基于小波分解混合模型的股票指數(shù)預測研究.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行描述的指標，預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，很多海內外的研究者們對股票指數(shù)進行了預測研究，并且證明了從時間序列角度對股票指數(shù)進行分析是較為有效的方法。
　　當前對股票指數(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，而極限學習機模型（Extreme Learning Machine Model，簡稱ELM模型）則是數(shù)據(jù)挖掘中應用于非線性時間序列預測較普遍的模型。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習機對具有代表性的上證180股指進行了預測與分

3、析，實驗結果和深入地分析均表明:對于復雜不穩(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)準確預測，即不能很好地捕捉股票指數(shù)時間序列的特征，研究和構建混合模型與算法是提升股票指數(shù)時間序列預測質量與水平的發(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合，而小波分析理

4、論與技術的發(fā)展為將這一復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習機的股票指數(shù)預測混合模型，該模型首先應用小波理論，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行預測以捕捉股票指數(shù)中的線性規(guī)律，用非線性的ELM模型對高頻時間序列進行預測以捕捉股票指數(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測值進行合

5、成獲得最終的股票指數(shù)時間序列的預測結果。該模型中，線性的ARIMA模型用于預測低頻趨勢序列，非線性的ELM模型用于預測高頻隨機序列，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)時間序列理應獲得改善的預測效果。利用本文提出的混合模型對上證180股指的預測實驗表明，混合模型對所選樣本預測結果的方均根誤差和平均相對百分比誤差較單一模型的預測結果均明顯降低，即預測精度顯著提高;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）混合模型[26]在預測精度上也都有較大幅度提升。
　　在構建混合模型的過程和模型驗證的實驗中進一步發(fā)現(xiàn)，高頻隨機分量部分直接采用ELM模型預測尚未達到最佳效果，還有進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混合模型基礎上進行了更進一步地擴展研究，即將高頻時間序列分別用ARIMA模型和ELM模型預測，將這兩個模型的