基于Matlab GUI的股票價格走勢模擬系統開發

趙步祥　楊德平

摘要：為開發一個供股票從業者和研究人員使用的股票預測工具，本文對基于Matlab GUI的股票價格走勢模擬系統進行開發。通過對股票市場的特點、預測模型的種類及相關變量等方面的調研，選取隨機游走模型、一般化的維納過程模型、幾何布朗運動模型及含跳躍影響模型來模擬股票價格走勢，開發了具有功能的Matlab GUI系統，用作股票分析的工具。研究結果表明，隨機游動模型價格具有不確定性，而對于幾何布朗運動和含跳躍維納過程，雖然單次模擬價格具有隨機性，但多次模擬具有一定程度的確定性。開發的界面操作簡單，避免了繁瑣的建模計算過程，方便股票市場參與者使用。該研究具有一定的應用前景。

關鍵詞：隨機游走; 維納過程; 幾何布朗運動; 跳躍影響; 圖形用戶界面

中圖分類號： F830.91; TP317.4文獻標識碼： A

文章編號： 1006-9798（2020）02-0116-09; DOI： 10.13306/j.1006-9798.2020.02.018

股票價格是由市場的每個參與者共同決定，但由于各個參與者行為的不可預測性，一般認為股票市場是混沌的，股票價格難以預測，且其價格還受到經濟等其他因素的影響，包括貨幣供給與需求、失業率、通脹及經濟周期等。針對股票價格波動的特點，合理準確的預測股市股票價格的變化趨勢成為許多學者主要研究的方向。關淞瀚[1]通過歸納發達國家股票市場的特點，認為發達國家的股票更好預測;李緗珍[2]認為短期的股票市場趨勢預測對政府管理證券市場有重要意義;劉平等人[3]認為股票市場的不穩定來源于價格波動的非線性和時變性等特點;陳婕[4]認為股票投資者買賣的依據是自己的預期，但投資者的決策還受許多其他非理性因素的影響，這降低了預測模型的準確性;王春峰等人[5]認為所有預測模型的前提是未來金融市場波動模式與過去相同，即市場風險測量的核心是對過去收益率波動性的估計;楊克磊等人[6]比較了深圳股市和上海股市的波動特點，認為上海股市風險較高;楊光藝[7]認為預測模型的預測變量在熊市和牛市中有不同的意義。關于預測模型的研究，劉光強[8]建立了中國股市的高頻波動預測模型，發現自回歸搜索（autoregressive quest，ARQ）模型和異質自回歸搜索（heterogeneous autoregressive quest，HARQ）模型有很高的準確度;姜富偉[9]發現中國的投資組合具有顯著的樣本外和樣本內可預測性;張斌[10]認為數據的波動類型會影響模型的準確性;沈巍[11]認為現階段的預測模型存在無法加入非量化因素等問題;蔣志強等人[12]認為中國股市收益率是可預測的，但是各投資組合的可預測性在不同股市狀態下存在差異等;周孝華[13]在股票運動混沌性假設的基礎上，分析布朗運動與分形布朗運動的仿真過程，首次提出并論述了分形布朗運動是股價行為的高度逼真;郭精軍[14]用分式布朗運動模擬上證指數，得到了很好的預測精度;張永東[15]使用指數平滑模型對上海股市的股票進行預測，預測結果優于其他模型;謝琪等人[16-18]采用神經網絡模型對股票價格進行預測;盧嘉澍等人[19-20]采用馬爾科夫鏈預測模型對股票價格進行模擬。近年來，圖形用戶界面（graphical user interface，GUI）受到了股票參與者的青睞，它可以根據股票特點調整參數，設計出針對性強的股票分析預測界面，楊曉等人[21]基于Matlab GUI，開發了馬氏鏈股價預測系統用于經濟領域。因此，本文在總結了股票預測模型研究現狀的基礎上，對基于Matlab GUI的股票價格走勢模擬系統進行開發，設計了一個提供幾種預測模型的GUI界面，用作股票分析的工具。該設計組合界面操作簡單友好，避免了繁瑣的建模計算過程。該研究對股票市場參與者具有重要的應用價值。

