在当今这个全球经济一体化的时代,金融市场是具有复杂运动模式的庞大动力系统。金融时间序列(FTS)是金融市场中一种非常重要的数据表现形式,是市场内在运作规律的外在表现。通过预测分析FTS,可以探究市场潜在的运行规律和信号特征,为金融问题的决策提供宝贵依据,方便从业人士监督管理市场并防范金融风险。因此,有关FTS的分析和预测研究具有重要的理论价值和实践意义。FTS通常表现出非线性和非平稳特征,导致了FTS预测的复杂性,传统单一模型预测效果不佳。为了提升预测效果,提出多频组合模型(MFCM),该模型可将复杂的FTS简化,便于分析和建模。本文围绕MFCM的改进和应用展开研究,主要工作如下:1.目前MFCM分解方法主要是依靠积分变换的经验模态分解(EMD)系列方法。这类方法的筛选次数难以确定,其发展的集成模型会引入噪声从而污染原数据。极点对称模态分解(ESMD)弃用了积分变换的传统思路,创造性地提出了“直接插值法”,改善了EMD系列方法的固有缺陷,但在金融领域的研究还处于起步阶段。本文将ESMD方法应用于FTS分解,相比于现有的MFCM分解方法,模态分解效果有了显著改善。2.现有的MFCM重构方法仅注重于特定数据特征,而忽略了其他数据特征。鉴于此问题,本文对模态分量进行综合的数据分析,在保证分量信息的前提下,将模态分量重构为易于建模且具有一定经济意义的重构分量,进而优化模型效果。3.在MFCM的预测部分,针对支持向量回归(SVR)的信息挖掘不充分问题,本文引入一种基于构造相邻点数据集的多任务预测模型。通过构造不同输入输出间隔的子数据集得到多任务训练集,巧妙地引入了相邻时间点的相关信息。基于多任务训练集同时学习多个任务,任务间信息共享、互相牵制从而起到修正作用,充分挖掘了相邻点之间的关系,使得重构分量的预测精度明显提升。4.将改进型MFCM应用于具体的FTS。本文选取黄金价格序列作为实证研究对象。实验结果表明:相比于现有的MFCM,改进型MFCM在分解、预测以及总体模型效果方面均有显著提升。本文提出的改进型MFCM可以为FTS预测分析领域提供一种新的思路和借鉴。