文献来源
原文题目：Financial engineering and the digital economy: The implementations of machine learning algorithms
原文作者：Wenhao Qiana∗, Pingping Fu, Honghao Yang, ELsiddig Idriss Mohamed, Wafa Ali J. Almohri, Huda M. Alshanbari
作者单位：School of Digital Economy and Management, Suzhou City University, Suzhou
原载期刊：Alexandria Engineering Journal
发表时间：2025年
关键词：股票市场、数字经济、金融工程、机器学习模型、预测
观点摘要
在数字经济迅速扩张的背景下，传统的金融预测模型已难以捕捉复杂的股票市场规律。因此，开发更可靠的预测工具以辅助投资者和政策制定者进行风险管理与决策，对于驾驭日益互联的金融市场具有重要意义。为此，本研究旨在通过整合机器学习技术与经典时间序列模型，探索提升金融市场预测准确性的新途径。研究以巴基斯坦股票市场为实证对象，利用2016年2月至2024年3月的月度数据，并综合考虑了比特币价格、煤炭价格及多种能源因素的影响。本研究通过应用人工神经网络（ANN）、支持向量回归（SVR）和随机森林（RF）前沿算法，致力于提供一套准确且可操作的预测框架，以应对现代金融市场的挑战。
研究发现：（1）经对数转换后，股价大致呈正态分布，而比特币、煤炭、太阳能等多个变量的分布则显著偏离正态分布。（2）股价与比特币价格随时间呈现持续上升趋势，天然气和风能价格则表现出季节性模式。（3）比特币价格与煤炭价格的相关性最强，达到0.85；而股价与天然气价格的相关性最低，为-0.10。（4）单位根检验（如ADF、PP测试）表明，大多数变量在原始水平上是不平稳的。（5）对不平稳的序列进行一阶差分后，所有变量均通过了平稳性检验，满足了时间序列建模的要求。（6）研究采用80%的数据作为训练集，20%作为测试集，并通过均方根误差（RMSE）和平均绝对误差（MAE）来评估模型性能。（7）在所有被比较的模型中，人工神经网络（ANN）的预测误差最小，其RMSE为0.339，MAE为0.271，被证实为最准确的模型。（8）支持向量回归（SVR）模型的表现也具有竞争力，其RMSE和MAE值（分别为0.353和0.297）略高于ANN。（9）作为基准的传统ARIMA模型预测误差最大（RMSE为0.459，MAE为0.385），在本研究中表现最差。
基于以上研究，提出以下几点建议。
（1）对投资者的建议：本研究的发现可以帮助投资者利用更先进的工具来评估市场趋势，优化投资组合，并有效管理风险，尤其是在波动性较高的数字资产市场中。（2）对政策制定者的建议：政策制定者可以利用这些更精确的预测模型来深入理解市场波动性，从而制定出能够增强金融市场稳定性、支持金融科技创新的有效法规。（3）对金融分析师的建议：金融分析师应考虑将如ANN这样的先进机器学习技术整合到其分析框架中，以替代或补充传统分析方法，从而提升市场趋势分析和价格预测的准确度。
研究展望
本文的边际贡献在于以下四点。（1）通过将机器学习技术与传统时间序列模型相结合来提高股市预测的准确性，为金融工程和数字经济领域做出了贡献。（2）强调了数字技术（尤其是比特币等加密货币）在影响现代金融市场动态中的重要作用，为理解数字经济时代的金融市场提供了新的视角。（3）通过使用RMSE和MAE等标准化指标，清晰地量化了多种预测模型的性能差异，为相关领域的学者和实践者提供了具体的参考基准。（4）为巴基斯坦这一具体的新兴股票市场提供了直接的实证比较。研究明确得出结论，在多种模型中，人工神经网络（ANN）的预测最为准确，为该市场的利益相关者提供了宝贵的量化依据。
整理发布
李沛燃 浙江工业大学2025级应用经济学硕士研究生
