t i o np r o c e s sa n dp r o p e r t i e sc o n c e p tm o d e l i n g ，a n dt h ed a t a p r o c e s s i n go ft h i sm o d e lw a si n t r o d u c e di nd e t a i l ( 3 ) o nt h eb a s i so fb a y e s i a np r o b a b i l i s t i cr e a s o n i n gn e t w o r k ，t h ed e c i s i o n m a k i n gp r o t o t y p ew a si m p l e m e n t e d a f t e ra n a l y z i n ga n dd e a l i n gw i t ht h ee x i s t i n g f i n a n c i a ld a t a ，t h ee f f i c i e n c yo ft h i sm o d e lw a sv a l i d a t e d c o m p a r e dw i t ht h et r a d i t i o n a lf i n a n c i a lm o d e l ，w ed e s i g n e dan e wf i n a n c i a l i n t e l l i g e n c ed e c i s i o n m a k i n gm o d e lo nt h eb a s i so fi n f o r m a t i o ns i m p l i f y i n ga n d i i i 基于属性概念的会融智能决策模型的研究与实现 p r o p e r t i e sc o n c e p t sr e f i n i n g t h ea d v a n t a g e sa r ea sf o l l o w s ：am o r er e a s o n a b l e d e c i s i o n m a k i n gm o d e lf l a m ed e n o t e db yu n c e r t a i n t yk n o w l e d g ew a se s t a b l i s h e dw i t h t h eh e l po fp r o p e r t i e sc o n c e p t s m o d e l i n ga n dp r o c e s sm e c h a n i s m t h e h i s t o r i c p r o b a b i l i t yc a s e sc o n s t r u c t e db yb a y e s i a np r o b a b i l i s t i cr e a s o n i n gt h e o r ys h o w e dt h e f e a t u r eo fu n c e r t a i n t yo fc o m p l e xd e c i s i o n - m a k i n gs y s t e m b yu s i n ge v i d e n c et h e o r y ， w ee x p a n d e dt h em e t h o d so fi n t e g r a t i n gi n f o r m a t i o nc r e d i b i l i t y a f t e ra n a l y z i n ga n d d e a l i n gw i t ht h ef i n a n c i a ld a t a ，t h i sm o d e lc a ng e ts e v e r a lc r e d i b l er u l e s ，w h i c hc a nb e e x p a n d e da n de x t e n d e de a s i l y k e yw o r d s ：p r o p e r t i e sc o n c e p t s ；f i n a n c i a li n t e l l i g e n c ed e c i s i o n - m a k i n g ；e v