金融市場是一個龐大的、具有復雜運動模式的系統(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,數量最多的數據形式,是金融市場復雜內在的綜合外在表現(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,具有非常重要的現(xiàn)實意義。伴隨著數據庫、平行技術、人工智能等技術的融合發(fā)展,出現(xiàn)了一項由交叉學科產生的新興技術-數據挖掘技術。它能夠從大量的歷史數據中通過數據集成、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支持。因此,本文以金融時間序列預測的信息融合與計算智能模型為研究課題,采用數據挖掘技術,重點研究了金融時間序列預測的特征提取過程、基礎預測模型以及信息融合預測等,創(chuàng)新地構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測。論文主要研究內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建作為金融時間序列預測計算智能模型建模的關鍵步驟,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】：130 頁

【學位級別】：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 相關文獻綜述
        1.2.1 金融時間序列分析
        1.2.2 金融市場的概率可預測性
        1.2.3 金融時間序列預測的特征提取
            1.2.3.1 經驗模態(tài)分解的相關文獻綜述
            1.2.3.2 主成分分析的相關文獻綜述
        1.2.4 金融時間序列的聚類與回歸預測
            1.2.4.1 仿射傳播聚類的相關文獻綜述
            1.2.4.2 K-最鄰近元的相關文獻綜述
    1.3 本文的主要工作
        1.3.1 主要研究內容
        1.3.2 采用的主要理論與技術實施
        1.3.3 本文的結構安排
    1.4 研究的創(chuàng)新及貢獻
第二章 金融時間序列預測計算智能模型的結構框架與主要技術
    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驗模態(tài)分解
            2.2.1.1 滑動窗口技術
            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
            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特征提取的適應性
    2.3 金融時間序列的聚類與非參數回歸預測
        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 自適應仿射傳播聚類
            2.3.2.1 自適應阻尼與自適應逃離
            2.3.2.2 自適應掃描與最優(yōu)聚類結果提取
        2.3.3 基于自適應仿射傳播聚類的嵌套式K-最鄰近元回歸
            2.3.3.1 非參數回歸
            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回歸預測
            2.3.3.5 嵌套式NKNN回歸預測
    2.4 金融時間序列預測的一般結構
    2.5 金融時間序列預測計算智能模型的輸入與輸出
    2.6 本章小結
第三章 PCA-KNN(PK)預測計算智能模型及實證分析
    3.1 PK預測模型的基本原理
    3.2 PK預測模型的一般結構
    3.3 PK預測模型的算法流程
    3.4 PK預測模型的結構參數
    3.5 PK預測模型的實證分析
        3.5.1 預測模型的效能測度
        3.5.2 PK模型預測用友網絡日線收益率的實證分析
            3.5.2.1 數據及統(tǒng)計描述
            3.5.2.2 用友網絡日線收益率的PCA降維及特征提取
            3.5.2.3 PK_YONYOU_D1模型預測用友網絡t(10)1日線收益率
        3.5.3 PK模型預測滬深300指數日線收益率的實證分析
            3.5.3.1 數據及統(tǒng)計描述
            3.5.3.2 滬深300指數日線收益率的PCA降維及特征提取
            3.5.3.3 PK_CSI300_D1模型預測滬深300指數t(10)1日線收益率
        3.5.4 PK模型與相關模型的實證比較
            3.5.4.1 KNN_YOUYOU_D1模型預測用友網絡t(10)1日線收益率
            3.5.4.2 KNN_CSI300_D1模型預測滬深300指數t(10)1日線收益率
            3.5.4.3 PK模型與相關模型的預測實證結果比較
    3.6 本章小結
第四章 FTSEMD-PCA-KNN(FEPK)預測計算智能模型及實證分析
    4.1 FEPK預測模型的基本原理
    4.2 FEPK預測模型的一般結構
    4.3 FEPK預測模型的算法流程
    4.4 FEPK預測模型的結構參數
    4.5 FEPK預測模型的實證分析
        4.5.1 FEPK模型預測用友網絡日線收益率的實證分析
            4.5.1.1 用友網絡日線收益率的FTSEMD分解及結果
            4.5.1.2 用友網絡日線收益率經過FTSEMD分解后的PCA降維
            4.5.1.3 FEPK_YONYOU_D1模型預測用友網絡t(10)1日線收益率
        4.5.2 FEPK模型預測滬深300指數日線收益率的實證分析
            4.5.2.1 滬深300指數日線收益率的FTSEMD分解及結果
            4.5.2.2 滬深300指數日線收益率經過FTSEMD分解后的PCA降維
            4.5.2.3 FEPK_CSI300_D1模型預測滬深300指數t(10)1日線收益率
        4.5.3 FEPK模型與相關模型的實證比較
    4.6 本章小結
第五章 PCA-AAP-NKNN(PANK)預測計算智能模型及實證分析
    5.1 PANK預測模型的基本原理
    5.2 PANK預測模型的一般結構
    5.3 PANK預測模型的算法流程
    5.4 PANK預測模型的結構參數
    5.5 PANK預測模型的實證分析
        5.5.1 PANK模型預測用友網絡日線收益率的實證分析
            5.5.1.1 用友網絡日線收益率的PCA降維及特征提取
            5.5.1.2 PANK_YONYOU_D1模型預測用友網絡t(10)1日線收益率
        5.5.2 PANK模型預測滬深300指數日線收益率的實證分析
            5.5.2.1 滬深300指數日線收益率的PCA降維及特征提取
            5.5.2.2 PANK_CSI300_d1模型預測滬深300指數t(10)1日線收益率
        5.5.3 PANK模型與相關模型的實證比較
    5.6 本章小結
第六章 FTSEMD-PCA-AAP-NKNN(EPAK)預測模型及實證分析
    6.1 EPAK預測模型的基本原理
    6.2 EPAK預測模型的一般結構
    6.3 EPAK預測模型的算法流程
    6.4 EPAK預測模型的結構參數
    6.5 EPAK預測模型的實證分析
        6.5.1 EPAK模型預測用友網絡日線收益率的實證分析
            6.5.1.1 用友網絡日線收益率的FTSEMD分解及結果
            6.5.1.2 用友網絡日線收益率經過FTSEMD分解后的PCA降維
            6.5.1.3 EPAK_YONYOU_D1模型預測用友網絡t(10)1日線收益率
        6.5.2 EPAK模型預測滬深300指數日線收益率的實證分析
            6.5.2.1 滬深300指數日線收益率的FTSEMD分解及結果
            6.5.2.2 滬深300指數日線收益率經過FTSEMD分解后的PCA降維
            6.5.2.3 EPAK_CSI300_D1模型預測滬深300指數t(10)1日線收益率
        6.5.3 EPAK模型與相關模型的實證比較
    6.6 本章小結
第七章 股指預測的多變量信息融合預測模型及實證分析
    7.1 股指預測的多變量信息融合預測的基本原理
    7.2 股指預測的多變量信息融合預測模型建模
        7.2.1 大盤指數的一般計算
        7.2.2 行業(yè)股指的單變量預測
        7.2.3 股指預測的多變量信息融合預測模型的一般結構
    7.3 行業(yè)股指預測的信息融合預測滬深300指數的實證分析
        7.3.1 EPAK模型預測行業(yè)股指的實證分析
        7.3.2 行業(yè)股指預測的信息融合預測滬深300指數的實證與對比分析
    7.4 本章小結
第八章 結論
    8.1 本文總結
    8.2 研究展望
致謝
參考文獻
攻讀博士學位期間取得的成果



本文編號：3888911