论文部分内容阅读
金融时间序列中蕴含了金融市场经过复杂运动而产生的诸多客观规律信息,研究金融时间序列在国家经济发展及投资者获取收益等方面均具有举足轻重的作用。任何一种金融市场的交易主要集中在现货和期货两大部分,相对而言,期货具有规避风险、价格发现、资产配置等功能,对企业健康稳健的发展有着至关重要的作用,且期货具有双向交易的特性,因此研究期货价格序列的变化特征具有更大的价值。本文选择了期货市场预测作为研究问题,以国内商品期货指数为样本数据,以获取尽可能高的收益为目标,进行全时域的方向预测和追踪。为提高预测效果,本文建立了有效的两级组合模预测型。在确定适合方向预测的第一级模型阶段,通过比较多种典型的回归型时间序列预测方法选择最优模型,拟合期货指数得到比较有效的拟合曲线。在实现增强预测的第二级模型阶段,使用支持向量机建立学习模型,预测重要观察点的方向,在第一级预测模型的基础上进一步提高预测效果。本文在充分研究前人成果的基础上,完成了以下主要工作:(1)在一级模型的研究中,针对典型回归方法在方向判断上的缺陷,提出滚动回归比较法。鉴于依据典型回归方法判断方向转变时过于滞后,在合理确定单次回归长度的情况下,对时间序列的每个时间点均以固定长度的数据为样本进行一次回归操作,由此获取当前时间点的拟合值,以连续两个时间点的拟合值大小关系判断时序变动方向。此方法有超过60%的概率在典型回归方法判断方向转变之前提早发现拐点。(2)在二级模型的研究当中,提出用于二级增强预测的极值引导学习策略,改善机器学习的效果。据此策略有区别地选择训练集、预测集观察点,为机器学习提供更正确合理的训练数据,增强支持向量机的预测效果。具体而言,本文研究极值点与拟合曲线拐点之间的局部时间序列,从中选取合适的数据点作为支持向量机的训练集观察点。对于预测集,拟合曲线拐点直接作为预测集观察点,在此基础上增加有效的其他类型拐点作为预测集观察点。(3)在二级模型的建模过程中,发现和设计有效的特征向量,建立多套预测方案以提高预测验证的可信度。本文在使用一级模型拟合时间序列的基础上,利用支持向量机建立分类器模型(作为二级预测模型),对预测集观察点的方向进行预测。着重研究对训练集观察点输入特征属性的确定与有效表示,特别是增加了网格特征、超斜率标记及网格差等特殊属性,取得了良好的预测效果。同时,依据训练集时间跨度长度不同,建立了多套预测方案,避免了单一方案预测结果的随机性,每套方案的预测结果均在一级模型之上有明显提高。本文的创新之处在于:提出滚动回归比较法解决了典型回归方法在方向判断上的缺陷;提出了极值引导学习的策略,区别选择训练集、预测集的观察点以改善机器学习效果;着重研究观察点特征属性设计和表示。