版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、在全球經(jīng)濟、金融一體化的今天,金融市場不斷呈現(xiàn)出很多經(jīng)典金融理論無力解釋的復(fù)雜現(xiàn)象,主要表現(xiàn)為:金融市場不再是有效市場假說描述下的理想市場,金融市場呈現(xiàn)出的高智能性、強相關(guān)性、緊耦合性使它成為一個復(fù)雜的非線性動力系統(tǒng)。構(gòu)建預(yù)測模型對這樣一個復(fù)雜的非線性動力系統(tǒng)進行描述,揭示金融時間序列運行的內(nèi)在規(guī)律,并在世人面前展示它的演化機制,方便人們防范金融風(fēng)險、管理市場和監(jiān)督市場,毫無疑問都具有重大的現(xiàn)實意義和理論價值,這也是本文研究的意義和背景
2、所在。
深度學(xué)習(xí)已經(jīng)成為人工智能中最有代表性的、最有潛力的智能系統(tǒng)建模技術(shù)。在完備信息博弈領(lǐng)域,谷歌的阿爾法圍棋已經(jīng)以壓倒優(yōu)勢擊敗世界圍棋冠軍,為深度學(xué)習(xí)做出了令人震驚的能力展示。然而,金融市場的復(fù)雜性遠遠超出了所有的棋類博弈,呈現(xiàn)出開放、非穩(wěn)態(tài)、無窮方博弈的特征。本論文專門研究作為深度學(xué)習(xí)的主要范式之一的深度分合神經(jīng)網(wǎng)絡(luò)模型在金融時間預(yù)測上的可行性和效能水平。這種范式在本論文中具體表現(xiàn)為FEPA模型:FTS+EMD+PCA+
3、ANN。下面逐步展開說明。
1998年來自NASA的黃鍔等提出一種新的信號分析方法——經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)。經(jīng)驗?zāi)B(tài)分解方法無需提前設(shè)定基函數(shù),按照時間序列自身的尺度特征分解時間序列。而應(yīng)用傅里葉變換時,諧波基函數(shù)需要預(yù)先設(shè)定,小波變換需要預(yù)先設(shè)定小波基函數(shù)。經(jīng)驗?zāi)B(tài)分解方法在傅里葉變換和小波變換的基礎(chǔ)上進一步改進了分解后時間序列的局部特征,是一種更有效的數(shù)據(jù)挖掘預(yù)處
4、理算法。由于經(jīng)驗?zāi)B(tài)分解方法具有這些處理數(shù)據(jù)的良好特性,任何類型的信號理論上都可以用經(jīng)驗?zāi)B(tài)方法分解,因而對非線性非平穩(wěn)多尺度特征的數(shù)據(jù)進行信號處理具有非常明顯的優(yōu)勢。所以,經(jīng)驗?zāi)B(tài)分解方法提出之后不久就迅速有效地應(yīng)用到多個工程領(lǐng)域中。
首先,本文基于EMD分解方法提出了一個新的組合預(yù)測模型:FEPA模型。(FTS-EMD-PCA-ANN)該模型基于金融時間序列特殊經(jīng)驗?zāi)B(tài)分解(Financial Time Series Em
5、pirical Mode Decomposition,F(xiàn)TS-EMD)、主成分分析(Principal Component Analysis,PCA)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network),針對非線性、非平穩(wěn)、多尺度的復(fù)雜金融時間序列建模和預(yù)測,預(yù)測股市指數(shù)和外匯匯率,實證研究了這一金融市場研究中的熱點領(lǐng)域。本文提出的組合預(yù)測模型是基于分解——重構(gòu)——綜合的思想,有效地提高了模型對區(qū)間金融時間序列的預(yù)測精度
6、與可靠性(命中率)。本文選擇滬深300指數(shù)、澳大利亞股指以及外匯匯率作為實證市場與數(shù)據(jù),建立了ARIMA、GARCH、BPNN(Back Propagation Neural Network)、EMD-BPNN、WD-BPNN、EMD-LPP-BPNN和FEPA七個預(yù)測模型,對收盤價的短期運行趨勢做出預(yù)測。實證結(jié)果表明EMD-BPNN模型比ARIMA、GARCH和BPNN模型有更好的預(yù)測效果,這說明對非線性非平穩(wěn)的金融時間序列進行先分解
