遺傳規劃及演化性神經網路在財務工程建模上的應用

Abstract

近年來，財務工程作為一個橫跨經濟、財務與資料三個領域的整合性學科以成為一個蓬勃新興發展的領域。在學術界，這幾年來，以財務工程為主的學術組織與期刊陸續成立，同時以其為主的國際性學術會議也如雨後春筍般地發展起來(CIFEr,SCE, PASE, JIC,�^，而在IEEE及AAAI的許多專業會議也都特設財務工程分組。而神經網路作為一個分析工具在這個領域中有著相當中的份量。近一兩年來，它在對衍生性金融商品的定價，金融市場的模擬，與金融資產價格波動性的研究上都有著相當具有創意的應用。但是，誠如本計畫內容所陳述的，這些應用多數都為嚴謹的依據。此外，許多應用在本質上都傾向於需求一個更彈性的調適性系統(adaptive system)。在這兩層因素下，晚盡在演化性計算(EvolutionaryComputation）中所發展的演化性神經網路(Evolutionary ArtificialNeuralNetworks, EANN)則不僅可以對結構的選擇提供一個出處，也同時可以很容易地進一步擴充為一個適合財務工程所需的調適性系統。雖然如此，EANN由於目前在編碼技術上的瓶頸，使得EANN的功能，不論在計算速度或搜尋空間上，都受到相當的限制。目前EANN的編碼技術主要來自於演化性計算中遺傳程式(Genetic Algorithms)或遺傳規畫(GeneticProgramming)，這兩種技術均為將神經網路代表為一二元、多元或數字元的字串，這種編碼法是本計畫所稱的間接編碼。然而，由於每一個神經網路本身就是一個程式(program)，所以很自然地，它應該可以用程式而非字串來做直接編碼。而這套直接編碼的技術就是Koza(1992)所發展的遺傳規畫(Genetic Programming, GP)。而本研究的第一部份就是將遺傳規畫應用在對神經網路的直接編碼與演化程序的執行上，進而發展出以GP為主的演化性神經網路(本研究稱其為GPNN)。本研究的第二部份，則是將GPNN應用在財務工程中。這個應用包含了三個部份，及衍生性金融商品的定價、金融市場的模擬、以及波動性的建模研究。本計畫將說明，GPNN從認知科學的角度而言，如何是一種調適性系統，以及它為什麼可以做為財務工程上一個值得開發的工具。