針對(duì)金融時(shí)間序列的預(yù)測問題,提出了一種結(jié)合機(jī)器學(xué)習(xí)方法與統(tǒng)計(jì)學(xué)方法的綜合預(yù)測評(píng)判模型。該模型通過使用多重分形消除波動(dòng)趨勢分析法（MF-DFA）,分析目標(biāo)金融時(shí)序的多重分型性與記憶性,計(jì)算目標(biāo)時(shí)序的Hurst指數(shù),并在Hurst指數(shù)的指導(dǎo)下,采用自適應(yīng)模糊推理神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)金融時(shí)序的趨勢進(jìn)行短期預(yù)測。使用上證指數(shù)、恒生指數(shù)、銅期貨與黃金期貨這四個(gè)具有代表性的金融時(shí)序驗(yàn)證了該模型。結(jié)果證實(shí),該模型相較于單純的專家系統(tǒng)或機(jī)器學(xué)習(xí)模型,能更好地對(duì)金融時(shí)序進(jìn)行建模與短期趨勢預(yù)測,并對(duì)預(yù)測結(jié)果給出合理解釋。 

【文章來源】：江蘇理工學(xué)院學(xué)報(bào). 2020,26(02)

【文章頁數(shù)】：6 頁

【部分圖文】：

試驗(yàn)流程

在Python環(huán)境中構(gòu)建MF-DFA濾波計(jì)算Hurst指數(shù)，將四種一維金融時(shí)序數(shù)據(jù)輸入MF-DFA模型，得到的Hurst指數(shù)如圖2所示。分析圖2中四種金融時(shí)序的Hurst指數(shù)序列可以得出，四種時(shí)間序列的Hurst指數(shù)均值均高于0.5，說明這四種不同的混沌動(dòng)力學(xué)系統(tǒng)都具有一定程度的記憶性，即都具有可預(yù)測性。其中，黃金期貨（GCG）與銅期貨（HGH）的Hurst指數(shù)最低值下探到了0.42左右，均沒有低于0.4；恒生指數(shù)與上證指數(shù)的Hurst指數(shù)波動(dòng)均沒有低于0.5。分別分析四種金融時(shí)序的波動(dòng)最低值，可以得出相較于銅期貨與黃金期貨，恒生指數(shù)與上證指數(shù)的Hurst指數(shù)波動(dòng)值較高，即兩種指數(shù)時(shí)序的記憶性要高于兩種期貨時(shí)序。通過本階段的試驗(yàn)可以得出以下結(jié)論。

從分形市場假說的角度出發(fā)，提出了一種結(jié)合MF-DFA分析法與ANFIS神經(jīng)網(wǎng)絡(luò)的綜合預(yù)測評(píng)判模型，并使用上證指數(shù)、恒生指數(shù)、黃金期貨與銅期貨這四種具有代表性的金融時(shí)序，驗(yàn)證了該模型的有效性。在模型中首先通過計(jì)算并分析四種金融時(shí)序的廣義Hurst指數(shù)，證實(shí)了這四種金融時(shí)序都具有不同程度上的記憶性特征，再分別對(duì)四種金融時(shí)序進(jìn)行預(yù)測仿真。在仿真試驗(yàn)中，預(yù)測結(jié)果顯示改進(jìn)的ANFIS表現(xiàn)突出，最好預(yù)測精度在94.6%左右，同時(shí)，預(yù)測仿真的結(jié)果也體現(xiàn)出由不同時(shí)序所擁有的記憶性差異而導(dǎo)致的預(yù)測精度差異，即記憶性較高的兩種指數(shù)類金融時(shí)序（恒生指數(shù)、上證指數(shù)）的預(yù)測評(píng)判指標(biāo)顯著優(yōu)于記憶性較低的兩種期貨類金融時(shí)序（銅期貨、黃金期貨）。

【參考文獻(xiàn)】：
期刊論文
[1]基于Bagging-SVM的股票趨勢預(yù)測技術(shù)[J]. 陳亞男,薛雷.  電子測量技術(shù). 2019(14)
[2]基于樹結(jié)構(gòu)長短期記憶神經(jīng)網(wǎng)絡(luò)的金融時(shí)間序列預(yù)測[J]. 姚小強(qiáng),侯志森.  計(jì)算機(jī)應(yīng)用. 2018(11)
[3]改進(jìn)的ANFIS在房產(chǎn)評(píng)估中的應(yīng)用[J]. 史東輝.  計(jì)算機(jī)工程與應(yīng)用. 2014(12)



本文編號(hào)：3315803