為實現(xiàn)對非平穩(wěn)、非線性股票價格時間序列的高精度預(yù)測,提出經(jīng)驗?zāi)B(tài)分解下基于支持向量回歸的股票價格集成預(yù)測方法EMD-SVRF（EMD and SVR based stock price integrated forecasting）。首先,運用經(jīng)驗?zāi)B(tài)分解方法獲得股票對數(shù)收益率時間序列的本征模函數(shù)及趨勢序列,然后,利用ε不敏感支持向量回歸為各本征模函數(shù)及趨勢序列分別建立預(yù)測模型,并計算各本征模函數(shù)及趨勢項的預(yù)測值,最后,集成得到股票收益率序列預(yù)測值。實驗表明,相對現(xiàn)有的EMD-Elman網(wǎng)絡(luò)和ARMA-GARCH等主流股價預(yù)測方法,EMD-SVRF具有更小的擬合誤差和預(yù)測誤差,是一種高精度的股票價格預(yù)測方法。 

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

【文章頁數(shù)】：8 頁

【部分圖文】：

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

時，初始的股票對數(shù)收益率序列S(t)被迭代分解為n個彼此正交的本征模函數(shù)ci(t)與趨勢余項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軟件從雅虎財經(jīng)在線提取上證綜合指數(shù)2013-7-1至2018-4-30共1178個交易日的調(diào)整后收盤價，作為本文研究的原始時序數(shù)據(jù)，如圖2所示。選取該時間區(qū)間指數(shù)數(shù)據(jù)的兩方面原因為:①上證綜指反映了上交所所有股票價格的變動情況，比較充分地代表了股票市場動向，是股票價格預(yù)測研究中最具代表性的對象;②上證綜指在該時間區(qū)間內(nèi)先后經(jīng)歷了橫盤震蕩、上漲和下跌3個趨勢階段，構(gòu)成一個完整的漲跌周期，以便驗證本研究結(jié)果的有效性。圖2上證綜指時間序列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所示的對數(shù)收益率序列，其中Pt為t時刻股票價格，rt為從t－1時刻到t時刻持有期間的對數(shù)收益率。運用EMD分解算法對上證綜指收益率序列{rt}進(jìn)行分解，得到8個本征模函數(shù)分量和1個趨勢分量。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和趨勢序列r8(t)，其中，橫軸代表時間，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)整后收盤價，作為本文研究的原始時序數(shù)據(jù)，如圖2所示。選取該時間區(qū)間指數(shù)數(shù)據(jù)的兩方面原因為:①上證綜指反映了上交所所有股票價格的變動情況，比較充分地代表了股票市場動向，是股票價格預(yù)測研究中最具代表性的對象;②上證綜指在該時間區(qū)間內(nèi)先后經(jīng)歷了橫盤震蕩、上漲和下跌3個趨勢階段，構(gòu)成一個完整的漲跌周期，以便驗證本研究結(jié)果的有效性。圖2上證綜指時間序列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所示的對數(shù)收益率序列，其中Pt為t時刻股票價格，rt為從t－1時刻到t時刻持有期間的對數(shù)收益率。運用EMD分解算法對上證綜指收益率序列{rt}進(jìn)行分解，得到8個本征模函數(shù)分量和1個趨勢分量。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和趨勢序列r8(t)，其中，橫軸代表時間，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和趨勢項的SVＲ預(yù)測建模3．1IMF序列預(yù)測建模針對收益率序列{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預(yù)測下一天的收益率［4，19］，構(gòu)造SVＲ預(yù)測建模所需的訓(xùn)練集中的976個個案，進(jìn)而運用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)的股票價格預(yù)測[J]. 于卓熙,秦璐,趙志文,溫馨.  統(tǒng)計與決策. 2018(18)
[2]基于經(jīng)驗?zāi)B(tài)分解-自回歸組合模型的網(wǎng)絡(luò)輿情預(yù)測[J]. 莫贊,趙冰,黃艷瑩.  計算機(jī)應(yīng)用. 2018(03)
[3]基于EMD閾值算法的脈沖渦流信號消噪[J]. 楊博楠,張智軍,肖冰松,江良英.  計算機(jī)工程與應(yīng)用. 2017(02)
[4]基于動態(tài)交易量預(yù)測的VWAP算法交易賣出策略[J]. 姚海博,茹少峰,張文明.  運籌與管理. 2015(02)
[5]基于EEMD的投資者情緒與股指波動的關(guān)系研究[J]. 李合龍,馮春娥.  系統(tǒng)工程理論與實踐. 2014(10)
[6]基于誤差校正的ARMA-GARCH股票價格預(yù)測[J]. 張超.  南京航空航天大學(xué)學(xué)報(社會科學(xué)版). 2014(03)
[7]基于EMD技術(shù)的非平穩(wěn)非線性時間序列預(yù)測[J]. 王德青,王斐斐,朱萬闖.  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[J]. 李祥飛,張再生,黃超,高楊.  系統(tǒng)工程. 2014(02)
[9]基于EMD方法的股票價格預(yù)測與實證研究[J]. 劉海飛,李心丹.  統(tǒng)計與決策. 2010(23)
[10]基于EMD和Elman網(wǎng)絡(luò)的人民幣匯率時間序列預(yù)測[J]. 謝赤,鄭林林,孫柏,張在美.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2009(06)

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



本文編號：3546464