本文關(guān)鍵詞： 集合經(jīng)驗?zāi)B(tài)分解 多元自適應(yīng)回歸樣條法 支持向量回歸 金融時間序列　出處：《上海社會科學(xué)院》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：本文提出一個由集合經(jīng)驗?zāi)B(tài)分解(EEMD)、多元自適應(yīng)回歸樣條法(MARS)、支持向量回歸(SVR)三部分構(gòu)成的分析預(yù)測模型,并將其用于金融時間序列的建模預(yù)測。其中,EEMD是集合經(jīng)驗?zāi)B(tài)分解(EMD)的改進(jìn)版,將白噪聲引入EMD中,有效解決了 EMD中一個IMF存在多種頻率的缺陷,一般應(yīng)用于通信和IT領(lǐng)域的數(shù)據(jù)處理,其應(yīng)用于金融領(lǐng)域的優(yōu)點在于無需事先設(shè)定任何基函數(shù)。MARS利用樣條函數(shù)來擬合局部的復(fù)雜非線性關(guān)系,并能夠通過剪枝過程得到解釋變量的權(quán)重,可用于變量的篩選。SVR是機(jī)器學(xué)習(xí)中常用的預(yù)測模型,廣泛應(yīng)用于IT和金融領(lǐng)域,能夠針對給定的訓(xùn)練集訓(xùn)練出相適宜的模型,并作出預(yù)測。本文首先對現(xiàn)代股票定價理論的發(fā)展、常用預(yù)測模型和宏觀經(jīng)濟(jì)變量對證券市場的影響三方面進(jìn)行了文獻(xiàn)上的回顧,確定了以EEMD-MARS-SVR為分析模型的研究框架,并引入了 10個大類,84個小類的公共經(jīng)濟(jì)變量指標(biāo)。本文認(rèn)為這些公共經(jīng)濟(jì)變量指標(biāo)都是有可能對股票市場產(chǎn)生影響,并留待篩選的。之后,本文對A股市場5個指數(shù)時間序列和滬深300的300只成分股時間序列分別進(jìn)行建模分析,時間區(qū)間為2010年6月1日至2016年11月30日,一共66個月,1579個交易日的數(shù)據(jù)。分析過程中,首先對目標(biāo)時間序列進(jìn)行EEMD分解,分解得到了數(shù)個IMF子序列,之后將IMF子序列重組成高頻序列、低頻序列和趨勢序列。之后,利用MARS方法,在84個公共經(jīng)濟(jì)變量指標(biāo)中分別篩選出與高頻序列和低頻序列有關(guān)的變量指標(biāo)。這些變量指標(biāo)可以分別用來對高頻序列和低頻序列進(jìn)行預(yù)測分析。最后,將篩得的公共經(jīng)濟(jì)變量和目標(biāo)序列引入到SVM分析框架中,進(jìn)行預(yù)測。為了評價預(yù)測效果,本文引入了平均絕對誤差(MAPE)和方向?qū)ΨQ度量(DS)進(jìn)行衡量,并與其他預(yù)測模型進(jìn)行比較,結(jié)果顯示本文預(yù)測方法在樣本內(nèi)預(yù)測和樣本外預(yù)測上都具有顯著的優(yōu)勢。在模擬選股回測過程中,本文方法在理論上具有投資價值。
[Abstract]:This paper presents an analytical and predictive model consisting of three parts: set empirical mode decomposition (EMD), multivariate adaptive regression spline method (MARSS) and support vector regression (SVR). It is applied to the modeling and prediction of financial time series, in which EMD is an improved version of EMD, which introduces white noise into EMD. It effectively solves the defect of multiple frequencies in a IMF in EMD, which is generally applied to data processing in the field of communication and IT. The advantage of its application in the field of finance is that it does not need to set any basis function. Mars uses spline function to fit local complex nonlinear relations and can get the weight of explanatory variables through pruning process. SVR, which can be used to filter variables, is a commonly used prediction model in machine learning. It is widely used in the fields of IT and finance, and can train suitable models for a given training set. First of all, this paper reviews the development of modern stock pricing theory, the influence of common forecasting models and macroeconomic variables on the securities market. The research framework based on EEMD-MARS-SVR is established, and ten kinds of analysis models are introduced. This paper holds that these public economic variables are likely to have an impact on the stock market and remain to be screened. In this paper, five index time series and 300 component stock time series of Shanghai and Shenzhen 300 in A share market are modeled and analyzed respectively. The time interval is from June 1st 2010 to November 30th 2016. A total of 66 months, 1579 trading days of data. In the analysis process, the target time series is first decomposed by EEMD, and several IMF sub-sequences are obtained. The IMF subsequences are then reorganized into high frequency sequence, low frequency sequence and trend sequence. Then, the MARS method is used. The variables related to high frequency sequence and low frequency sequence were screened out from 84 common economic variables. These variables can be used to predict and analyze the high frequency sequence and low frequency sequence respectively. The selected public economic variables and target sequences are introduced into the SVM analysis framework for prediction. In this paper, mean absolute error (MAPE) and directional symmetry metric (DSs) are introduced and compared with other prediction models. The results show that the prediction method in this paper has significant advantages in both intra-sample prediction and out-of-sample prediction, and in the process of simulating stock selection, the method has investment value in theory.
【學(xué)位授予單位】：上海社會科學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F224;F832.51

