基于小波分解混合模型的股票指數(shù)預(yù)測研究.pdf

1、股票市場作為金融市場的主體，在國家的經(jīng)濟發(fā)展中起著至關(guān)重要的作用。股票價格指數(shù)是對整個股票市場總的股票價格水平和波動情況進(jìn)行描述的指標(biāo)，預(yù)測分析股票價格指數(shù)（簡稱股票指數(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)外的研究者們對股票指數(shù)進(jìn)行了預(yù)測研究，并且證明了從時間序列角度對股票指數(shù)進(jìn)行分析是較為有效的方法。
　　當(dāng)前對股票指數(shù)時間序列的研究，主要有傳統(tǒng)時序模型法和數(shù)據(jù)挖掘法。

2、在傳統(tǒng)的時間序列模型中，自回歸積分移動平均模型（Autoregressive Integrated Moving Average Model，簡稱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)機模型（Extreme Learning Machine Model，簡稱ELM模型）則是數(shù)據(jù)挖掘中應(yīng)用于非線性時間序列預(yù)測較普遍的模型。本文首先分別采用單一的自回歸積分移動平均模型和極限學(xué)習(xí)機對具有代表性的上證180股指進(jìn)行了預(yù)測與分

3、析，實驗結(jié)果和深入地分析均表明:對于復(fù)雜不穩(wěn)定、隨機性強等特點顯著的股票指數(shù)時間序列，采用單一模型很難實現(xiàn)準(zhǔn)確預(yù)測，即不能很好地捕捉股票指數(shù)時間序列的特征，研究和構(gòu)建混合模型與算法是提升股票指數(shù)時間序列預(yù)測質(zhì)量與水平的發(fā)展趨勢。
　　股票指數(shù)時間序列受多種因素影響，具有復(fù)雜不穩(wěn)定、隨機性強等顯著特征。為了更好地捕捉股票指數(shù)時間序列特征，充分發(fā)揮線性與非線性模型各自的優(yōu)點，將股票指數(shù)時間序列視為低頻與高頻時間序列的復(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?，本文提出了基于小波分解的自回歸積分移動平均和極限學(xué)習(xí)機的股票指數(shù)預(yù)測混合模型，該模型首先應(yīng)用小波理論，將股票價格指數(shù)時間序列分解為低頻趨勢分量和高頻隨機分量，然后用線性的ARIMA模型對低頻時間序列進(jìn)行預(yù)測以捕捉股票指數(shù)中的線性規(guī)律，用非線性的ELM模型對高頻時間序列進(jìn)行預(yù)測以捕捉股票指數(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)測值進(jìn)行合

5、成獲得最終的股票指數(shù)時間序列的預(yù)測結(jié)果。該模型中，線性的ARIMA模型用于預(yù)測低頻趨勢序列，非線性的ELM模型用于預(yù)測高頻隨機序列，模型各自的優(yōu)勢得以充分發(fā)揮，因而該模型針對股票指數(shù)時間序列理應(yīng)獲得改善的預(yù)測效果。利用本文提出的混合模型對上證180股指的預(yù)測實驗表明，混合模型對所選樣本預(yù)測結(jié)果的方均根誤差和平均相對百分比誤差較單一模型的預(yù)測結(jié)果均明顯降低，即預(yù)測精度顯著提高;并相對最近Yuan Lei提出的ARIMA+LSSVM（最小二

6、乘支持向量機）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)測精度上也都有較大幅度提升。
　　在構(gòu)建混合模型的過程和模型驗證的實驗中進(jìn)一步發(fā)現(xiàn)，高頻隨機分量部分直接采用ELM模型預(yù)測尚未達(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)一步地擴展研究，即將高頻時間序列分別用ARIMA模型和ELM模型預(yù)測，將這兩個模型的