i d e n c e t h e o r y ；b a y e s i a np r o b a b i l i s t i cr e a s o n i n gn e t w o r k i v 基于属性概念的合融智能决策模型的研究勺实现 表4 1 表5 1 表5 2 表5 3 表5 4 表5 5 表5 6 表5 7 表5 8 表5 9 表5 1 0 表5 1 1 表5 12 表5 13 表5 1 4 表5 1 5 表5 16 表5 17 附表索引 涨跌同比例数据2 7 原始数据部分数据片断3 2 p f i 属性数据处理结果3 3 j f i 属性数据处理结果3 3 v f i 属性数据处理结果3 3 e v i d e n c e 1 ：m 】数据片断3 5 p f i 调整数据结果_ 3 6 v f t 调整数据结果3 7 浦发银行实验结果数据3 7 杭钢股份验证规则数据结果3 8 两面针验证规则数据结果3 9 万向德农验证规则数据结果3 9 置信电气验证规则数据结果3 9 海鸟发展验证规则数据结果4 0 西藏旅游验证规则数据结果一4 0 哈投股份验证规则数据结果4 0 出版传媒验证规则数据结果4 1 九支股票汇总平均数据结果一4 1 v i i i 硕十学位论文 插图索引 图2 1b p 预测模型框架示意图9 图3 1空间状态转换图12 图3 2“d n ”模型关系示意图l3 图3 3属性概念的建模与处理框架示意图1 4 图4 1消息处理流程图18 图4 2金融决策模型结构框架图1 9 图4 3单根k 线示意图2 1 图4 4双根k 线示意图2 2 图4 5量价联系关系网络示意图2 4 图4 6 量价关系及扩展关系示意图2 4 图4 7量价关系概念形成的静态贝叶斯网络结构图2 6 图4 8 量价关系扩展贝叶斯网络结构图2 7 图4 9金融市场信息融合示意图2 9 图5 1原型信息处理流程图3 1 图5 2静态贝叶斯结构矩阵示意图3 4 v i l 湖南大学 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的 研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或 集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者躲移玩答 吼加产多月乒日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保 留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借 阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本学位论文属于 1 、保密口，在年解密后适用本授权书。 2 、不保密团。 ( 请在以上相应方框内打”) 作者签名： 导师签名： 日期：占1 9p 夕年月够日 日期：卯叮年月j 一日 黟t 枷嘲 硕j j 学位论文 第1 章绪论 1 1 课题背景和研究意义 随着中国金融市场的上证股票指数由2 0 0 5 年10 0 0 多点上升到2 0 0 7 年的6 0 0 0 多点，短短的两年时间上涨了将近六倍，中国金融市场上的飞快的增长速度带来 了人们对金融市场无比关注的热情。然而，随后而来的是市场在冲顶效应完结带 来的调整气氛及金融泡沫破灭的双重打击下，也就一年的时间指数又从6 0 0 0 点飞 速下降为16 0 0 点，在股票市场上的上演了惊心动魄的飞速变化的一幕。在金融市 场上怎样才能更好的感知市场发展的趋势，必然要求对金融市场信息进行分析， 形成有效益的投资决策模式。 金融市场是复杂自适应系统3 。因其复杂性与动态性很难用传统的数学模型 来刻画清楚。而且由于其复杂性与动态性很难有较强的普遍适用的规则来刻画。 随着人们对于复杂决策任务系统建模方式的认识的提升，使得对于复杂系统的决 策推理与分析有了新的研究工具与方式，使得智能推理与复杂系统的构建有了新 的广阔的空间心3 。考虑到不确定性人工智能的技术发展，这为我们处理金融市场 上复杂的信息提供了新的简约与转换的方式，这也为金融决策建模开辟了新的发 展方向b 3 。 引入不确定性知识表示的理论，在不确定知识形成的定性属性概念的情况下， 构建新的属性概念的建模与处理机制来更加深刻的刻画复杂决策系统的建模，使 得决策系统有着融合领域专家经验与历史概率情况的特点。