金融市場是一個龐大的、具有復(fù)雜運動模式的系統(tǒng),受到來自各方面的多重因素的影響。時間序列作為金融市場中最為主要的,數(shù)量最多的數(shù)據(jù)形式,是金融市場復(fù)雜內(nèi)在的綜合外在表現(xiàn)形式。通過對金融時間序列的分析及預(yù)測,可以發(fā)現(xiàn)市場潛在的規(guī)律及信息特征,為金融活動及決策提供重要依據(jù),具有非常重要的現(xiàn)實意義。伴隨著數(shù)據(jù)庫、平行技術(shù)、人工智能等技術(shù)的融合發(fā)展,出現(xiàn)了一項由交叉學(xué)科產(chǎn)生的新興技術(shù)-數(shù)據(jù)挖掘技術(shù)。它能夠從大量的歷史數(shù)據(jù)中通過數(shù)據(jù)集成、規(guī)約、清理、變換、挖掘、模式評估和知識表示來提取其中隱含的且有用的知識及規(guī)律,為我們分析海量的大規(guī)模的金融時間序列提供有效的理論與技術(shù)支持。因此,本文以金融時間序列預(yù)測的信息融合與計算智能模型為研究課題,采用數(shù)據(jù)挖掘技術(shù),重點研究了金融時間序列預(yù)測的特征提取過程、基礎(chǔ)預(yù)測模型以及信息融合預(yù)測等,創(chuàng)新地構(gòu)建了一類金融信息融合與計算智能模型,面向金融市場價格時間序列的每日走勢預(yù)測。論文主要研究內(nèi)容及成果可分為以下幾個部分:首先,本文將特征提取過程的構(gòu)建作為金融時間序列預(yù)測計算智能模型建模的關(guān)鍵步驟,從金融時間序列的高噪聲、混沌、非線性和非平穩(wěn)性特征出發(fā),充分考慮金融時間...

【文章頁數(shù)】：130 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 相關(guān)文獻(xiàn)綜述
        1.2.1 金融時間序列分析
        1.2.2 金融市場的概率可預(yù)測性
        1.2.3 金融時間序列預(yù)測的特征提取
            1.2.3.1 經(jīng)驗?zāi)B(tài)分解的相關(guān)文獻(xiàn)綜述
            1.2.3.2 主成分分析的相關(guān)文獻(xiàn)綜述
        1.2.4 金融時間序列的聚類與回歸預(yù)測
            1.2.4.1 仿射傳播聚類的相關(guān)文獻(xiàn)綜述
            1.2.4.2 K-最鄰近元的相關(guān)文獻(xiàn)綜述
    1.3 本文的主要工作
        1.3.1 主要研究內(nèi)容
        1.3.2 采用的主要理論與技術(shù)實施
        1.3.3 本文的結(jié)構(gòu)安排
    1.4 研究的創(chuàng)新及貢獻(xiàn)
第二章 金融時間序列預(yù)測計算智能模型的結(jié)構(gòu)框架與主要技術(shù)
    2.1 金融時間序列的特點及時間尺度
        2.1.1 金融時間序列的特點
        2.1.2 金融時間序列的時間尺度
    2.2 金融時間序列的特征提取
        2.2.1 金融時間序列專門的經(jīng)驗?zāi)B(tài)分解
            2.2.1.1 滑動窗口技術(shù)
            2.2.1.2 EMD分解的基本原理
            2.2.1.3 瞬時頻率
            2.2.1.4 本征模態(tài)函數(shù)
            2.2.1.5 EMD分解過程
            2.2.1.6 EMD的正交性與完備性
        2.2.2 主成分分析降維及特征提取
            2.2.2.1 PCA的基本原理
            2.2.2.2 PCA降維的意義
            2.2.2.3 PCA降維過程
            2.2.2.4 PCA降維后的主成分提取
            2.2.2.5 PCA特征提取的適應(yīng)性
    2.3 金融時間序列的聚類與非參數(shù)回歸預(yù)測
        2.3.1 仿射傳播聚類
            2.3.1.1 AP聚類的基本原理
