金融市場是一個具有顯著不穩(wěn)定和非線性等特性的復雜動力學系統(tǒng),其外在表現(xiàn)為金融時間序列。量化分析金融時間序列,盡可能挖掘其隱藏的現(xiàn)實信息,可以為政策制定和投資者決策提供重要參考。經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)對于處理非線性和非平穩(wěn)信號具有獨特優(yōu)勢,同時人工神經(jīng)網(wǎng)絡具有強大的非線性處理和分析能力。本文綜合利用EMD和BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network,BPNN)的優(yōu)勢,先基于EMD算法對上海證券交易所四只股票的波動走勢進行分析。然后利用EMD對股票數(shù)據(jù)進行分解,再對分解的IMFs實施重構,并搭建BP網(wǎng)絡模型,對重構后的數(shù)據(jù)進行短期收盤價預測。本文所開展的工作及取得的主要結果如下。首先,以上海證券交易所的上證綜合指數(shù)、貴州茅臺、中國平安、工商銀行等四只股票的每日收盤價作為研究對象。在建模預測前,先對原始股價序列進行探索性分析把握數(shù)據(jù)的總體特征,然后檢查研究樣本數(shù)據(jù)是否具有平穩(wěn)性和記憶性。結果表明:四只預測樣本均具有非平穩(wěn)性和長記憶性的特點。在此基礎上,對數(shù)據(jù)實施基于EMD的平穩(wěn)化處理。進而結合IMFs分...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖1-1論文技術路線圖

根據(jù)前文所述,本文的研究思路主要分為兩個部分,一是對原始股票收盤價序列進行分析、分解,得到適于預測的分量數(shù)據(jù),然后分別就原始數(shù)據(jù)和分量數(shù)據(jù)進行基于BPNN和SVR的股價預測,并對模型效果進行評價與比較。本文遵循“數(shù)據(jù)-方法-結論”的脈絡展開有關研究工作。其中圍繞數(shù)據(jù)展開的研究內(nèi)容....

圖2-1 EMD分解示意圖

為了更直觀地解釋EMD分解過程,本文引用希爾伯特黃變換的綜述性論文(Huang,2008)中的一組圖(圖2-1)來進行說明。圖2-1a中曲線為原信號,求出其極大值點(菱形)和極小值點(圓圈)得到圖2-1b,接下來用三次樣條函數(shù)擬合極大值點組成的信號的上包絡線和由極小值點三次樣條擬....

圖2-2 BP神經(jīng)網(wǎng)絡算法流程圖

圖2-2直觀地反映了BP神經(jīng)網(wǎng)絡的算法流程。本文預期利用股票收盤價時間序列的前期數(shù)據(jù)來預測其未來的收盤價,而這樣的預測模型需要滿足兩個條件:一是研究的時間序列具有記憶性。此時時間序列的當前值是顯著依賴于其過去的,那么也就可以通過當前已知的時間序列預測其未來。二是該時間序列具有平穩(wěn)....

圖3-1上證綜指每日收盤價時序圖

具體數(shù)據(jù)為:上證綜指上市日(1990年12月19日)到2020年12月25日的每日收盤價,共7339個數(shù)據(jù),該數(shù)據(jù)主要用于股票數(shù)據(jù)探索的實證研究及其EMD分解。另外,用于預測的上證綜指及三只龍頭股票的研究區(qū)間均為2018年1月2日至2020年12月25日的每日收盤價序列,時間跨度....

本文編號：4035742