打破了传统的用数学 公式模型刻画复杂决策系统的简单与复杂不相容的困境，也使得积累的知识常识 与学习过程有了一个更好的拟合的过程。在复杂，动态，随机不确定非常强的复 杂系统中更能够处理复杂因素下的决策与处理过程。 传统的金融决策模型不管是基础分析，还是技术分析都应该考虑到消息的融 合和信度影响“1 。要在现实的基础上融入领域专家的知识形成可以不断清晰的决 策实现化的过程。要在考虑不确性的概念描述的规则基础上将我们经常表述出来 的规则与复杂性推理与信息融合在一起。使得我们构建的复杂推理与现实条件符 合上有较强的指引性，因此有人将金融决策说成是一种艺术。但如果让金融决策 的推动力量与历史的，现实的条件相组合，利用不确定性的定性定义一些概念的 基础上构建复杂的概率推理机制与消息融合机制，将使金融决策更有现实分析与 决策的基础。 在衡量决策结果时，在金融决策模型下很容易引入收益分析作为其自然的标 基于属性概念的会融智能决策模型的研究0 实现 准。然而在概率结果的情况下风险成了一种不可度量的一种不确定性。因此对于 决策结果的确认必需引入近似风险的来处理。使得决策的结果有了一个好的有说 服力的比较结果。并且为完善决策系统给出了一种指引。 因此，构建智能的金融决策系统就是利用不确定性知识表示方式处理原始的 信息，在经验的指导下形成定性的属性概念，然后利用不确定性的概率推理机制 构成一种概率推断的规则结果，在不断的确认规则结果的可信度及融合其他信息 的情况下扩展规则，实现智能推理决策过程。 1 2 研究内容 本文的研究是在dn 演绎原理的基础上构建新的属性概念来处理消息的简 约与转换机制陆1 。这就是利用不确定知识表示的云模型，不确定性的推理工具贝 叶斯概率推理网络与证据理论形成信息融合的多因素金融决策模型8 1 。通过在不 确定性理论的支持下构建定性的信息属性概念，来支持离散情况下的贝叶斯概率 推理网，在证据理论的信息融合的基础上推动构建网状因素联系，从而用来构建 智能的决策和推理。并且试图将金融领域的专家知识构建成多因素联系网来表示 抽象的决策动因，利用贝叶斯推理网来构建联系的历史性印证与信度考虑。在引 入扩展的贝叶斯网络情况下构建新的金融决策模型。具体的说，本文研究的内容 如下： ( 1 ) 在dn 演绎原理的基础上讨论属性概念建模与处理机制的框架结构。 模型的构建分两层：在低层抽象中考虑用不确定知识表示新的理论云模型来实现 低层的抽象，构建属性概念的定性定义；高层用贝叶斯概率推理网和证据理论来 搭建决策分析建模，构建简单的具有一般普适性的决策规则机制。 ( 2 ) 在金融决策模型的构成框架中采用由金融数据抽象成概念与联系的网 络，并建立在联系网络中进行不确定推理与决策的模型。使得整个决策模型有着 较强的扩展性与适应性。也使得各部分的影响关系简洁明了。 ( 3 ) 通过对现实金融数据的采集及处理，并在k p m u r p h y 用m a t l a b 编写的 贝叶斯工具箱平台下实现的决策模型的对采集数据的处理和分析旧3 。展示模型原 型的决策效果和能力，并展望未来发展的方向与途径。 1 3 本文的组织结构 本文共六章，其中各章的主要内容如下： 第l 章：绪论。介绍课题提出的背景与研究意义，并介绍了论文的内容与组 织。 第2 章：相关工作与理论基础。本章阐述了金融复杂决策建模的理论基础。 综述了复杂决策的建模理论，金融决策问题的研究现状。 硕十学位论文 第3 章：属性概念的建模与处理机制。本章在信息属性概念的获取及知识规 则概述的基础上，构建分为低层抽象与高层建模的属性概念的建模与处理机制。 模型中采用不确定性知识表示的云模型来构建低层抽象的定性概念特征值等数字 特征，然后再由数字特征在概念基础上构建联系网络，在联系网络上面组成贝叶 斯概率推理网络结构，得出一般的规则，再依据证据理论上融合信息方法，构成 规则知识库，最终构成整个属性概念的建模与处理框架。 第4 章：基于属性概念的金融智能决策模型。本章在考虑信息流程的基础上 对金融决策模型框架进行说明，介绍其基本构成和原理。主要包括各种k 线表示 的属性特征的构建，在成交量上与价格构成的量价关系上贝叶斯网络推理模型的 建立，以及在推理模型下构建具有被动的预测机制的决策规则模型。 第5 章：基于属性概念的金融智能决策模型( p c f i d m ) 的原型实现。