            2.3.1.2 AP聚類過程
        2.3.2 自適應(yīng)仿射傳播聚類
            2.3.2.1 自適應(yīng)阻尼與自適應(yīng)逃離
            2.3.2.2 自適應(yīng)掃描與最優(yōu)聚類結(jié)果提取
        2.3.3 基于自適應(yīng)仿射傳播聚類的嵌套式K-最鄰近元回歸
            2.3.3.1 非參數(shù)回歸
            2.3.3.2 KNN的基本原理
            2.3.3.3 KNN常用的相似性測度
            2.3.3.4 KNN回歸預(yù)測
            2.3.3.5 嵌套式NKNN回歸預(yù)測
    2.4 金融時間序列預(yù)測的一般結(jié)構(gòu)
    2.5 金融時間序列預(yù)測計算智能模型的輸入與輸出
    2.6 本章小結(jié)
第三章 PCA-KNN(PK)預(yù)測計算智能模型及實證分析
    3.1 PK預(yù)測模型的基本原理
    3.2 PK預(yù)測模型的一般結(jié)構(gòu)
    3.3 PK預(yù)測模型的算法流程
    3.4 PK預(yù)測模型的結(jié)構(gòu)參數(shù)
    3.5 PK預(yù)測模型的實證分析
        3.5.1 預(yù)測模型的效能測度
        3.5.2 PK模型預(yù)測用友網(wǎng)絡(luò)日線收益率的實證分析
            3.5.2.1 數(shù)據(jù)及統(tǒng)計描述
            3.5.2.2 用友網(wǎng)絡(luò)日線收益率的PCA降維及特征提取
            3.5.2.3 PK_YONYOU_D1模型預(yù)測用友網(wǎng)絡(luò)t(10)1日線收益率
        3.5.3 PK模型預(yù)測滬深300指數(shù)日線收益率的實證分析
            3.5.3.1 數(shù)據(jù)及統(tǒng)計描述
            3.5.3.2 滬深300指數(shù)日線收益率的PCA降維及特征提取
            3.5.3.3 PK_CSI300_D1模型預(yù)測滬深300指數(shù)t(10)1日線收益率
        3.5.4 PK模型與相關(guān)模型的實證比較
            3.5.4.1 KNN_YOUYOU_D1模型預(yù)測用友網(wǎng)絡(luò)t(10)1日線收益率
            3.5.4.2 KNN_CSI300_D1模型預(yù)測滬深300指數(shù)t(10)1日線收益率
            3.5.4.3 PK模型與相關(guān)模型的預(yù)測實證結(jié)果比較
    3.6 本章小結(jié)
第四章 FTSEMD-PCA-KNN(FEPK)預(yù)測計算智能模型及實證分析
    4.1 FEPK預(yù)測模型的基本原理
    4.2 FEPK預(yù)測模型的一般結(jié)構(gòu)
    4.3 FEPK預(yù)測模型的算法流程
    4.4 FEPK預(yù)測模型的結(jié)構(gòu)參數(shù)
    4.5 FEPK預(yù)測模型的實證分析
        4.5.1 FEPK模型預(yù)測用友網(wǎng)絡(luò)日線收益率的實證分析
            4.5.1.1 用友網(wǎng)絡(luò)日線收益率的FTSEMD分解及結(jié)果
            4.5.1.2 用友網(wǎng)絡(luò)日線收益率經(jīng)過FTSEMD分解后的PCA降維
            4.5.1.3 FEPK_YONYOU_D1模型預(yù)測用友網(wǎng)絡(luò)t(10)1日線收益率
        4.5.2 FEPK模型預(yù)測滬深300指數(shù)日線收益率的實證分析
            4.5.2.1 滬深300指數(shù)日線收益率的FTSEMD分解及結(jié)果
            4.5.2.2 滬深300指數(shù)日線收益率經(jīng)過FTSEMD分解后的PCA降維
