為實(shí)現(xiàn)對(duì)非平穩(wěn)、非線(xiàn)性股票價(jià)格時(shí)間序列的高精度預(yù)測(cè),提出經(jīng)驗(yàn)?zāi)B(tài)分解下基于支持向量回歸的股票價(jià)格集成預(yù)測(cè)方法EMD-SVRF（EMD and SVR based stock price integrated forecasting）。首先,運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解方法獲得股票對(duì)數(shù)收益率時(shí)間序列的本征模函數(shù)及趨勢(shì)序列,然后,利用ε不敏感支持向量回歸為各本征模函數(shù)及趨勢(shì)序列分別建立預(yù)測(cè)模型,并計(jì)算各本征模函數(shù)及趨勢(shì)項(xiàng)的預(yù)測(cè)值,最后,集成得到股票收益率序列預(yù)測(cè)值。實(shí)驗(yàn)表明,相對(duì)現(xiàn)有的EMD-Elman網(wǎng)絡(luò)和ARMA-GARCH等主流股價(jià)預(yù)測(cè)方法,EMD-SVRF具有更小的擬合誤差和預(yù)測(cè)誤差,是一種高精度的股票價(jià)格預(yù)測(cè)方法。 

【文章來(lái)源】：西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019,49(03)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

EMD-SVＲF方法的處理流程Fig．1TheprocessingflowofEMD-SVＲFEMD-SVＲF方法具體的處理過(guò)程如下:

時(shí)，初始的股票對(duì)數(shù)收益率序列S(t)被迭代分解為n個(gè)彼此正交的本征模函數(shù)ci(t)與趨勢(shì)余項(xiàng)Ｒn(t)，i=1，2，…，n，如式(3)所示，其中，ci(t)依次取Step3得到的本征模函數(shù)d(t)。S(t)=∑ni=1ci(t)+Ｒn(t)。(3)2．2股票指數(shù)收益率序列的EMD分解本文利用Ｒ軟件從雅虎財(cái)經(jīng)在線(xiàn)提取上證綜合指數(shù)2013-7-1至2018-4-30共1178個(gè)交易日的調(diào)整后收盤(pán)價(jià)，作為本文研究的原始時(shí)序數(shù)據(jù)，如圖2所示。選取該時(shí)間區(qū)間指數(shù)數(shù)據(jù)的兩方面原因?yàn)?①上證綜指反映了上交所所有股票價(jià)格的變動(dòng)情況，比較充分地代表了股票市場(chǎng)動(dòng)向，是股票價(jià)格預(yù)測(cè)研究中最具代表性的對(duì)象;②上證綜指在該時(shí)間區(qū)間內(nèi)先后經(jīng)歷了橫盤(pán)震蕩、上漲和下跌3個(gè)趨勢(shì)階段，構(gòu)成一個(gè)完整的漲跌周期，以便驗(yàn)證本研究結(jié)果的有效性。圖2上證綜指時(shí)間序列Fig．2ThetimeseriesofShanghaicompositeindex利用公式rt=lnPt－lnPt－1，將原始上證綜指序列數(shù)據(jù)轉(zhuǎn)化為圖3所示的對(duì)數(shù)收益率序列，其中Pt為t時(shí)刻股票價(jià)格，rt為從t－1時(shí)刻到t時(shí)刻持有期間的對(duì)數(shù)收益率。運(yùn)用EMD分解算法對(duì)上證綜指收益率序列{rt}進(jìn)行分解，得到8個(gè)本征模函數(shù)分量和1個(gè)趨勢(shì)分量。如圖4所示，從上往下依次為分解產(chǎn)生的圖3上證綜指收益率序列Fig．3ThereturnrateseriesofShanghaicompositeindex本征模函數(shù)ci(t)，i=1，2，…，8和趨勢(shì)序列r8(t)，其中，橫軸代表時(shí)間，可以觀察到各本征模函數(shù)包含的頻率成分不同，并且縱軸收益率幅值也