较详细 的说明了实现的平台工具的特点，简要地说明是原型实现的流程，详细说明了数 据处理的结果与原型机制下的实验结果。 最后是结论与展望。 基于属性概念的金融智能决策模型的研究与实现 第2 章相关工作与理论基础 复杂系统因其自有的开放性，不确定性与动态性的要求需要我们先从复杂系 统决策技术上面找到决策建模理论基础：利用复杂系统不确定性知识表示的最新 理论一一模糊集合理论与随机理论的基础上构建信息属性的定性概念与定量数据 的转换关系一一云模型引。信息属性概念的整体特征用云模型的定性的数字特征 来反映，这是定性属性概念的整体定量特征，使我们能够充分理解定性属性概念 的内涵和外延的意义。利用不确定性推理技术一一贝叶斯网络构建概念级的联系 网络的推理机制；利用不确定性信息融合技术证据理论构建信度不断增加的决策 规则；从而形成金融决策建模的基本表示框架。 下文分别从复杂系统建模理论和金融决策模型两个方面，介绍相关的工作和 研究现状。 2 1 复杂系统决策建模理论及研究现状 复杂系统表现为开放性，不确定性与动态性等特点，复杂的决策任务表现为 其复杂的决策环境和复杂的系统信息状况。从而，决策环境与决策系统的复杂性 决定了决策任务的建模与求解的不确定性，复杂性与动态性。我们根据决策问题 的结构化程度，将决策问题划分为结构化问题，半结构化问题与非结构化问题， 决策层次由结构化到半结构化到非结构化1 。结构化问题是能够描述清楚问题， 因此可以用精确的数据模型，算法或规则求解。随着复杂的不确定性的提高，复 杂系统非结构性决策使得数学模型很难对决策进行刻画。因此复杂系统的决策要 求我们必需采用智能决策方法来对决策进行刻画，特别是在机器支持的决策系统 中，决策方法就由符号逻辑表示推理的精确推理决策发展到考虑不确定性的近似 推理决策n 纠。近年来，近似决策理论主要的研究方向有定性定量转换理论、贝叶 斯网络推理理论、证据理论等。 2 1 1 定性定量转换理论一一云模型 随机性是人类知识和智能中最基本的不确定性之一，而概率理论是处理随机 性最主要的数学工具。概率论的奠基人是瑞士数学家j a c o b b e r n o u l l i ，伯努利大 数定理以严格的数学方法证明了频率的稳定性。后来，其他学者证明了中心极限 定理，大数定理及中心极限定理的一般形式，并阐述了大量的随机现象服从正态 分布。到了2 0 世纪，俄国数学家a n k o l m o g o r o v 建立了概率论的公理体系，使 得成为一门有着严密理论基础的数学分支。k p e a r s o n 提出了标准差、正态曲线、 硕十学位论文 平均变差、均方根误差等一系列数理统计的基础术语。再后来的n o r b e r tw i e n e r 的布朗运动的数学模型，a k e r l a n g 的排队论以及生灭过程、平稳过程、马尔可 夫过程、鞅论等使得随机过程发展成为应用十分广泛的概率理论的一个重要分支。 由概率论，数理统计和随机过程构成的概率理论为研究随机性奠定了数学基础， 也为研究不确定性提供了工具。在概率理论中特别是贝叶斯定理给出了一种先验 概率与后验概率之间的关系的一种数学规范。概率理论是表示和处理随机性的强 有力的工具。长期以来，人们认为不确定性就是随机性。后来，系统科学家 l a z a d e h 对此提出了挑战。并于1 9 6 5 年发表了f u z z ys e t s ，创立了模糊集合理 论，被称为“模糊学之父”n3 。后来又在模糊集合的基础上提出了可能性理论将 不确定性理解为与概率( p r o b a b i l i t y ) 不同的可能性( p o s s i b i l i t y ) 。但模糊集理论 需要数据集合之外的先验信息，如要预先确定隶属度或隶属函数。一旦离开了隶 属度或隶属函数，几乎所有的模糊集合运算都将难以进行。能否用不确定性本身 提供的信息来研究不确定性呢? 2 0 世纪8 0 年代初，波兰科学家p a w l a k 基于边界 区域的思想提出了粗糙集的概念，成为粗糙集理论的奠基人口利。粗糙集理论从知 识分类入手研究不确定性，其主要思想是在保持分类能力不变的情况下，通过知 识约简，推导出概念的分类规则，从而获得规则知识。分类能力是指当把论域中 的对象按照人们已经掌握的某种关系进行“划分时的细致程度，即粒度。也就 是把具有某种程度差别的对象划分到不同的“对象族 中去，既保持这种分类能 力不变，又能具有较少的、约简的属性，从而直接从给定的数据样本出发，通过 不可区分关系和等价类划分所确定的问题的近似域( 上近似和下近似) ，从而找到 隐含在数据中的内部规律。