基于小波分解混合模型的股票指數(shù)預(yù)測(cè)研究.pdf

1、股票市場(chǎng)作為金融市場(chǎng)的主體，在國(guó)家的經(jīng)濟(jì)發(fā)展中起著至關(guān)重要的作用。股票價(jià)格指數(shù)是對(duì)整個(gè)股票市場(chǎng)總的股票價(jià)格水平和波動(dòng)情況進(jìn)行描述的指標(biāo)，預(yù)測(cè)分析股票價(jià)格指數(shù)（簡(jiǎn)稱股票指數(shù)），從微觀方面看，影響投資者們的投資策略，從宏觀方面看，為國(guó)家的宏觀決策提供依據(jù)。因此，很多海內(nèi)外的研究者們對(duì)股票指數(shù)進(jìn)行了預(yù)測(cè)研究，并且證明了從時(shí)間序列角度對(duì)股票指數(shù)進(jìn)行分析是較為有效的方法。
　　當(dāng)前對(duì)股票指數(shù)時(shí)間序列的研究，主要有傳統(tǒng)時(shí)序模型法和數(shù)據(jù)挖掘法。

2、在傳統(tǒng)的時(shí)間序列模型中，自回歸積分移動(dòng)平均模型（Autoregressive Integrated Moving Average Model，簡(jiǎn)稱ARIMA模型）一直是最廣泛使用的線性模型之一，而極限學(xué)習(xí)機(jī)模型（Extreme Learning Machine Model，簡(jiǎn)稱ELM模型）則是數(shù)據(jù)挖掘中應(yīng)用于非線性時(shí)間序列預(yù)測(cè)較普遍的模型。本文首先分別采用單一的自回歸積分移動(dòng)平均模型和極限學(xué)習(xí)機(jī)對(duì)具有代表性的上證180股指進(jìn)行了預(yù)測(cè)與分

3、析，實(shí)驗(yàn)結(jié)果和深入地分析均表明:對(duì)于復(fù)雜不穩(wěn)定、隨機(jī)性強(qiáng)等特點(diǎn)顯著的股票指數(shù)時(shí)間序列，采用單一模型很難實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)，即不能很好地捕捉股票指數(shù)時(shí)間序列的特征，研究和構(gòu)建混合模型與算法是提升股票指數(shù)時(shí)間序列預(yù)測(cè)質(zhì)量與水平的發(fā)展趨勢(shì)。
　　股票指數(shù)時(shí)間序列受多種因素影響，具有復(fù)雜不穩(wěn)定、隨機(jī)性強(qiáng)等顯著特征。為了更好地捕捉股票指數(shù)時(shí)間序列特征，充分發(fā)揮線性與非線性模型各自的優(yōu)點(diǎn)，將股票指數(shù)時(shí)間序列視為低頻與高頻時(shí)間序列的復(fù)合，而小波分析理

4、論與技術(shù)的發(fā)展為將這一復(fù)合的時(shí)間序列分解為低頻和高頻分量提供了行之有效的解決方案?；诖耍疚奶岢隽嘶谛〔ǚ纸獾淖曰貧w積分移動(dòng)平均和極限學(xué)習(xí)機(jī)的股票指數(shù)預(yù)測(cè)混合模型，該模型首先應(yīng)用小波理論，將股票價(jià)格指數(shù)時(shí)間序列分解為低頻趨勢(shì)分量和高頻隨機(jī)分量，然后用線性的ARIMA模型對(duì)低頻時(shí)間序列進(jìn)行預(yù)測(cè)以捕捉股票指數(shù)中的線性規(guī)律，用非線性的ELM模型對(duì)高頻時(shí)間序列進(jìn)行預(yù)測(cè)以捕捉股票指數(shù)中的非線性規(guī)律，再將分別得到的低頻序列和高頻序列預(yù)測(cè)值進(jìn)行合

5、成獲得最終的股票指數(shù)時(shí)間序列的預(yù)測(cè)結(jié)果。該模型中，線性的ARIMA模型用于預(yù)測(cè)低頻趨勢(shì)序列，非線性的ELM模型用于預(yù)測(cè)高頻隨機(jī)序列，模型各自的優(yōu)勢(shì)得以充分發(fā)揮，因而該模型針對(duì)股票指數(shù)時(shí)間序列理應(yīng)獲得改善的預(yù)測(cè)效果。利用本文提出的混合模型對(duì)上證180股指的預(yù)測(cè)實(shí)驗(yàn)表明，混合模型對(duì)所選樣本預(yù)測(cè)結(jié)果的方均根誤差和平均相對(duì)百分比誤差較單一模型的預(yù)測(cè)結(jié)果均明顯降低，即預(yù)測(cè)精度顯著提高;并相對(duì)最近Yuan Lei提出的ARIMA+LSSVM（最小二

6、乘支持向量機(jī)）混合模型[25]和Zhang提出的ARIMA+AN Ns（人工神經(jīng)網(wǎng)絡(luò)）混合模型[26]在預(yù)測(cè)精度上也都有較大幅度提升。
　　在構(gòu)建混合模型的過(guò)程和模型驗(yàn)證的實(shí)驗(yàn)中進(jìn)一步發(fā)現(xiàn)，高頻隨機(jī)分量部分直接采用ELM模型預(yù)測(cè)尚未達(dá)到最佳效果，還有進(jìn)一步探索與提升的空間。針對(duì)這種情況，本文在基于小波分解的ARIMA和ELM混合模型基礎(chǔ)上進(jìn)行了更進(jìn)一步地?cái)U(kuò)展研究，即將高頻時(shí)間序列分別用ARIMA模型和ELM模型預(yù)測(cè)，將這兩個(gè)模型的