1模型理論

1.1對數收益率模型

多期股票對數收益率為

1.2隨機游走模型

價格隨機模型的基本形式為

式中，μ為股票的年預期收益率;σ為股票價格年波動率。

1.3一般化的維納過程模型

一般化維納過程的基本形式為

式中，ΔS表示股票價格S在很小的時間間隔Δt中的變化。若初始時刻t=0，股票價格為S0，則t時刻的價格St可表示為

1.4幾何布朗運動模型

當研究不支付股息的股票時，其價格的變化特征可表示為

由于dW為維納過程中不可預測項，且（dW）2=ε2dt，ε～N（0，1）。t時刻價格St的離散模型可表示為

1.5含跳躍影響模型

在研究含有跳躍因素影響股票時，其價格的變化特征可表示為

式中，k為t時段跳躍次數;Ni（t）為St的第i個跳躍觸發St在t時刻發生跳躍的計數過程，是服從參數為λit的泊松過程，即

Ui是在時間間隔為hi，方差為σ2i上的隨機跳躍幅度，其滿足

設T為觀察周期長度，按等時間間隔觀察n次，即h=T/n，則第i次的價格表示為Sih（i=1，2，…，n）。當時間間隔h足夠小時，這樣能保證每一個間隔內至多發生一次跳躍，此時模型的離散形式為

其中，I|Nih-N（i-1）h=1|為示性函數，表示在第i時段上發生跳躍時取值為1，否則取值為0。

2界面開發

2.1界面組成與布局

本界面主要利用對數收益率模擬價格法，隨機游走、布朗運動等方法模擬股票價格走勢，包含輸入數據、模型觸控按鈕和顯示模擬圖等控件，股票價格走勢模擬功能界面如圖所1示。

2.2控件屬性設計

本界面由10個靜態文本框、2個面板、6個按鈕、8個可編輯文本框和2個坐標軸組成?？丶傩栽O計如表1所示。

2.3程序設計

1）[對數收益率模擬價格法]按鈕回調函數。

function duishushouyilvfa_Callback（hObject，eventdata，handles）

globalPrice0musigmaMN

Price0=str2num（get（handles.chushijiage，'string'））;%初始價格

N=str2num（get（handles.monitianshu，'string'））; %模擬交易日天數

mu=str2num（get（handles.yuqishouyilv，'string'））; %預期收益率

sigma=str2num（get（handles.yuqibodonglv，'string'））;%預期波動率

M=str2num（get（handles.monicishu，'string'））;%模擬次數

n=240;%假設一年有240個交易日

MU=（1+mu）^（1/n）-1;%年收益率轉換成日收益率

SIGMA=sigma/sqrt（n） ;%年波動率轉換成日波動率（近似）

PRICE=[]; %存儲價格模擬值

for j=1：M

Rate=normrnd（MU，SIGMA，N，1） ; %隨機產生N個正態分布隨機數

S=Price0*exp（cumsum（Rate）） ;%計算各交易日的價格

PRICE=[PRICE，S];

end

Pmean=mean（PRICE，2）;

axes（handles.axes1）;

cla（handles.axes1）%清除坐標軸信息

x=1：N;

plot（x，PRICE（：，1））%繪制一次模擬價格走勢

xlabel（'時間'） ;ylabel（'價格'）;

axes（handles.axes2）;

cla（handles.axes2） %清除坐標軸信息

plot（x，Pmean） %繪制模擬價格整體走勢圖

xlabel（'時間'）;ylabel（'均值價格'）;

guidata（hObject， handles）;

其它主要按鈕的回調函數主要代碼如下：

2）[隨機游走運動]按鈕回調函數。

function suijiyouzou_Callback（hObject，eventdata， handles）

global Price0musigmaMN

PRICE=[];%存放價格模擬值

for j=1：M

e=normrnd（0，1，N，1）;%隨機產生N個正態分布隨機數

S（1）=Price0+e（1）;

for i=2：N

S（i）=S（i-1）+e（i）;%計算各交易日的價格

end

PRICE=[PRICE;S];

end

3）[幾何布朗運動]按鈕回調函數。

function jihebulang_Callback（hObject，eventdata， handles）

globalPrice0musigmaMN

T=1;%設時間周期長度為1

h=T./N;%時間間隔長度

PRICE=[]; %存放價格模擬值

for j=1：M

e=normrnd（0，1，N，1）; %隨機產生N個正態分布隨機數

S（1）=Price0*exp（mu*h+sigma*sqrt（h）*e（1））;