因此，知识有了确定的粒度的。粗糙集理论中用一对 称为上近似和下近似的精确范畴来定义不精确的概念。 一个元素是否属于某一粗糙集合是相对的，依赖于初始的知识库，如果初始 知识库中的知识粒度发生改变，那么这些关系都将改变。因此粗糙集理论的不足 之处表现为：知识库中数据样本必须是精确的，是基于数据的推理，对样本本身 的随机性和模糊性缺乏处理能力。粗糙集是用基于精确知识背景下的两个精确集 合来度量不确定性的，却忽略了背景知识的不确定性。所以，我们用云模型来构 建知识体系的时候必需考虑概念的定性与定量的不确定性转换模型。定性的概念 转换成一个个定量值，更形象的说，就是转换成论域空间的一个个点。这是一个 离散的转换过程，具有偶然性。概念的整体特性可以用云模型的数字特征来反映， 这是定性概念的整体定量特性。我们用数字特性中的期望理解为概念的基本核， 就是分类在论域空间分布的期望。用熵作为定性概念的不确定性度量，此由概念 的随机性和模糊性共同决定n 柏。一方面熵是定性概念随机性的度量，反映了能够 代表这个定性概念的离散程度；另一方面又是定性概念亦此亦必性的度量，反映 了论域空间中可被概念接受的取值范围。用同一个数字特性来反映随机性和模糊 基于属性概念的金融智能决策模型的研究与实现 性，也必然反映了它们之间的关联性。用超熵来表示熵的不确定性度量，即熵的 熵。是熵的随机性和模糊性共同决定的。这样定性定量转换理论为我们构建不确 定推理的概念粒度层次打下了深厚的理论基础， 2 1 2 贝叶斯网络推理理论 贝叶斯网络也称为概率网( p r o b a b i l i t yn e t w o r k s ) 或信度网( b e l i e fn e t w o r k s ) 是j u d e ap e a r l 在其经典著作p r o b a b i l i s t i cr e a s o n i n gi ni n t e l l i g e n c es y s t e m s ： n e t w o r k so fp l a u s i b l ei n f e r e n c e 详细阐述了贝叶斯网理论。贝叶斯网络是一种基于 概率的不确定性推理网络n 6 17 j 。它是基于概率推理的图形化网络，用来表示变量 集合连接概率的图形模型，提供了一种表示因果信息的方法，用于处理人工智能 中的不确定性信息。贝叶斯网络由结点和有向弧段组成。结点代表事件或变量， 弧段代表结点之间的因果关系或概率关系，具有概率分布。弧段是有向的，并且 不构成回路。贝叶斯网络能够利用简明的图形方式定性的表示事件之间复杂的因 果关系或概率关系，在给定某些先验信息后，还可以定量的表示这些关系。网络 的拓扑结构通常是根据具体的研究问题来确定。总的说来贝叶斯网络具有如下优 占 1 8 l9 j 、 ( 】) 贝叶斯网络是人类大脑中知识结构的自然表述方式，贝时斯网中知识的 表示和解释比较容易。 ( 2 ) 图形表示方式使得容易维持概率分布的完整性和一致性。 ( 3 ) 贝叶斯网简便表达和运用独立关系节省了存储空间，简化了知识获取和 领域建模过程，降低了推理过程的复杂性，且具有对不精确数值的鲁棒性。 ( 4 ) 图形表示使得高效推理成为可能，采用分布式信念更新方法大大提高了 运算效率。 ( 5 ) 预言推理和诊断推理的结合是贝叶斯网广泛应用到需要自上而下和自下 而上双向推理的认知任务领域。 ( 6 ) 嵌入的因果关系便于分析动作序列、动作结果、与观察间的交互及动作 的预期功效，从而能够在不确定性下做出规划和决策。 ( 7 ) 贝叶斯网拓扑结构具有和外部环境的同构性，容易反应环境变化，处理 异常情况。 但贝叶斯网的推理是n p 难题，即使是近似推理也是n p 难题，因此不太适 合规模较大的网络心叽引3 。而且因为贝叶斯网络模型是客观世界的关系反映。因客 观世界本身的复杂性使得贝叶斯网的建模是一项比较困难的工作。因此我们依靠 领域专家构建网络结构会使速度较快，准确性较好，特别是定量数据构建的粒度 相似的定性知识下构建小范围的复杂联系将使得模型大大的简化担郐。因此我们采 用贝叶斯网络来构建概念联系网。 6 硕j 二学位论文 2 1 3 证据理论 19 7 6 年，s h a r e r 出版了证据的数学理论，标志着证据理论的诞生。 