论文部分内容阅读
金融市场每天随机变化。预测金融时间序列被认为是现代金融市场最具挑战性的工作之一。预测的难度在于金融时间序列固有的非线性、波动剧烈、分形等特征。自回归移动平均模型(ARIMA)等传统线性统计模型不足以进行金融时间序列预测,人工神经网络(ANN)、支持向量机(SVM)等机器学习方法预测金融时间序列时,需要大量的数据,且预测结果不够令人满意。由于分形能够为现实世界的复杂现象提供一种确定性描述,分形插值已经成为人们处理非线性性、非平稳性、高度不规则数据的强有力工具。本文在已有相关研究文献的基础上研究了一类新