模糊時間序列的股指期貨價格預測方法研究.pdf

1、在現(xiàn)實世界中，許多數(shù)據(jù)本身存在不完整、不準確和含糊性，尤其是金融數(shù)據(jù)，用經(jīng)典的時間序列預測會導致擬合效果下降。期貨市場較為復雜，股指期貨作為現(xiàn)代資本市場的產(chǎn)物，受到各種內(nèi)外因的影響，股指期貨精確的收盤價記錄可能會丟失部分有用的信息，因此引入模糊時間序列模型，得到更高效率、更精確的預測結(jié)果?？紤]數(shù)據(jù)的可得性和完整性，本文選取2011年1月4日至2015年11月12日的股指期貨連續(xù)日收盤價作為研究對象，首先運用經(jīng)典的時間序列ARIMA模型進

2、行預測，再根據(jù)三種經(jīng)典的模糊時間序列Song、Chen和Lee的方法估計觀測值。經(jīng)過上述研究，改進原有的模糊時間序列方法，在計算隸屬度矩陣時引入非參數(shù)高斯核函數(shù)，調(diào)節(jié)最優(yōu)的窗寬，改變各個模糊集的權重;將一階模糊時間序列轉(zhuǎn)換為二階，即考慮t，t-1，t-2期樣本數(shù)據(jù)的隸屬模糊集;在計算關系矩陣時引入馬爾科夫模型，將關系矩陣轉(zhuǎn)化為轉(zhuǎn)移概率矩陣，用加權方法計算預測值。
　　本文首先對模糊時間序列相關模型進行了深入的研究闡述，主要有模糊集

3、理論，模糊時間序列發(fā)展現(xiàn)狀、研究綜述、模型理論，ARIMA模型理論，馬爾科夫鏈模型，非參數(shù)高斯核函數(shù)。然后根據(jù)模型理論，通過R軟件編程，分別用三種模糊時間序列方法和改進的模型進行估計，利用EViews進行ARIMA模型預測，最終得到近一個月交易日的預測數(shù)據(jù)。其中， Song和Chen的模糊時間序列模型預測誤差在2％以上的有20個樣本，占83.33％; Lee的模糊時間序列模型預測誤差在2％以上的有10個樣本，占41.67％; ARIMA