a p d e m p s t e r 先后给出过上、下概率的概念，统计推理的一般化问题提出证据合 成的原则心3 1 。这使得证据理论的核心内容推广到一般的情况。因此证据理论又是 也被称为d e m p s t e r s h a f e r 理论。对于一个特定的决策问题，决策者的经验、知识 以及其他对该问题的观察、研究都是他用来做决策的证据。根据这些证据，他可 以在决策框架上产生一个信度函数，根据证据理论，从决策状态混合概率中分解 出各个自然状态的概率，通过一般风险决策方法可以得出一个满意的决策结果。 证据理论为我们综合多个专家的意见提供了有力的工具。因此我们用此构建基于 概念网络推理结果下的规则集来得到决策结果。 2 2 金融决策模型的研究状况 2 2 1 早期的数学模型一一投资组合理论 早期的金融决策与分析主要停留在市场感觉层面上，很少系统的利用数量化 模型进行决策管理。特别是当市场上有多种不同风险的投资资产的时候，在决策 中对资产的合理配置就需要我们引入相关的数学模型来优化配置。因此，在19 5 0 年由m a r k o w i t z 提出了证券组合投资模型心引。此模型的提出迅速的掀起了对金融 数量化模型的研究热情。相关的研究与改进成果不断涌现。 进行组合证券投资分析时，以证券收益率的方差作为证券投资风险的的测度。 对一个证券组合，用r = ( r ，一，尺，) 表示m 种有价证券的投资收益率，w = ( 1 4 , 1 ，一，w m ) 表示证券组合投资权重，且yw i = 1 ，则证券组合的投资收益率和投资风险为 b = w ，术尺， i = 1 ( 2 1 ) 露= 坳蛳术w j( 2 2 ) i = 1j = l 其中，南= e ( 尺，一e r , ) ( r 一e 琦) 。 这就是组合投资决策均值一一方差模型，并对模型进行了求解分析，构成了 现代组合投资分析的基石。以后的学者有修正证券收益率的方差作为投资风险的 测定的不足之处，提出以证券收益率的半方差作为证券投资风险的测定的方法 妇朝。也有从风险条件下对收益率水平实现的可能性大小作出度量，提出改进的概 率模型心引。但整个模型的建立基于两个重要的假设前提：一是投资者行为为理性 假设；二是有效市场假说陋7 1 。这两个假设条件在实际市场中都无法获得合理的验 基于属性概念的会融智能决策模型的研究j 实现 证，因此用数量化构建的模型很难深入的刻画实际市场上的投资决策问题。为了 更好的刻画投资决策问题人们开始从行为心理学方面对此模型进行修正的方向 船引。也有全新的引入人工智能的技术构建新的决策模型方式。 2 2 2 人工智能的引入一一神经网络预测模型 随着计算机、人工智能尤其是专家系统的发展，神经网络技术逐渐成熟并开 始应用于各个领域心9 1 。神经网络是对生物神经网络系统的模拟阳训。其信息处理功 能是由网络单元的输入输出特性( 激活特性) ，网络的拓扑结构( 神经元的连接方式) 所决定的。神经网络能自动从历史数据中提取有关经济活动中的知识，可以克服 传统定量预测决策方法的许多局限以及面临的困难；同时也能避免许多人为因素 的影响。因而在金融预测决策模型建造的合理性以及适用性方面都具有其独特的 优点。 神经网络是以对信息的分布存储和并行处理为基础。在许多方面更接近人对 信息的处理方法，具有模拟人的形象思维的能力，反映了人脑功能的若干基本特 性，是人脑的某种抽象、简化和模拟。神经网络具有以下基本特性阳： ( 1 ) 并行分布处理：神经网络具有高度的并行结构和并行实现能力。每个神 经元都可根据接收到的信息作独立的运算和处理，然后将结果传送出去，有较好 的耐故障能力和较快的总体处理能力。 ( 2 ) 非线性映射：神经网络具有固有的非线性特性。这源于近似任意非线性 变换能力。 ( 3 ) 通过训练进行学习：神经网络通过研究系统过去的数据记录进行训练。 一个经过适当训练的神经网络具有归纳全部数据的能力。 ( 4 ) 适应与集成：神经网络能够适应在线运行，并能同时进行定量和定性操 作。神经网络具有强适应和信息融合能力，特别适合复杂、大规模和多变量预测 决策系统的建立。 最开始利用神经网络构建预测决策模型是k i m o t o 和a s a k a w a 设计的基于神经 网络反向传播模型的“t o p i x ”，用于预测东京证券交易所指数2 3 3 1 。这个预测系 统对东京证券交易所指数的预测达到了比较高的精度。