for i=2：N

S（i）=S（i-1）*exp（mu*h+sigma*sqrt（h）*e（i））; %計算各時刻的價格

end

PRICE=[PRICE;S];

end

4）[一般化維納過程]按鈕回調函數。

function yibanhuaweina_Callback（hObject，eventdata，handles）

globalPrice0musigmaMN

T=1; h=T./N;PRICE=[];

for j=1：M

e=normrnd（0，1，N，1）; %隨機產生N個正態分布隨機數

S（1）=Price0+mu*h+sigma*sqrt（h）*e（1）;

for i=2：N

S（i）=S（i-1）+mu*h+sigma*sqrt（h）*e（i）; %計算各時刻的價格

end

PRICE=[PRICE;S];

end

5）[含跳躍維納過程]按鈕回調函數。

function hantiaoyueweina_Callback（hObject，eventdata， handles）

global Price0musigmaMN

SIGMA=str2num（get（handles.tiaoyuebodonglv，'string'））;%跳躍波動率

p=str2num（get（handles.tiaoyuegailv，'string'））; %跳躍概率

Lambda=str2num（get（handles.tiaoyuefudu，'string'））;%跳躍幅度

T=1;h=T./N;PRICE=[];

for j=1：M

%產生每個時間段上維納過程隨機數

e=normrnd（0，1，N，1）;%利用參數為1的二項分布隨機數取得示性函數

I=binornd（1，p，N，1）;%產生每個時間段上跳躍事件發生的幅度并計算價格

V=normrnd（log（1+h）-SIGMA^2/2，SIGMA^2，N，1）;

U=exp（V）-1;

S（1）=Price0+Price0*（（mu-（Lambda*h）*I（1））*h+sigma*sqrt（h）*e（1）+U（1）*I（1））;

for i=2：N

S（i）=S（i-1）*（1+（（mu-（Lambda*h）*I（i））*h+sigma*sqrt（h）*e（i）+U（i）.*I（i）））;

end

PRICE=[PRICE;S];

end

3系統應用

1）隨機游走運動模擬只需初始價格、模擬天數和模擬次數3個輸入量，隨機游走運動模擬如圖2所示。

2）幾何布朗運動、一般化維納過程、對數收益率模擬價格法需要初始價格、模擬天數、模擬次數、預期收益率和預期波動率5個輸入量，幾何布朗運動模擬如圖3所示。

3）含跳躍維納過程模擬需要界面全部輸入量，含跳躍維納過程模擬如圖4所示。

由圖2～圖4可以看出，只要給出模型的輸入變量，系統界面就會方便快捷地呈現出股票價格走勢的模擬結果。從單次模擬和多次模擬平均結果可以看出，隨機游走模擬價格都具有一定的波動性，說明隨機游動模型模擬結果具有不確定性;而幾何布朗運動和含跳躍維納過程的模擬結果，雖單次模擬價格具有隨機性，但從多次模擬平均結果來看具有一定的確定性。

4結束語

本文對基于Matlab GUI的股票價格走勢模擬系統進行開發，設計了一個用作股票分析的GUI界面。試驗結果表明，不同的預測模型模擬的結果具有不同的確定性。由于股票波動的混沌性，準確預測股票信息非常困難，但是本設計依然能給股票從業者提供參考價值。本文的不足之處是未對不同模型的適用條件進行詳細劃分，給理論基礎不足的從業者帶來不便，但是本設計依然具有應用價值。

參考文獻：

[1]關淞瀚. 淺析股票市場的可預測性[J]. 中國商論， 2018（26）： 28-29.

[2]李緗珍. 股票市場短期趨勢的離散分類預測模型研究[J]. 經濟研究導刊， 2019（26）： 136-140.

[3]劉平， 于重重， 蘇維均， 等. 股票價格市場波動優化預測仿真研究[J]. 計算機仿真， 2018， 35（8）： 179-183.

[4]陳婕. 技術分析有效性的實證研究[J]. 現代商業， 2014 （30）： 201-201， 202.