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓文蕾;李軍;;金融時間序列的混沌識別[J];科技通報;2006年02期

2 王瓊,劉國祥;金融時間序列的趨勢路徑的提取[J];南京師大學(xué)報(自然科學(xué)版);2002年02期

3 李曉玲,盧九江;高頻金融時間序列統(tǒng)計特征[J];統(tǒng)計與決策;2004年12期

4 蘭秋軍,馬超群,文鳳華;金融時間序列去噪的小波變換方法[J];科技管理研究;2004年06期

5 陳興榮,向東進(jìn),阮曙芬;非線性金融時間序列的持久性測度[J];特區(qū)經(jīng)濟(jì);2005年10期

6 徐正國,張世英;高頻金融時間序列研究:回顧與展望[J];西北農(nóng)林科技大學(xué)學(xué)報(社會科學(xué)版);2005年01期

7 張學(xué)功;;金融時間序列中加性異常值的鑒別與校正[J];價值工程;2009年02期

8 張洪水;程剛;陸鳳彬;;高頻金融時間序列的模型化研究進(jìn)展回顧[J];數(shù)學(xué)的實踐與認(rèn)識;2011年03期

9 李守偉;錢省三;;面向金融時間序列相關(guān)性的網(wǎng)絡(luò)模型研究[J];商業(yè)研究;2006年15期

10 溫潔;;ESO在金融領(lǐng)域的應(yīng)用[J];時代金融;2007年05期

相關(guān)會議論文 前1條

1 張碩;惠曉峰;;金融時間序列的確定性成分與隨機(jī)成分的分離[A];第十三屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 張承釗;一種金融市場預(yù)測的深度學(xué)習(xí)模型：FEPA模型[D];電子科技大學(xué);2016年

2 盧山;基于非線性動力學(xué)的金融時間序列預(yù)測技術(shù)研究[D];東南大學(xué);2006年

3 劉立霞;多變量金融時間序列的非線性檢驗及重構(gòu)研究[D];天津大學(xué);2007年

4 蘭秋軍;金融時間序列隱含模式挖掘方法及其應(yīng)用研究[D];湖南大學(xué);2005年

5 李勇;金融時間序列多尺度分析[D];中國科學(xué)技術(shù)大學(xué);2013年

6 王文靜;金融時間序列的長記憶特性及預(yù)測研究[D];天津大學(xué);2009年

7 李智;小波理論與經(jīng)濟(jì)金融時序應(yīng)用研究[D];廈門大學(xué);2007年

8 蘇木亞;譜聚類方法研究及其在金融時間序列數(shù)據(jù)挖掘中的應(yīng)用[D];大連理工大學(xué);2011年

9 黃超;基于特征分析的金融時間序列挖掘若干關(guān)鍵問題研究[D];復(fù)旦大學(xué);2005年

10 湯凌冰;基于支持向量機(jī)的金融時間序列回歸分析[D];上海交通大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 胡蓓蓓;HILBERT-HUANG變換在高頻金融時間序列中的應(yīng)用[D];上海交通大學(xué);2014年

2 許銳;基于EEMD的金融時間序列多尺度分析[D];中國科學(xué)技術(shù)大學(xué);2016年

3 程勰;基于小波分析的金融時間序列風(fēng)險度量值估計方法與實證研究[D];暨南大學(xué);2016年

4 李文洋;基于EEMD-MARS-SVR模型的證券市場分析[D];上海社會科學(xué)院;2017年

5 張曉娟;金融時間序列多級分形分析及其在信息挖掘的應(yīng)用[D];電子科技大學(xué);2008年

6 吳萌;高頻金融時間序列的研究與建模[D];電子科技大學(xué);2006年

7 吳大勤;金融時間序列的長記憶與分形協(xié)整關(guān)系研究[D];東南大學(xué);2006年

8 周游;基于滑動平均算法對金融時間序列的研究[D];昆明理工大學(xué);2012年

9 劉曉迪;基于小波變換的金融時間序列奇異點識別模型與研究[D];昆明理工大學(xué);2011年

10 李謙;現(xiàn)代優(yōu)化算法在金融時間序列參數(shù)估計中的應(yīng)用[D];暨南大學(xué);2011年

，

本文編號：1480137