通过模拟交易表明能获得 较高的预测决策收益。经典的反向传播( b a c kp r o p a g a t i o n ，b p ) 神经网络的预测模 型的框架图示意如下： 硕士学位论文 图2 1b p 预测模型框架示意图 框架中，由输入数据，经过预处理，转换成神经网络要求的输入数据形式， 输入到b p 神经网络中，其b p 神经网络是由三层结构组成：输入层，隐含层，输出 层。数据输入到神经网络训练后，要对输出的数据进行转换才能得到我们输出处 理结果。在框架结构对网络的训练学习中最主要的是对输入数据的选择和网络结 构的确认。一般情况下，由于人们对金融市场这样的非线性系统的内部运行机制 缺乏深刻的认识，所以我们无法准确地分析哪些变量对预测目标有重大影响，这 使得我们在选取输人变量时带有一定的盲目性。关于网络结构问题是b p 模型中的 一个难题。有学者对神经网络从数据收集到预处理及网络结构的确认方向进行了 研究制。在一个模型的输人变量的选取，输出变量均固定以后，通过多种结构的 尝试，还是可以找到比较良好的网络结构。但没有得到很好的解释机制。使得b p 神经网络构架的预测模型存在自身固有的缺点：所有参数需依靠经验人工设定。 这样使得神经网络在构建金融预测决策模型有很大的随意性，其结果也有很大的 不确定性。因此在解决金融决策问题时引用人工智能的其他发展方向如智能a g e n t 系统。 2 2 3 智台皂a g e n t 的弓i 入a s m 禾口m a s s t 迄今为止，基于a g e n t 金融市场分析研究有两个大的方面：一个方面为单一 的股票市场建模即人工股票市场a s m ( a r t i f i c i a ls t o c km a r k e t ) 5 3 剖。研究的目标着 力于从微观的投资者行为( 特别是个体的信息不对称环境下的学习，进化与相互 之间的模仿行为) 的角度，再现与解释某些从实际交易数据中表现出来的传统金 融数量模型不易解释的异常现象。人工金融市场模型的典型代表s f i ( s a n t af e i n s t i t u t e ) 的人工股票市场，其最早是由a r t h u r 等各个学科的专家吸收b r a y 、 g r o s s m a n & s t i g l i t z 的部分成果共同建立起来的，完善工作是由s f i 的j o s h i 完成 的3 7 3 引。 人工股票市场模型的研究成果如下： ( 1 ) 资产定价与价格波动。利用a s m 研究了基于内生预期( e n d o g e n o u s e x p e c t a t i o n ) 的股票市场资产定价过程和价格波动，当a g e n t 修改其预测规则的速 幕于属性概念的会融智能决策模型的研究j 实现 度较快时，整个市场自组织成复杂的状态。技术交易及短期泡沫出现，资产的价 格和成交量的统计特性呈现出如实际市场一样的效应。 ( 2 ) 市场博弈。利用a s m 研究股票市场的多人博弈问题，发现只有一个 a g e n t 使用技术交易策略是，这个策略占优，但都使用时，出现n a s h 均衡状态。 而且，每个a g e n t 积累的财富都比所有使用基本分析的a g e n t 所积累的财富要小。 但价格的波动比后者波动幅度大。技术策略的广泛运用削弱了a g e n t 对价格趋势 预测的准确性，放大了市场波动，增加了市场的噪音。 ( 3 ) 价格时序性质。利用a s m 研究股票市场价格时间序列的性质，发现 a g e n t 在不同的进化速率下，市场呈现出不同的状态。 ( 4 ) 涨跌幅限制政策影响。a g e n t 采用技术交易从而放大了特定事件的影响。 当特定的事件发生后，在没有涨跌幅限制的情况下，股票价格可以迅速地做出反 应和调整。而在严格的涨跌幅限制的情况下，股票价格反应和调整需要更多的时 间来完成，这样若干交易日股价连续的某一方向小幅度的运动就造成了趋势，从 而为技术交易者识别并使之采取行动。而在技术交易占优的情况下，其行动就会 进一步放大了趋势，这种正反馈就会使得价格与没有涨跌幅限制的情况相比波动 更大。 此研究方向利用a g e n t 来涌现市场特性。没有很好的推导单个a g e n t 决策的 深刻的决策机理，不能很好的度量决策的稳定性与不确定性，不能很好的解释决 策机理的演进。 另一个方面为对股票趋势的分析0 1 。使得股票购买者能够绕开股票的交