论文部分内容阅读
智能科学经过不断的发展与积淀，开始逐步尝试解决大规模复杂系统问题。金融系统作为社会中存在的最复杂的系统之一，有着开放性、网络化、时变、非线性、不确定性等诸多突出特点，与人类生产生活以及经济利益密切相关。这些特征使得人们对金融与经济系统的刻画变得十分困难，在金融环境下的决策任务也变得异常复杂。金融因素是金融系统的数值化体现，里面包含了大量有用的信息，也夹杂着很多噪音。如何分析和利用大规模金融因素集合内的有用信息是摆在研究者面前的突出任务。在此背景下，本文提出了两个研究主题：一是基于大规模因素集进行金融因素关系的学习与收益率影响因素的确定，二是研究金融因素关系的动态变化及新的金融风险的刻画方法。
本文的研究基于大规模金融因素集合和贝叶斯网络，主要研究内容和创新成果描述如下：
1.提出了基于贝叶斯网络进行大规模金融因素关系快速自发计算的方法。
本文提出基于贝叶斯网络系统性地进行大规模经济与金融因素分析的框架，将整个因素集合内的关系设定为“宏观→微观→收益率”形式的层次结构。首先本文建立描述整个市场因素关系的通用模型。对于每一层次(宏观与微观层次)包含的因素子集，我们由贝叶斯网结构学习算法学习出层次内部因素之间的影响关系。对于层次之间的映射，我们基于最大相互信息量原则，为收益率选取微观影响因素，为微观因素选取宏观影响因素。随后，各部分的影响关系子图综合形成整体的因素网络构架，该整体结构可以作为通用模型用于宏观市场分析，也可作为先验结构为后续的行业和个股分析提供指导。
此工作为金融因素分析提供了崭新的方法，融合大规模因素数据集和金融专家对经济、行业与公司运营状况的主观判断等信息，在刻画因素关系时既可保留经典的经济学关系，又可通过数据学习未知的因素关系，还能充分利用人的主观判断灵活地进行日常分析。
2.提出了从大规模金融因素集中选取相关且异质的风险因素集合的方法。
寻找能够预测预期收益率的风险因素一直是金融学研究的核心之一，因此本文将因素整体结构的一部分：微观因素对收益率的影响子图做重点研究。
此部分的工作从两个角度完成。第一种情况，在完全不参考经济经典模型的情况下，本文从Kullback—Leibler距离的角度证明使用最大相互信息量准则进行风险因素选择的最优性。随后，在具体计算上，我们以信息依赖项和信息冗余项为基本运算单位，将因素集合和收益率的相互信息量分解为基于两个基本单位的计算，使被每步骤选出的因素与收益率的相互信息量最大，同时与已选出的因素集合信息冗余最小。
第二种情况，本文改进金融学经典的套利定价模型(APT)，对APT模型加入L1限制，通过最小角回归的方法从大因素集中选取风险因素。该工作使APT模型脱离了纯粹的理论模型，在保留经典APT模型形式的基础上，从大因素集中选出稀疏子集作为风险因素加入模型当中，使之能够灵活运用在实际的分析中。通过对预测错误的Cp估计，我们还可自动确定应选出的因素数目。
3.提出运用非高斯SEM因果发现学习金融因素间互因果影响关系的方法。
基于综合的金融因素集，本文使用非高斯结构方程模型(SEM)方法自动学习因素集合中蕴含的因果关系。因果结构中允许环出现，对经济理论中普遍认可但还没有充分理论建模的互因果现象进行了描述。该方法综合人工智能和计量经济相关方法的优势，学习出因素间的稳定平衡态。
本文将该方法扩展至时间序列分析中结构向量自回归(SVAR)模型的确定问题，求解SVAR系数矩阵的稳定平衡估计，并同时确定系数矩阵对应的因素因果顺序。
4.提出以贝叶斯网结构的变化刻画金融市场风险，分析市场趋势的方法。
本文提出新的定性方法对市场风险建模。基于综合的宏观因素集合，本工作学习每个时间点对应的贝叶斯因素关系图，通过监控因素间影响结构的动态变化分析市场涨跌趋势的变化。模型假设证券市场的涨跌趋势是由经济形势决定的，以贝叶斯网络结构作为其时经济形势的描述，以因素关系结构的变化作为风险的刻画。如果一段时间内贝叶斯网结构保持不变，则经济形势在对应的时间内保持稳定，进而推断市场涨跌趋势不发生根本性改变。
该风险描述的一大特点在于其突破了以往通过数值组合定量定义风险的限制，用图结构变化这一定性指标指示股市走势的变动并描述风险，更接近人的思维方式和对市场的理解。