论文部分内容阅读
现代金融市场发展迅猛,股票价格波动瞬息万变,准确把握金融波动的实时信息是金融领域的核心问题之一。本文针对金融混沌序列,引入EEMD分解技术,准确把握金融市场价格变化规律,揭示中国金融市场的内在发展变化,通过构建金融混沌序列的预测模型,实现其理论及实践意义。本文将沪深300指数日收盘价作为研究对象,研究内容如下:1)首先,利用EEMD分解技术,将沪深300指数分解为10个IMFs和一个趋势项,利用Zhang提出的方法,将分解后所形成的IMFs重构,构成短期波动,中长期波动以及长期波动分量。接下来,对各个不同周期分量作单分形分析,本文发现具有不同经济意义的波动分量具有不同的分形特征。2)其次,在分析单分形特征后,进一步地对序列进行多重分形特征分析。如果序列的分形特性越明显则表明其波动的特征越为复杂。为了进一步研究序列的多重分形的成因,将序列的顺序打乱,分析其多重分形特征,有助于进一步理解和挖掘序列波动的内在规律。3)对序列进行分形分析后,对其进行混沌识别,来判断各序列的混沌特征。首先,对序列的非线性及确定性进行检验,本文所采用的方法是BDS检验以及递归图法。确定序列来自于非线性及确定性系统后,进一步对其进行相空间重构,利用C-C算法确定嵌入延迟及嵌入维数。通过G-P算法计算关联维数,采用wolf计算最大Lyapunov指数,来对序列进行混沌识别。4)基于SVR构建预测模型。首先,对各序列分别进行归一化处理;其次确定各序列的嵌入延迟以及嵌入维数;根据确定的嵌入延迟以及嵌入维数来进行相空间重构,针对重构后数据的特征,利用SVR对模型进行训练,这里SVR的参数选取采用粒子群优化算法;最后,将各序列的预测结果进行重构,并得到最终的预测结果。将RMSE、MAE以及MAPE作为衡量预测效果的指标,得出的结论表明本文所构建的预测模型的预测效果优于其他传统预测模型。