[5]王春峰， 張慶翠. 中國股市波動性過程中的長期記憶性實證研究[J]. 系統工程， 2004， 22（1）： 78-83.

[6]楊克磊， 毛明來， 徐正國. 隨機波動模型的滬深股市比較研究[J]. 天津大學學報： 社會科學版， 2004， 6（4）： 334-338.

[7]楊光藝. 中國股市可預測性的穩健性檢驗[J]. 金融發展研究， 2018（12）： 3-9.

[8]劉光強. 我國股票市場高頻波動預測研究——基于ARQ及HARQ模型的實證分析[J]. 西南交通大學學報： 社會科學版， 2017， 18（4）： 82-87.

[9]姜富偉， 徐俊， David E. Rapach， 等. 中國股票市場可預測性的實證研究[J]. 金融研究， 2011（9）： 107-121.

[10]張斌. 基于回聲狀態網絡的短期股價預測模型[J]. 計算機應用與軟件， 2017， 34（5）： 268-272， 333.

[11]沈巍. 股票價格預測模型研究[J]. 財經問題研究， 2009（7）： 89-93.

[12]蔣志強， 田婧雯， 周煒星. 中國股票市場收益率的可預測性研究[J]. 管理科學學報， 2019， 22（4）： 92-109.

[13]周孝華. 一種股票價格行為模式的一般化——從布朗運動到分形布朗運動[J]. 桂林電子工業學院學報， 2000， 20（4）： 95-99.

[14]郭精軍， 田婧. 分式布朗運動模型下的金融市場風險度量——以上證指數為例[J]. 蘭州商學院學報， 2014， 30（2）： 89-94.

[15]張永東， 畢秋香. 上海股市波動性預測模型的實證比較[J]. 管理工程學報， 2003， 17（2）： 16-19.

[16]謝琪， 程耕國， 徐旭. 基于神經網絡集成學習股票預測模型的研究[J]. 計算機工程與應用， 2019， 55（8）： 238-243.

[17]楊進， 陳亮. 基于小波神經網絡與ARIMA組合模型在股票預測中的應用[J]. 經濟數學， 2018， 35（2）： 62-67.

[18]曹雷欣， 孫紅兵. 基于灰色神經網絡的股票收益率預測[J]. 計算機與數字工程， 2017， 45（1）： 24-28.

[19]盧嘉澍， 孫坤， 廉潔， 等. 基于灰度預測與馬爾柯夫過程的股票價格預測模型[J]. 現代商業， 2017（17）： 74-75.

[20]嚴龍， 林叢， 朱佳慧. 馬爾科夫鏈在金融投資中的應用[J]. 寧波工程學院學報， 2017， 29（4）： 1-8.

[21]楊曉， 楊德平. 基于Matlab圖形用戶界面的馬氏鏈股價預測系統開發[J]. 青島大學學報： 工程技術版， 2015， 30（3）： 43-49， 69.

Development of the Stock Price Trend Simulation System Based on Matlab GUI

ZHAO Buxiang， YANG Deping

（School of Economics， Qingdao University， Qingdao 266071， China）

Abstract：In order to develop a stock forecasting tool for stock practitioners and researchers， this paper develops a stock price simulation system based on Matlab GUI. By investigating the characteristics of the stock market， the types of forecasting models and the related variables， this paper selects random walk model， generalized Vinax process model， Geometric Brownian motion model and jump influence model to simulate the Stock Price Trend， and develops a Matlab GUI system with function as a tool for stock analysis. The results show that the price of the random walk model is uncertain， and for the Geometric Brownian motion and Vinax process with jumps， the price of a single simulation is stochastic， but the price of multiple simulation is certain. The interface is easy to operate， avoids the tedious modeling and calculation process， and is convenient for the participants of the stock market. This study has a promising application prospect.

Key words：random walk; wiener process; geometric Brownian motion; jump effect; GUI

收稿日期： 2019-12-17; 修回日期： 2020-02-15

作者簡介： 趙步祥（1990-），男，碩士研究生，主要研究方向為經濟數理方法。

通信作者： 楊德平（1963-），男，副教授，碩士生導師，主要研究方向為金融計量。 Email： qduydp@126.com