基于奇異譜分析的金融時間序列自適應分解預測研究.pdf

1、金融時間序列作為經濟、金融領域的一類重要數據，隨著經濟、金融行業(yè)的發(fā)展顯得越發(fā)重要，對其進行分析、預測非常有必要而且意義重大。金融時間序列作為一類特殊、較為復雜的時間序列數據、通常呈現出隨機性、非線性并伴有含噪聲等特點。針對金融時間序列復雜特性，人們先后提出了各種線性與非線性的建模預測方法，獲得了較好的預測效果，然而，卻也存在可解釋性差、參數設置復雜、依賴于模型等缺點。奇異譜分析（SingularSpectrumAnalysis，SSA

2、）作為序列成份分析的一種重要方法，具有成份可選擇性、較好解釋性、無參、獨立于模型的特點，可將序列數據分解成諸多可解釋的成份。因此，奇異譜分析技術往往被用作其它傳統(tǒng)預測模型預處理的手段，主要用于對序列數據的降噪處理。然而，在降噪過程中，由于人為確定非噪聲特征量，使得降噪后的序列要么過擬合要么能量丟失過多，不利于序列預測。在此，我們把對SSA降噪處理后的序列進行預測的方法稱之為直接預測。由于直接預測降噪處理過程中涉及一定的主觀因素，使得其預

3、測結果并不理想?；诖耍疚奶岢隽艘环N基于奇異譜分析的分解預測方法，通過SSA技術將序列分解成高頻與低頻兩股成份，分別采用自回歸（AR）與求和自回歸移動平均（ARIMA）模型進行預測，最后將這兩成份預測量疊加重構便可得到整體預測結果。與此同時，為提高模型自適應能力，實現對金融時序實時跟蹤，本文引入了最小均方（LMS）算法。實驗結果表明，與LMS直接預測相比，分解預測無任是在預測精度還是對序列局部的刻畫方面均存在明顯的優(yōu)勢。
　　另