本文關(guān)鍵詞：一種金融市場預測的深度學習模型：FEPA模型　出處：《電子科技大學》2016年博士論文　論文類型：學位論文

  更多相關(guān)文章： 經(jīng)驗模態(tài)分解 FEPA 主成分分析 本征模態(tài)函數(shù) 區(qū)間EMD

【摘要】：在全球經(jīng)濟、金融一體化的今天,金融市場不斷呈現(xiàn)出很多經(jīng)典金融理論無力解釋的復雜現(xiàn)象,主要表現(xiàn)為:金融市場不再是有效市場假說描述下的理想市場,金融市場呈現(xiàn)出的高智能性、強相關(guān)性、緊耦合性使它成為一個復雜的非線性動力系統(tǒng)。構(gòu)建預測模型對這樣一個復雜的非線性動力系統(tǒng)進行描述,揭示金融時間序列運行的內(nèi)在規(guī)律,并在世人面前展示它的演化機制,方便人們防范金融風險、管理市場和監(jiān)督市場,毫無疑問都具有重大的現(xiàn)實意義和理論價值,這也是本文研究的意義和背景所在。深度學習已經(jīng)成為人工智能中最有代表性的、最有潛力的智能系統(tǒng)建模技術(shù)。在完備信息博弈領(lǐng)域,谷歌的阿爾法圍棋已經(jīng)以壓倒優(yōu)勢擊敗世界圍棋冠軍,為深度學習做出了令人震驚的能力展示。然而,金融市場的復雜性遠遠超出了所有的棋類博弈,呈現(xiàn)出開放、非穩(wěn)態(tài)、無窮方博弈的特征。本論文專門研究作為深度學習的主要范式之一的深度分合神經(jīng)網(wǎng)絡模型在金融時間預測上的可行性和效能水平。這種范式在本論文中具體表現(xiàn)為FEPA模型:FTS+EMD+PCA+ANN。下面逐步展開說明。1998年來自NASA的黃鍔等提出一種新的信號分析方法——經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)。經(jīng)驗模態(tài)分解方法無需提前設(shè)定基函數(shù),按照時間序列自身的尺度特征分解時間序列。而應用傅里葉變換時,諧波基函數(shù)需要預先設(shè)定,小波變換需要預先設(shè)定小波基函數(shù)。經(jīng)驗模態(tài)分解方法在傅里葉變換和小波變換的基礎(chǔ)上進一步改進了分解后時間序列的局部特征,是一種更有效的數(shù)據(jù)挖掘預處理算法。由于經(jīng)驗模態(tài)分解方法具有這些處理數(shù)據(jù)的良好特性,任何類型的信號理論上都可以用經(jīng)驗模態(tài)方法分解,因而對非線性非平穩(wěn)多尺度特征的數(shù)據(jù)進行信號處理具有非常明顯的優(yōu)勢。所以,經(jīng)驗模態(tài)分解方法提出之后不久就迅速有效地應用到多個工程領(lǐng)域中。首先,本文基于EMD分解方法提出了一個新的組合預測模型:FEPA模型。(FTS-EMD-PCA-ANN)該模型基于金融時間序列特殊經(jīng)驗模態(tài)分解(Financial Time Series Empirical Mode Decomposition,FTS-EMD)、主成分分析(Principal Component Analysis,PCA)和人工神經(jīng)網(wǎng)絡(Artificial Neural Network),針對非線性、非平穩(wěn)、多尺度的復雜金融時間序列建模和預測,預測股市指數(shù)和外匯匯率,實證研究了這一金融市場研究中的熱點領(lǐng)域。本文提出的組合預測模型是基于分解——重構(gòu)——綜合的思想,有效地提高了模型對區(qū)間金融時間序列的預測精度與可靠性(命中率)。本文選擇滬深300指數(shù)、澳大利亞股指以及外匯匯率作為實證市場與數(shù)據(jù),建立了ARIMA、GARCH、BPNN(Back Propagation Neural Network)、EMD-BPNN、WD-BPNN、EMD-LPP-BPNN和FEPA七個預測模型,對收盤價的短期運行趨勢做出預測。實證結(jié)果表明EMD-BPNN模型比ARIMA、GARCH和BPNN模型有更好的預測效果,這說明對非線性非平穩(wěn)的金融時間序列進行先分解后組合的預測方法能有效地改進預測精度。同時,實證結(jié)果還表明本文新提出的FEPA模型比EMD-BPNN模型又有所改進,這說明主成分分析能壓縮冗余數(shù)據(jù),縮短訓練時間,提高預測精度。其次,現(xiàn)有的金融時間序列分析大多只考慮分析收盤價,但是股指每天都在最高價和最低價之間振蕩,如果只分析收盤價,就丟失了很多有用的數(shù)據(jù)信息,這會造成預測的信息不全面,不能滿足市場投資者的要求。