7、后組合的預(yù)測方法能有效地改進預(yù)測精度。同時,實證結(jié)果還表明本文新提出的FEPA模型比EMD-BPNN模型又有所改進,這說明主成分分析能壓縮冗余數(shù)據(jù),縮短訓(xùn)練時間,提高預(yù)測精度。
其次,現(xiàn)有的金融時間序列分析大多只考慮分析收盤價,但是股指每天都在最高價和最低價之間振蕩,如果只分析收盤價,就丟失了很多有用的數(shù)據(jù)信息,這會造成預(yù)測的信息不全面,不能滿足市場投資者的要求。本文引入?yún)^(qū)間EMD分解算法,考慮同時將最高價和最低價也納入到輸入
8、輸出之中。通過同時分析股指的收盤價、最高價和最低價,從而更好地把握股票指數(shù)這一區(qū)間時間序列的波動情況及其走勢。實證結(jié)果表明將區(qū)間EMD分解算法應(yīng)用于FEPA模型能有效提高最高價和最低價的預(yù)測效果。
再次,現(xiàn)有的文獻中提出的計量經(jīng)濟模型大多數(shù)都是采用同一個時間尺度的數(shù)據(jù)進行訓(xùn)練,這忽略了金融時間序列的多尺度特征。本文將滬深300指數(shù)收盤價的日數(shù)據(jù)和十五分鐘數(shù)據(jù)同時輸入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,并與分別輸入日數(shù)據(jù)和十五分鐘數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模
9、型作比較。實證結(jié)果表明同時輸入兩個時間尺度數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型有更好的預(yù)測精度。當(dāng)然,這種多時間尺度的金融信息融合還有巨大的研究空間。
最后,考慮到金融經(jīng)濟全球化,世界金融市場之間的相互影響更加緊密。即便是預(yù)測單一市場的走勢,也需要尋找對該市場有重大影響的引導(dǎo)市場。本文在深入研究Copula理論的基礎(chǔ)上,將其運用到全球主要股市的非對稱相關(guān)性分析中。在分析全球主要股市指數(shù)對數(shù)收益率統(tǒng)計特征的基礎(chǔ)上,用Copula函數(shù)的相關(guān)度量來判
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于網(wǎng)絡(luò)信息的金融市場預(yù)測研究.pdf
- 一種基于張量的深度字典學(xué)習(xí)模型.pdf
- 支持向量機在金融市場預(yù)測中的應(yīng)用.pdf
- 一種深度入侵防御模型研究.pdf
- 金融市場波動率模型研究
- 基于garch模型的金融市場研究
- 金融市場預(yù)測:基于小波轉(zhuǎn)換及神經(jīng)網(wǎng)絡(luò)方法.pdf
- 金融市場中的隨機波動率模型.pdf
- 金融市場的波動性模型研究.pdf
- 基于波動模型的金融市場分析.pdf
- 金融市場風(fēng)險測量的優(yōu)化模型研究.pdf
- JD公司銷售市場預(yù)測模型調(diào)研報告.pdf
- 金融市場中的隨機過程模型的研究.pdf
- 基于深度學(xué)習(xí)的外匯市場預(yù)測與風(fēng)險測度研究
- 青島市房地產(chǎn)市場預(yù)測模型研究.pdf
- 金融市場的風(fēng)險控制指標(biāo)和模型研究.pdf
- 金融市場風(fēng)險模型及優(yōu)化管理研究.pdf
- 面向網(wǎng)絡(luò)學(xué)習(xí)的一種檢索模型研究.pdf
- 基于VaR模型的金融市場風(fēng)險計量研究.pdf
- 金融市場風(fēng)險測量與VaR模型研究.pdf
評論
0/150
提交評論