證券系統(tǒng)變量之間的相互關系十分復雜,用通常情況下的方法來處理的效果都不是十分理想。利用自組織數(shù)據(jù)挖掘算法——數(shù)據(jù)分組處理(GMDH算法)可以挖掘出數(shù)據(jù)變量之間的相互關系,而且這種關系可以用顯式函數(shù)表示出來,相比其它方法要理想。文章最后利用GMDH算法對上證指數(shù)200天的歷史數(shù)據(jù)進行分析處理,對收盤價進行預測,預測的效果比一般的ARIMA模型要理想。 傳統(tǒng)的時間序列分析方法是在建立一定的假設之下,處理非平穩(wěn)序列時往往會遇到一些困難,如傅立葉分析方法在處理非平穩(wěn)時間序列時難以在時域和頻域同時達到很高的精度,而傳統(tǒng)的時間序列模型法對一些非平穩(wěn)時間序列建模時可能會產(chǎn)生嚴重的失真。1998年由美籍華人N.E.Huang提出的希爾伯特-黃變換方法是一種數(shù)據(jù)分析方法,該方法由經(jīng)驗模態(tài)分解(empirical mode decomposition)和HSA(Hilbert spectrum analysis)兩部分組成。該方法在處理非平穩(wěn)數(shù)據(jù)時有其獨特的優(yōu)勢,能夠不受Heisenberg測不準原理制約。因此希爾伯特-黃變換方法能夠彌補傳統(tǒng)方法在處理具有極強非線性、非平穩(wěn)特性的金融時間序列分析上的不足。
【學位單位】：浙江大學
【學位級別】：碩士
【學位年份】：2008
【中圖分類】：F224;F830.9
【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 背景
    1.2 金融時間序列預測的研究現(xiàn)狀
    1.3 本文的研究范圍及主要內(nèi)容
2 希爾伯特-黃變換
    2.1 希爾伯特-黃變換方法的基本思想
    2.2 希爾伯特變換
        2.2.1 希爾伯特譜分析
    2.3 經(jīng)驗模態(tài)分解
        2.3.1 固有模態(tài)函數(shù)
            2.3.1.1 固有模態(tài)函數(shù)的定義
        2.3.2 經(jīng)驗模態(tài)分解算法
        2.3.3 經(jīng)驗模態(tài)分解實例
        2.3.4 經(jīng)驗模態(tài)分解方法需要解決的問題
            2.3.4.1 經(jīng)驗模態(tài)分解求包絡的問題
            2.3.4.2 經(jīng)驗模態(tài)分解的端點延拓問題
        2.3.5 經(jīng)驗模態(tài)分解去噪
    2.4 希爾伯特-黃變換方法的發(fā)展情況
3 自組織數(shù)據(jù)挖掘
    3.1 自組織數(shù)據(jù)挖掘的基本概念
    3.2 自組織數(shù)據(jù)挖掘的基本思想
    3.3 GMDH算法及應用
        3.3.1 GMDH算法與神經(jīng)網(wǎng)絡算法的關系
            3.3.1.1 對經(jīng)驗知識的利用
            3.3.1.2 模型歸納訓練的過程和泛化能力
        3.3.2 GMDH與回歸分析
            3.3.2.1 算法假設的比較
            3.3.2.2 模型的建立過程和系統(tǒng)擬合和預測效果方面比較
    3.4 算法的收斂性
        3.4.1 輸出傳播的多層算法
    3.5 GMDH多層算法的步驟
4 證券市場實例分析
    4.1 實例背景
    4.2 上證股市大盤收盤價預測
        4.2.1 希爾伯特-黃變換方法對原始數(shù)據(jù)的處理
        4.2.2 GMDH建立模型
    4.3 B-J方法與GMDH方法的比較
5 總結與展望
參考文獻
作者簡歷

【引證文獻】

相關碩士學位論文 前2條

1 李純凈;基于高頻數(shù)據(jù)的微觀市場結構中的研究[D];長春工業(yè)大學;2011年

2 薛晨光;證券市場高頻數(shù)據(jù)極值的統(tǒng)計特征和變動特征研究[D];長春工業(yè)大學;2012年

本文編號：2831630