本文引入?yún)^(qū)間EMD分解算法,考慮同時將最高價和最低價也納入到輸入輸出之中。通過同時分析股指的收盤價、最高價和最低價,從而更好地把握股票指數(shù)這一區(qū)間時間序列的波動情況及其走勢。實證結(jié)果表明將區(qū)間EMD分解算法應用于FEPA模型能有效提高最高價和最低價的預測效果。再次,現(xiàn)有的文獻中提出的計量經(jīng)濟模型大多數(shù)都是采用同一個時間尺度的數(shù)據(jù)進行訓練,這忽略了金融時間序列的多尺度特征。本文將滬深300指數(shù)收盤價的日數(shù)據(jù)和十五分鐘數(shù)據(jù)同時輸入神經(jīng)網(wǎng)絡進行訓練,并與分別輸入日數(shù)據(jù)和十五分鐘數(shù)據(jù)的神經(jīng)網(wǎng)絡模型作比較。實證結(jié)果表明同時輸入兩個時間尺度數(shù)據(jù)的神經(jīng)網(wǎng)絡模型有更好的預測精度。當然,這種多時間尺度的金融信息融合還有巨大的研究空間。最后,考慮到金融經(jīng)濟全球化,世界金融市場之間的相互影響更加緊密。即便是預測單一市場的走勢,也需要尋找對該市場有重大影響的引導市場。本文在深入研究Copula理論的基礎(chǔ)上,將其運用到全球主要股市的非對稱相關(guān)性分析中。在分析全球主要股市指數(shù)對數(shù)收益率統(tǒng)計特征的基礎(chǔ)上,用Copula函數(shù)的相關(guān)度量來判斷全球主要股市間的非對稱性影響關(guān)系,這種關(guān)系一般形成一個有向無環(huán)圖。通過歷史日數(shù)據(jù)測試,結(jié)果表明在多數(shù)情況下,Copula相關(guān)系數(shù)能夠比線性相關(guān)系數(shù)更好地發(fā)現(xiàn)引導市場。
[Abstract]:In the field of complete information game , Google ' s alpha weiqi has become one of the most representative and potential intelligent system modeling techniques in AI . The empirical mode decomposition method has improved the local characteristics of the time series after decomposition , and it is a more effective data mining preprocessing algorithm . The empirical results show that EMD - BPNN model has better prediction effect than EMD - BPNN model . This paper makes a comparison with the neural network model of daily data and fifteen - minute data respectively . The results show that the neural network model with two time - scale data has better prediction accuracy . Finally , considering the globalization of the financial economy , the interaction among the world financial markets is more closely .

【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：F830.9

【參考文獻】

相關(guān)期刊論文 前4條

1 王文波;費浦生;羿旭明;;基于EMD與神經(jīng)網(wǎng)絡的中國股票市場預測[J];系統(tǒng)工程理論與實踐;2010年06期

2 于德介,程軍圣;EMD方法在齒輪故障診斷中的應用[J];湖南大學學報(自然科學版);2002年06期

3 李中付,華宏星,宋漢文,陳之炎;模態(tài)分解法辨識線性結(jié)構(gòu)在環(huán)境激勵下的模態(tài)參數(shù)[J];上海交通大學學報;2001年12期

4 鄧擁軍,王偉,錢成春,王忠,戴德君;EMD方法及Hilbert變換中邊界問題的處理[J];科學通報;2001年03期

，

本文編號：1413147