調(diào)整后收盤(pán)價(jià)，作為本文研究的原始時(shí)序數(shù)據(jù)，如圖2所示。選取該時(shí)間區(qū)間指數(shù)數(shù)據(jù)的兩方面原因?yàn)?①上證綜指反映了上交所所有股票價(jià)格的變動(dòng)情況，比較充分地代表了股票市場(chǎng)動(dòng)向，是股票價(jià)格預(yù)測(cè)研究中最具代表性的對(duì)象;②上證綜指在該時(shí)間區(qū)間內(nèi)先后經(jīng)歷了橫盤(pán)震蕩、上漲和下跌3個(gè)趨勢(shì)階段，構(gòu)成一個(gè)完整的漲跌周期，以便驗(yàn)證本研究結(jié)果的有效性。圖2上證綜指時(shí)間序列Fig．2ThetimeseriesofShanghaicompositeindex利用公式rt=lnPt－lnPt－1，將原始上證綜指序列數(shù)據(jù)轉(zhuǎn)化為圖3所示的對(duì)數(shù)收益率序列，其中Pt為t時(shí)刻股票價(jià)格，rt為從t－1時(shí)刻到t時(shí)刻持有期間的對(duì)數(shù)收益率。運(yùn)用EMD分解算法對(duì)上證綜指收益率序列{rt}進(jìn)行分解，得到8個(gè)本征模函數(shù)分量和1個(gè)趨勢(shì)分量。如圖4所示，從上往下依次為分解產(chǎn)生的圖3上證綜指收益率序列Fig．3ThereturnrateseriesofShanghaicompositeindex本征模函數(shù)ci(t)，i=1，2，…，8和趨勢(shì)序列r8(t)，其中，橫軸代表時(shí)間，可以觀察到各本征模函數(shù)包含的頻率成分不同，并且縱軸收益率幅值也不盡相同。圖4收益率序列的EMD分解結(jié)果Fig．4TheEMDresultofthereturnrateseries3IMF和趨勢(shì)項(xiàng)的SVＲ預(yù)測(cè)建模3．1IMF序列預(yù)測(cè)建模針對(duì)收益率序列{rt}經(jīng)EMD分解而得到的IMF子序列ci(t)，i=1，2，…，8，將其中2013-07-01至2017-06-30作為建模訓(xùn)練期，并以最近30天的收益率為輸入變量來(lái)預(yù)測(cè)下一天的收益率［4，19］，構(gòu)造SVＲ預(yù)測(cè)建模所需的訓(xùn)練集中的976個(gè)個(gè)案，進(jìn)而運(yùn)用ε-?

【參考文獻(xiàn)】：
期刊論文
[1]基于主成分分析與廣義回歸神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)[J]. 于卓熙,秦璐,趙志文,溫馨.  統(tǒng)計(jì)與決策. 2018(18)
[2]基于經(jīng)驗(yàn)?zāi)B(tài)分解-自回歸組合模型的網(wǎng)絡(luò)輿情預(yù)測(cè)[J]. 莫贊,趙冰,黃艷瑩.  計(jì)算機(jī)應(yīng)用. 2018(03)
[3]基于EMD閾值算法的脈沖渦流信號(hào)消噪[J]. 楊博楠,張智軍,肖冰松,江良英.  計(jì)算機(jī)工程與應(yīng)用. 2017(02)
[4]基于動(dòng)態(tài)交易量預(yù)測(cè)的VWAP算法交易賣(mài)出策略[J]. 姚海博,茹少峰,張文明.  運(yùn)籌與管理. 2015(02)
[5]基于EEMD的投資者情緒與股指波動(dòng)的關(guān)系研究[J]. 李合龍,馮春娥.  系統(tǒng)工程理論與實(shí)踐. 2014(10)
[6]基于誤差校正的ARMA-GARCH股票價(jià)格預(yù)測(cè)[J]. 張超.  南京航空航天大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2014(03)
[7]基于EMD技術(shù)的非平穩(wěn)非線(xiàn)性時(shí)間序列預(yù)測(cè)[J]. 王德青,王斐斐,朱萬(wàn)闖.  系統(tǒng)工程. 2014(05)
[8]基于EMD與STSA混合方法的金融收益信息提取與預(yù)測(cè)[J]. 李祥飛,張?jiān)偕?黃超,高楊.  系統(tǒng)工程. 2014(02)
[9]基于EMD方法的股票價(jià)格預(yù)測(cè)與實(shí)證研究[J]. 劉海飛,李心丹.  統(tǒng)計(jì)與決策. 2010(23)
[10]基于EMD和Elman網(wǎng)絡(luò)的人民幣匯率時(shí)間序列預(yù)測(cè)[J]. 謝赤,鄭林林,孫柏,張?jiān)诿?  湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(06)

碩士論文
[1]基于支持向量機(jī)的股票價(jià)格預(yù)測(cè)及投資策略研究[D]. 徐茜茜.西北大學(xué) 2018
[2]基于經(jīng)驗(yàn)?zāi)B(tài)分解方法的房地產(chǎn)價(jià)格重大影響因素及短期預(yù)測(cè)分析[D]. 李媛.東北財(cái)經(jīng)大學(xué) 2017
[3]基于ARMA-GARCH模型族的上證指數(shù)收益率波動(dòng)的實(shí)證分析[D]. 張東旭.清華大學(xué) 2016



本文編號(hào)：3546464