            4.5.2.3 FEPK_CSI300_D1模型預(yù)測滬深300指數(shù)t(10)1日線收益率
        4.5.3 FEPK模型與相關(guān)模型的實證比較
    4.6 本章小結(jié)
第五章 PCA-AAP-NKNN(PANK)預(yù)測計算智能模型及實證分析
    5.1 PANK預(yù)測模型的基本原理
    5.2 PANK預(yù)測模型的一般結(jié)構(gòu)
    5.3 PANK預(yù)測模型的算法流程
    5.4 PANK預(yù)測模型的結(jié)構(gòu)參數(shù)
    5.5 PANK預(yù)測模型的實證分析
        5.5.1 PANK模型預(yù)測用友網(wǎng)絡(luò)日線收益率的實證分析
            5.5.1.1 用友網(wǎng)絡(luò)日線收益率的PCA降維及特征提取
            5.5.1.2 PANK_YONYOU_D1模型預(yù)測用友網(wǎng)絡(luò)t(10)1日線收益率
        5.5.2 PANK模型預(yù)測滬深300指數(shù)日線收益率的實證分析
            5.5.2.1 滬深300指數(shù)日線收益率的PCA降維及特征提取
            5.5.2.2 PANK_CSI300_d1模型預(yù)測滬深300指數(shù)t(10)1日線收益率
        5.5.3 PANK模型與相關(guān)模型的實證比較
    5.6 本章小結(jié)
第六章 FTSEMD-PCA-AAP-NKNN(EPAK)預(yù)測模型及實證分析
    6.1 EPAK預(yù)測模型的基本原理
    6.2 EPAK預(yù)測模型的一般結(jié)構(gòu)
    6.3 EPAK預(yù)測模型的算法流程
    6.4 EPAK預(yù)測模型的結(jié)構(gòu)參數(shù)
    6.5 EPAK預(yù)測模型的實證分析
        6.5.1 EPAK模型預(yù)測用友網(wǎng)絡(luò)日線收益率的實證分析
            6.5.1.1 用友網(wǎng)絡(luò)日線收益率的FTSEMD分解及結(jié)果
            6.5.1.2 用友網(wǎng)絡(luò)日線收益率經(jīng)過FTSEMD分解后的PCA降維
            6.5.1.3 EPAK_YONYOU_D1模型預(yù)測用友網(wǎng)絡(luò)t(10)1日線收益率
        6.5.2 EPAK模型預(yù)測滬深300指數(shù)日線收益率的實證分析
            6.5.2.1 滬深300指數(shù)日線收益率的FTSEMD分解及結(jié)果
            6.5.2.2 滬深300指數(shù)日線收益率經(jīng)過FTSEMD分解后的PCA降維
            6.5.2.3 EPAK_CSI300_D1模型預(yù)測滬深300指數(shù)t(10)1日線收益率
        6.5.3 EPAK模型與相關(guān)模型的實證比較
    6.6 本章小結(jié)
第七章 股指預(yù)測的多變量信息融合預(yù)測模型及實證分析
    7.1 股指預(yù)測的多變量信息融合預(yù)測的基本原理
    7.2 股指預(yù)測的多變量信息融合預(yù)測模型建模
        7.2.1 大盤指數(shù)的一般計算
        7.2.2 行業(yè)股指的單變量預(yù)測
        7.2.3 股指預(yù)測的多變量信息融合預(yù)測模型的一般結(jié)構(gòu)
    7.3 行業(yè)股指預(yù)測的信息融合預(yù)測滬深300指數(shù)的實證分析
        7.3.1 EPAK模型預(yù)測行業(yè)股指的實證分析
        7.3.2 行業(yè)股指預(yù)測的信息融合預(yù)測滬深300指數(shù)的實證與對比分析
    7.4 本章小結(jié)
第八章 結(jié)論
    8.1 本文總結(jié)
    8.2 研究展望
致謝
參考文獻(xiàn)
攻讀博士學(xué)位期間取得的成果



本文編號：3888911